Occupancy-aware Trajectory Planning for Autonomous Valet Parking in Uncertain Dynamic Environments
Honda Research Institute (HRI)（本田研究院）；University of Pennsylvania（宾夕法尼亚大学）
针对自主代客泊车在部分可观测环境下的规划问题，提出一种结合概率估计与策略规划的框架，通过估计未来车位占用概率并平衡目标导向与探索性导航，显著提升了泊车效率与轨迹平滑度并保障安全性。
2025-09-16 cs.RO cs.SY eess.SY
Nonlinear Model Predictive Control-Based Reverse Path-Planning and Path-Tracking Control of a Vehicle with Trailer System
Automated Driving Lab, Ohio State University（俄亥俄州立大学自动驾驶实验室）；HATCI（现代汽车美国技术中心）
针对带挂车车辆倒车泊车难度大的问题，提出基于NMPC的自动化方案，仅以挂车为独立对象做规划跟踪再通过逆运动学传递控制至牵引车，可加前向调整阶段，经仿真与硬件在环测试验证有效。
2025-09-01 cs.RO cs.SY eess.SY
Optimal Trajectory Planning with Collision Avoidance for Autonomous Vehicle Maneuvering
Magna International Inc.（Magna国际公司）
针对自动驾驶泊车机动，本文提出基于序列凸优化和离散 Dubins 模型的最优轨迹规划方法，在避撞与车辆物理约束下实现高效、平滑的无碰撞运动。
2025-05-13 cs.RO cs.SY eess.SY
Variable Inertia Model Predictive Control for Fast Bipedal Maneuvers
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；North Carolina State University（北卡罗来纳州立大学）
针对双足机器人降阶模型与全身模型的偏差问题，提出融合可变质心惯性网络的MPC控制框架，结合接触力规划与全身控制器，在DRACO 3仿真中实现了更高速度的稳定行走。
2024-09-14 cs.RO
N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme
Honda Research Institute (HRI)（本田研究院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出N3P，一种基于学习的三阶段框架，用于自动泊车，通过引入中间预备姿态和学习模块预测该姿态，将泊车操作分解为更简单的子问题，从而降低计算复杂度并加速路径生成，实验表明其在垂直和平行泊车场景中显著提升了规划速度，并在成功率和轨迹质量上优于强化学习基线。
2026-05-21 cs.RO cs.SY eess.SY
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种集成的运动规划系统的自主车辆（AV）停车在其他移动车辆的存在。拟议的系统包括1）预测周围车辆运动的混合环境预测器和2）对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合，以进行长期预测。该策略运动规划器包括：1）基于模型预测控制的安全控制器，用于轨迹跟踪; 2）基于搜索的撤退规划器，用于在紧急情况下寻找规避路径; 3）基于优化的修复规划器，用于在原始路径无效时规划新路径。仿真验证表明，所提出的方法在初始规划，运动预测，安全跟踪，在紧急情况下撤退，和轨迹修复方面的有效性。
2022-04-26 cs.RO
Modified Hybrid A* Collision-Free Path-Planning for Automated Reverse Parking
Ohio State University（俄亥俄州立大学）
本文提出改进的混合A*算法用于自动倒车，结合动态模型和碰撞避障功能，实现碰撞自由的可行路径规划。
2025-12-12 cs.RO cs.SY eess.SY
Towards Model Predictive Control for Acrobatic Quadrotor Flights
Arizona State University（亚利桑那州立大学）
本研究针对四旋翼特技翻转机动需求，提出一种考虑动力学约束与环境变量的模型预测控制实时轨迹规划方法，经仿真与真机实验验证有效，可提升自主空中机器人的任务能力。
2024-01-30 cs.RO
Hybrid A*-Based Reverse Path-Planning of a Vehicle with Trailer System
Automated Driving Lab, Department of Mechanical and Aerospace Engineering, The Ohio State University（自动化驾驶实验室，机械与航空航天工程系，俄亥俄州立大学）；Hyundai America Technical Center, Inc.（现代美国技术中心有限公司）
本文提出一种改进的混合A*算法，用于解决带拖车车辆的反向停车路径规划问题，兼顾车辆-拖车系统和碰撞避障，通过适应性控制防止拖车翻转，并通过仿真验证有效性。
2026-04-27 cs.RO cs.SY eess.SY
Cooperation-Aware Lane Change Maneuver in Dense Traffic based on Model Predictive Control with Recurrent Neural Network
Carnegie Mellon University（卡内基梅隆大学）；Honda Research Institute（本田研究所）；University of California, Berkeley（加利福尼亚大学伯克利分校）
提出了一种在密集交通中自动驾驶的实时变道控制框架，该框架利用了其他驾驶员的协作行为。本文主要研究交通拥挤时车辆不与其他驾驶员合作就无法变道的情况。在这种情况下，经典的鲁棒控制可能不适用，因为没有安全区域可以在不与其他驾驶员交互的情况下合并。也就是说，从控制工程师的角度来看，对复杂的交互式人类行为进行建模是非常重要的。我们提出了一个数学控制框架模型预测控制（MPC）的基础上，包括一个国家的最先进的循环神经网络（RNN）架构。特别是，RNN预测其他驾驶员响应于自动驾驶车辆的潜在动作的交互动作，然后在安全约束中系统地评估这些动作。我们还提出了一个实时的启发式算法，以找到本地最优控制输入。最后，定量和定性分析的模拟研究，以说明所提出的框架的好处。
2019-09-29 cs.AI cs.RO
Reachable Set-based Path Planning for Automated Vertical Parking System
Hanyang University（汉阳大学）
本文针对自动垂直泊车系统提出基于可达集的局部路径规划方法，通过定义中间位姿并结合Hybrid-A*与回旋曲线规划，实现单次操作完成倒车泊车，并验证了控制跟踪精度。
2023-08-11 cs.RO cs.SY eess.SY
Walking-by-Logic: Signal Temporal Logic-Guided Model Predictive Control for Bipedal Locomotion Resilient to External Perturbations
Georgia Institute of Technology（佐治亚理工学院）
本文首次将信号时序逻辑引导的模型预测控制用于双足运动推挤恢复，生成同时满足任务规范并最大化鲁棒性的安全轨迹，在交叉腿动作和踏脚石选择等任务中优于现有控制器。
2023-09-22 cs.RO
A path planning and path-following control framework for a general 2-trailer with a car-like tractor
Embark Trucks Inc.（Embark卡车公司）；Scania CV（斯堪尼亚CV公司）；Autonomous Transport Solutions（自主运输解决方案部门）
操纵一个普通的2拖车与一个汽车一样的牵引车在向后运动是一项任务，需要大量的技能来掌握，毫无疑问是一个卡车司机必须执行的最复杂的任务之一。本文提出了一种路径规划和路径跟踪控制解决方案，可用于自动规划和执行困难的停车和避障机动相结合的向后和向前运动。为了生成运动学上可行且无碰撞的路径，设计了一种基于网格的路径规划框架，并设计了一种路径跟踪控制器，以稳定路径执行过程中的横向和角向路径跟踪误差状态。为了估计控制所需的车辆状态，开发了一种非线性观测器，该观测器仅利用安装在汽车式拖拉机上的传感器的信息，使得系统独立于附加的拖车传感器。建议的路径规划和路径跟踪控制框架上实现了全尺寸的测试车辆和模拟和现实世界的实验结果。
2019-06-25 cs.RO
Safe Learning Predictive Control for Ego-World Robotic Systems
University of Bologna（博洛尼亚大学）
针对自我世界机器人框架，提出SOWL-MPC策略，结合基于稀疏变分高斯过程的在线学习机制与滚动时域控制方案，依靠噪声测量推断潜在世界策略后验分布，经实验验证该策略可实现自我机器人安全机动。
2026-07-27 cs.RO
Multimodal Classification Network Guided Trajectory Planning for Four-Wheel Independent Steering Autonomous Parking Considering Obstacle Attributes
本文提出基于多模态感知网络和混合A*搜索的轨迹规划框架，通过考虑障碍属性提升四轮独立转向车辆在狭窄环境中的导航效率和安全性。
2026-04-06 cs.RO
Automatic parking planning control method based on improved A* algorithm
针对脱离高精度地图的自动驾驶趋势下局部地图自动泊车的高要求，本文提出改进A*算法结合MPC的泊车规划控制方法，通过多项优化提升性能，经仿真与消融实验验证可有效完成任务。
2024-05-24 cs.AI cs.RO
Aerobatic maneuvers in insect-scale flapping-wing aerial robots via deep-learned robust tube model predictive control
Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（电气工程与计算机科学系，麻省理工学院）；Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空宇航系，麻省理工学院）
本研究通过深度学习的鲁棒管模型预测控制，在750毫克扑翼机器人上实现了昆虫级特技机动，显著提升了扫视速度和加速度，并完成了连续身体翻转。
2025-08-05 cs.LG cs.RO cs.SY
Adapting Reinforcement Learning for Path Planning in Constrained Parking Scenarios
Bosch Research（博世研究）
本研究提出了一种深度强化学习框架，用于在受限停车场景中实现高效的实时路径规划，通过序列决策问题建模和新基准的开发，实现了更高的成功率和效率。
2026-01-30 cs.AI cs.RO
Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Professorship of Autonomous Vehicle Systems, Technical University of Munich（慕尼黑工业大学自主车辆系统教授职位）
提出一种结合预测安全滤波器的安全强化学习运动规划器，通过在线调整智能体动作确保自动驾驶漂移的安全与稳定，仿真显示其在跟踪误差和计算效率上优于传统方法。
2025-06-28 cs.RO
Chance-Aware Lane Change with High-Level Model Predictive Control Through Curriculum Reinforcement Learning
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；The Hong Kong University of Science and Technology（香港科技大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深港协同创新研究院）
针对密集交通下自动驾驶变道时机识别难题，提出一种基于课程强化学习的高层模型预测控制机会感知变道框架，通过神经网络策略生成状态参考与调节因子，在微小机会下实现96%汇入成功率，并验证了其实用性与泛化能力。
2024-02-16 cs.RO
Gaussian Process-based Stochastic Model Predictive Control for Overtaking in Autonomous Racing
Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯）；Starfleet Academy（星际舰队学院）；Tyrell Inc.（泰瑞尔公司）
赛车的一个基本方面是超越其他赛车。鉴于以前的研究主要集中在自主赛车圈的时间优化，在这里，我们提出了一种方法来规划超车机动自主赛车。高斯过程用于学习领先车辆的行为。基于高斯过程的输出，随机模型预测控制算法规划乐观的轨迹，使得受控的自主赛车能够超越领先车辆。在一个简单的模拟场景中测试所提出的方法。
2021-05-25 cs.RO
Stein Variational Guided Model Predictive Path Integral Control: Proposal and Experiments with Fast Maneuvering Vehicles
Nagoya University（名古屋大学）
提出SVG-MPPI方法，利用改进SVGD估计目标模态并嵌入MPPI，以闭式寻模方式解决多模态最优动作分布问题，并在快速车辆仿真与实车实验中验证其更优的跟踪和避障性能。
2024-03-01 cs.IT cs.RO math.IT
Kineto-Dynamical Planning and Accurate Execution of Minimum-Time Maneuvers on Three-Dimensional Circuits
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自主车辆系统教授职位，技术大学慕尼黑）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）；Department of Electrical and Information Engineering, Politecnico di Bari（电气与信息工程系，巴里理工学院）
本文提出人工赛车手ARD，融合新型KD车辆模型与E-NMPC，在三维赛道上在线规划并执行最短时间机动，圈速接近离线最优基准且具备误差下重规划能力。
2025-09-26 cs.RO
Robust-Locomotion-by-Logic: Perturbation-Resilient Bipedal Locomotion via Signal Temporal Logic Guided Model Predictive Control
Georgia Institute of Technology（佐治亚理工学院）
本文首次将信号时序逻辑引导的模型预测控制用于双足运动，通过解析稳定性度量和数据驱动碰撞约束实现抗平移与旋转扰动的鲁棒恢复，并在Cassie机器人上完成仿真与硬件验证。
2024-11-19 cs.RO
Stable Transformer-Actor-Critic Model Predictive Control: A Contraction Analysis Approach
University of Cambridge（剑桥大学）；University College London（伦敦大学学院）；LAAS-CNRS（Laas--cnrs）
提出一种Transformer-Actor-Critic MPC架构，通过证明Transformer满足增量输入-状态稳定性并利用黎曼收缩理论分析互联动力学，将理论界作为训练正则化项，实现可证明鲁棒的控制策略。
2026-08-25 cs.RO
Representation-Free Model Predictive Control for Dynamic Motions in Quadrupeds
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出了一种新的无表示模型预测控制（RF-MPC）框架，用于控制四足机器人在三维（3D）空间中的各种动态运动。我们的配方直接表示的旋转动力学使用的旋转矩阵，这使我们从使用欧拉角和四元数作为方向表示的相关问题。基于变分的线性化方案和精心构造的成本函数，MPC控制律被转录为标准的二次规划（QP）的形式。MPC控制器可以在四足机器人上以250 Hz的实时速率操作。包括周期性四足步态和受控后空翻的实验结果验证了我们的控制策略可以稳定的动态运动，涉及奇异的三维机动。
2020-12-18 cs.RO
Accelerated RRT* and its evaluation on Autonomous Parking
Czech Technical University in Prague（捷克技术大学）；Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague（捷克技术大学信息学、机器人与控制论研究所）
为自主停车寻找无碰撞路径通常通过计算几何方程来执行，但是在空间高度受限的挑战性情况下，几何方法可能变得不可用。我们提出了一种基于快速探索随机树星（RRT*）的算法，该算法即使在高度约束的环境中也能工作，并对基于RRT* 的算法进行了改进，从而加快了计算时间并降低了最终路径成本。我们的改进RRT* 算法发现，在95%的情况下，在不到0.15秒的平行停车机动的路径。
2020-02-11 cs.RO
Model Predictive Control for Autonomous Driving Based on Time Scaled Collision Cone
IIIT-Hyderabad（印度国际信息技术研究所海得拉巴分校）；Tampere University of Technology（坦佩雷理工大学）；Mathworks Inc.（Mathworks公司）
本文提出了一种基于路径速度分解范式的自动驾驶模型预测控制框架。基于MPC的优化具有两层结构，其中首先，为车辆计算适当的路径，然后计算沿其的最佳前进速度。所提出的路径速度分解的性质允许优化的两层之间的无缝兼容性。所提出的工作的一个关键特征是，它卸载的碰撞避免的速度优化层的计算效率的配方可以推导出的大部分责任。特别是，我们扩展了我们以前开发的时间尺度碰撞锥（TSCC）约束的概念，并制定了前向速度优化层作为一个凸二次规划问题。我们对自动驾驶场景进行验证，其中提出的MPC以滚动时域的方式重复求解两个优化层，以计算多个动态障碍物之间的车道变换，超车和合并机动。
2018-03-07 cs.RO
Improving Rapidly-exploring Random Trees algorithm for Automated Parking in Real-world Scenarios
本文提出两阶段规划算法，结合几何规划器与改进RRT，在真实场景中实现自动泊车，使路径成本降低21%、计算时间缩短79.5%，并通过保时捷Cayenne实车实验验证。
2025-08-26 cs.RO
Nonlinear Model Predictive Control with Obstacle Avoidance Constraints for Autonomous Navigation in a Canal Environment
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对运河狭窄环境下小型巡航船的自主导航需求，提出带避障约束的非线性模型预测控制方法，通过系统辨识适配船舶动力学，结合LiDAR点云构建避障约束，经浦项运河实地实验验证了有效性。
2023-07-19 cs.RO
Full-Body Torque-Level Non-linear Model Predictive Control for Aerial Manipulation
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学工业机器人与信息技术研究所）；NASA-Jet Propulsion Laboratory, California Institute of Technology（美国国家航空航天局喷气推进实验室，加州理工学院）
本文针对无人机操作臂（UAMs）应用全身力矩级非线性模型预测控制（nMPC），详细解析了最优控制问题（OCP）的构建，开发并对比了Weighted MPC、Rail MPC和Carrot MPC三种控制器，通过多种仿真验证了其有效性并开源了代码。
2023-07-27 cs.RO
Robust Helicopter Ship Deck Landing With Guaranteed Timing Using Shrinking-Horizon Model Predictive Control
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Leuphana University of Lueneburg（吕讷堡莱普哈纳大学）
本文提出了一种基于SHMPC的高效算法，实现鲁棒直升机在移动舰船甲板上的着陆，确保时间约束和高精度着陆性能。
2026-02-26 cs.RO cs.SY eess.SY
Robust Maneuver Planning With Scalable Prediction Horizons: A Move Blocking Approach
Institute of Flight Systems, German Aerospace Center (DLR)（德国航空航天中心飞行系统研究所）；Institute for Production Technology and Systems, Leuphana University of Lueneburg（吕讷堡勒法纳大学生产技术与系统研究所）
针对计算资源有限硬件上长距离机动MPC难以部署的问题，提出基于移动阻塞的管域收缩时域MPC及约束削减方法，可在轨迹成本小幅增加的前提下将计算时间降低一个数量级，支持长预测时域的鲁棒机动规划。
2024-08-15 cs.RO cs.SY eess.SY
Model Predictive Control for Autonomous Driving considering Actuator Dynamics
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）；Tampere University of technology（坦佩雷理工大学）
在本文中，我们提出了一种新的模型预测控制（MPC）制定的自动驾驶。我们的MPC的新颖性源于以下结果。首先，我们采用交替最小化的方法，其中线速度和角加速度交替优化。我们表明，在对比的联合优化，交替最小化更好地利用问题的结构，这反过来又转化为减少计算时间。其次，我们的MPC明确纳入了时间相关的非线性致动器动态捕捉车辆的瞬态响应给定的命令速度。这种增加的复杂性提高了预测组件的MPC，从而提高了裕度的车辆间的距离在操纵，如超车，换道等，虽然，过去的作品也纳入了致动器的动态MPC，有很少的尝试耦合致动器的动态碰撞避免约束通过非完整运动模型的车辆和分析所产生的行为。我们使用一个高保真度的模拟器来基准我们的致动器动态增强MPC与其他相关的方法，如车辆间的距离，轨迹平滑度，速度过冲的指标。
2018-10-12 cs.RO
Learning Reliable Parking Policies via Offline Reinforcement Learning with Quantized Action Representations
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对城市泊车中杂乱空间与交互不确定性，提出航路点级离线强化学习框架，结合量化动作令牌与保守Q学习，在CARLA中实现最高成功率并可靠泛化。
2026-09-18 cs.RO
Model Predictive Path Integral Docking of Fully Actuated Surface Vessel
Indian Institute of Technology Madras（马德拉斯印度理工学院）
针对水面船舶自主靠泊难题，提出融合MPPI概率轨迹优化、多目标代价函数与实时LiDAR船坞检测的控制框架，并在高保真物理仿真中验证其安全性、精度与平稳性。
2025-01-16 cs.RO
ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots
University of California, Berkeley（加州大学伯克利分校）；Chalmers University of Technology（查尔姆斯理工大学）；Zenuity AB
我们调查的问题，预测驾驶员的行为在停车场，这是一个环境，结构比典型的道路网络和功能复杂，互动的机动车在一个紧凑的空间。使用CARLA模拟器，我们开发了一个停车场环境，并收集了人类停车操作的数据集。然后，我们通过将多模态长短期记忆（LSTM）预测模型和卷积神经网络LSTM（CNN-LSTM）与基于物理的扩展卡尔曼滤波器（EKF）基线进行比较，研究了模型复杂性和特征信息的影响。我们的研究结果表明：1）可以很好地估计意图（LSTM和CNN-LSTM模型的前1准确率约为85%，前3准确率接近100%）; 2）人类驾驶员打算停车位的知识对预测停车轨迹有重大影响; 3）环境的语义表示改善了长期预测。
2020-04-21 cs.AI cs.LG cs.RO
Real-Time Model Predictive Control of Vehicles with Convex-Polygon-Aware Collision Avoidance in Tight Spaces
Department of Mechanical Systems Engineering（机械系统工程系）；Nagoya University（名古屋大学）
本文针对狭窄空间车辆避障问题，提出将多边形近似融入MPC框架，并通过SVM和MSDE两种方法将析取约束转化为合取约束，实现实时且精确的避障运动规划。
2025-05-08 cs.RO
Safe, Deterministic Trajectory Planning for Unstructured and Partially Occluded Environments
DENSO Automotive Deutschland GmbH（电装德国汽车有限公司）；Carl von Ossietzky University（卡尔·冯·奥西茨基大学）
确保自动驾驶汽车在不受管制的交通区域的安全行为对该行业构成了复杂的挑战。这是一个开放的问题，提供可扩展的和可认证的解决方案，这一挑战。我们推导出一个基于模型预测控制的轨迹规划器，它与基于元胞自动机的行人安全监测系统进行互操作。结合规划监控系统的例子，一个狭窄的室内停车场环境。该系统具有确定性行为，减轻了黑盒的不可预测风险，并提供了完全的可认证性。通过使用基本的和保守的行人预测模型，监测器能够确定一个安全的可驾驶区域中的部分闭塞和非结构化的停车环境。该信息被馈送到轨迹规划器，该轨迹规划器通过约束优化来确保车辆在任何时间保持在安全可驾驶区域中。我们展示了该方法如何解决停车场紧张情况下的许多情况。即使采用保守的预测模型，评估表明，一个性能良好的系统进行测试的低速导航。
2021-09-30 cs.RO cs.SY eess.SY
Automated Parking Trajectory Generation Using Deep Reinforcement Learning
本文提出基于SAC算法的深度强化学习框架，将自动泊车建模为MDP并融合多传感器输入，实现连续动作空间下的细粒度车辆控制，仿真显示其在成功率、机动时间及动态避障上优于传统方法。
2025-04-29 cs.RO
CoPark: Learning Reactive Parking via Self-Play
Department of Computer Science, University of Freiburg（弗赖堡大学计算机科学系）；CARIAD SE（CARIAD SE公司）；Technical University of Munich（慕尼黑技术大学）
提出CoPark，一种基于残差策略的多智能体自我对弈强化学习方法，通过固定先验与残差头结合，在反应式泊车中实现高精度与安全交互的平衡，显著优于基线方法。
2026-10-15 cs.RO
Switching Sampling Space of Model Predictive Path-Integral Controller to Balance Efficiency and Safety in 4WIDS Vehicle Navigation
Nagoya University（名古屋大学）
针对4WIDS车辆导航解空间维度高、最优指令求解难的问题，提出可切换MPPI采样空间的导航架构，通过降维采样与实时空间切换，实现导航效率与安全性的平衡，仿真验证了方法的有效性。
2024-09-13 cs.RO
Signal Temporal Logic-Guided Model Predictive Control for Robust Bipedal Locomotion Resilient to Runtime External Perturbations
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种基于信号时序逻辑引导的模型预测控制框架，通过编码任务规范生成具有形式化保证的最优控制序列，有效解决双足机器人在不可预见外部扰动下的恢复与运动稳定性问题。
2023-10-17 cs.RO
Spatio-Temporal Lattice Planning Using Optimal Motion Primitives
University of Waterloo（滑铁卢大学）
本文将任意格上的最小t-张成运动基元选择建模为混合整数线性规划，并结合基于A*的规划与振荡消除算法，在停车场和高速场景验证了自动驾驶效果。
2023-07-17 cs.RO
Dynamic Objective MPC for Motion Planning of Seamless Docking Maneuvers
提出一种统一MPCC与笛卡尔MPC的动态目标MPC方法，通过动态权重分配实现路径跟随与高精度定位的无缝切换，从而生成更平滑、更高效的对接轨迹。
2025-04-04 cs.RO cs.SY eess.SY
Trajectory Planning for an Articulated Commercial Vehicle using Model Predictive Contouring Control
Department of Mechanical Engineering, Eindhoven University of Technology（埃因霍温理工大学机械工程系）；Safety & Driver Controls Group, Vehicle Development, DAF Trucks N.V.（DAF卡车公司安全与驾驶控制组）
本文提出了一种基于模型预测轮廓控制的 articulated 商用车轨迹规划方法，通过引入场景依赖的锚点权重和道路边界约束，解决了 articulated 商用车在正反向行驶中的导航问题。
2026-04-27 cs.RO
Model Predictive Spherical Image-Based Visual Servoing On $SO(3)$ for Aggressive Aerial Tracking
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Shanghai Jiao Tong University（上海交通大学）
提出了一种基于图像的四旋翼飞行器主动空中跟踪视觉伺服控制方法。使用IBVS操纵欠驱动车辆有三个主要挑战：（i）找到对大旋转鲁棒并且适合作为优化变量的视觉特征表示;（ii）在不牺牲机器人敏捷性的情况下保持目标可见;以及（iii）补偿检测到的特征中的旋转效应。我们提出了一个完整的设计框架来解决这些问题。首先，我们采用一个旋转$SO(3)$上表示一个球形图像特征的$S^{2}$获得奇异性和二阶可微的属性。为了确保目标的可见性，我们制定的IBVS作为一个非线性模型预测控制（NMPC）的问题，考虑到三个约束：机器人的物理限制，目标的可见性，碰撞时间（TTC）。此外，我们提出了一种新的姿态补偿方案，使制定的可见性约束在实际的图像平面，而不是一个虚拟的固定方向的图像平面。它保证可见性约束在大旋转下有效。大量的实验结果表明，我们的方法可以跟踪一个快速移动的目标稳定和积极的帮助下，定位系统。
2022-12-19 cs.RO
Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
Rutgers University（罗格斯大学）；Yale University（耶鲁大学）
针对张拉整体机器人接触丰富动力学建模难的问题，提出结合接触感知GNN动力学模型与混合MPPI控制器的导航方法，在复杂环境中显著提升预测精度与导航性能。
2026-09-09 cs.RO
Data-Efficient Model Learning for Control with Jacobian-Regularized Dynamic-Mode Decomposition}
Carnegie Mellon University（卡内基梅隆大学）
提出了一种用于模型预测控制（MPC）的数据高效学习算法。我们的方法，雅可比正则化动态模式分解（JDMD），提供了改进的样本效率比传统的Koopman方法的基础上动态模式分解（DMD），利用雅可比信息从一个近似的先验模型的系统，并提高跟踪性能比传统的基于模型的MPC。我们展示了JDMD的能力，快速学习双线性Koopman动态表示在几个现实的例子在模拟中，包括栖息机动的固定翼飞机与经验得出的高保真物理模型。在所有情况下，我们表明，学习的模型JDMD提供优越的跟踪和泛化性能的模型预测控制框架内，即使在存在显着的模型不匹配，相比近似先验模型和模型学习标准的扩展DMD（EDMD）。
2023-01-28 cs.RO
Online Motion Planning based on Nonlinear Model Predictive Control with Non-Euclidean Rotation Groups
TU Dortmund University（多特蒙德工业大学）
提出了一种基于非线性模型预测控制的机器人在线运动规划方法。常见的方法依赖于纯欧几里德优化参数。然而，在机器人导航中，状态空间通常包括跨越非欧几里德旋转组的旋转分量。所提出的方法适用于非线性增量和差分算子在整个优化方案，明确考虑这些群体。实现包括但不限于二次型和时间最优目标。一个复杂的停车场景的运动自行车模型证明了该方法的有效性和实际意义。在更简单的机器人（例如差动驱动）的情况下，在层次规划设置中的比较分析揭示了可比的计算时间和性能。该方法可在模块化和高度可配置的开源C++软件框架中使用。
2020-06-05 cs.RO cs.SY eess.SY
Hierarchical Adaptive Motion Planning with Nonlinear Model Predictive Control for Safety-Critical Collaborative Loco-Manipulation
提出一种基于非线性模型预测控制和控制障碍函数的四足机器人团队分层协同移动操作控制系统，实现复杂动态环境下的安全自适应规划与操作，并通过仿真和硬件实验验证。
2024-11-16 cs.RO
Design and Control of the "QuadBoat": A Quadruped Surface Vehicle for Drowning Rescue
Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳社会人工智能与机器人研究所）；The Chinese University of Hong Kong, Shenzhen (CUHK-Shenzhen)（香港中文大学（深圳））；Stevens Institute of Technology（史蒂文斯理工学院）
研究针对水面救援中快速捞出受害者的问题，提出QuadBoat四足水面机器人，通过逆运动学及级联控制实现精确追踪找回物体，经机动性、跟踪等实验验证其高敏捷性、精度及系统机动性，视觉实验进一步验证其救援有效性。
2026-07-16 cs.RO
Wheel-loader V-Cycle Automation with Deep Koopman MPC
University of California, Davis（加州大学戴维斯分校）
本文提出一种结合几何规划与数据驱动深度Koopman MPC的分层框架，实现轮式装载机V型循环作业的实时自主控制，并在高保真仿真中验证了准确性与高效性。
2026-09-23 cs.RO cs.SY eess.SY
Lateral Velocity Model for Vehicle Parking Applications
Institute for Intelligent Systems, Esslingen University of Applied Sciences, Germany（智能系统研究所，埃森灵应用科学大学，德国）；Mercedes-Benz AG, Germany（梅赛德斯-奔驰集团，德国）
针对消费级车辆自动泊车时侧向速度估计难的问题，通过分析真实泊车数据揭示零侧滑模型的系统性偏差，提出仅依赖两参数的侧向速度模型，有效提升了低速泊车场景下的侧向动力学估计精度。
2025-11-03 cs.RO
