T* : A Heuristic Search Based Algorithm for Motion Planning with Temporal Goals
NetApp India（NetApp印度公司）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；SAP India（SAP印度公司）
运动规划是自主移动机器人应用开发中需要解决的核心问题。基本的运动规划问题涉及为机器人生成用于点到点导航的轨迹，同时避开障碍物。基于启发式的搜索算法，如A* 已被证明是非常有效的解决这样的规划问题。最近，已经有越来越多的兴趣，在指定复杂的运动计划，使用时间逻辑。在最先进的算法中，时间逻辑运动规划问题减少到一个图搜索问题和Dijkstra的最短路径算法用于计算满足规格的最优轨迹。A* 算法在使用适当的启发式算法时，可以有效地生成图中的最优路径。在时序逻辑路径规划中使用A* 算法的主要挑战是没有机器人的单一目的地状态的概念。在这篇论文中，我们提出了一种新的运动规划算法T*，它使用了时间逻辑路径规划\emph{opportunistically}中的A* 搜索过程来生成满足时间逻辑查询的最优轨迹。我们的实验结果表明，T* 实现了一个数量级的改进，比国家的最先进的算法，以解决许多时间逻辑运动规划问题。
2019-10-02 cs.RO
Temporal Logic Motion Planning with Convex Optimization via Graphs of Convex Sets
University of Notre Dame（圣母大学）
本文将LTL运动规划建模为GCS最短路径并用凸优化求解，以连续贝塞尔曲线实现多项式复杂度、可靠性与概率完备性，并扩展至30自由度人形机器人。
2023-06-01 cs.FL cs.RO cs.SY
Perception-Based Temporal Logic Planning in Uncertain Semantic Maps
University of Pennsylvania（宾夕法尼亚大学）
本文研究了部分语义未知环境中的多机器人规划问题。假设环境具有已知的几何结构（例如，墙壁），并且由具有不确定位置和类别的静态标记地标占据。这种建模方法产生了一个不确定的语义SLAM算法生成的语义地图。我们的目标是设计控制策略的机器人配备了嘈杂的感知系统，使他们能够完成全球时序逻辑规范捕获的协作任务。为了指定任务，占环境和感知的不确定性，我们采用了一个片段的线性时序逻辑（LTL），称为共同安全的LTL，定义基于感知的原子谓词建模概率满足要求。基于感知的LTL规划问题产生了一个最优控制问题，解决了一种新的基于采样的算法，生成开环控制策略，在线更新，以适应不断学习的语义地图。我们提供了大量的实验来证明所提出的规划架构的效率。
2022-01-13 cs.RO
When Automata Meet Streams: Temporal Logic Compilation for Stream-Based Robotics Task and Motion Planning
该研究提出SAM-TD方法，将LTL_f约束编译为自动机并嵌入动作模式，实现基于流的TAMP对动态生成对象的时态约束处理，在机器人环境中验证了其可行性与竞争力。
2026-08-21 cs.FL cs.RO
Sampling-Based Temporal Logic Path Planning
Boston University（波士顿大学）
在本文中，我们提出了一个基于采样的运动规划算法，找到一个无限的路径满足线性时序逻辑（LTL）公式在一组属性满足某些地区在给定的环境。该算法有三个主要特点。首先，它是增量的，在这个意义上，用于在每次迭代中找到满意路径的过程仅与在该迭代中生成的新样本的数量成比例。其次，底层图是稀疏的，这保证了整个方法的低复杂度。第三，它在概率上是完备的。包括说明的有用性和性能的方法的例子。
2013-07-27 cs.RO
Timed Automata Approach for Motion Planning Using Metric Interval Temporal Logic
本文研究在给定时间约束的高层规范下机器人运动规划问题，采用度量区间时序逻辑表示任务规范，并构造时序自动机以生成可行的运动路径序列。
2016-03-29 cs.LO cs.RO cs.SY
Reactive Task and Motion Planning under Temporal Logic Specifications
Korea Advanced Institute of Science and Technology（韩国科学技术院）
我们提出了一个任务和运动规划（TAMP）算法对人类操作员的合作或对抗性干预鲁棒。干预措施通常会使当前的计划无效，并需要在飞行中重新计划。重新规划可能在计算上是昂贵的，并且经常中断无缝的任务执行。我们介绍了一种动态可重构的规划方法与基于行为树的控制策略对反应TAMP，它利用了以前的计划和增量图搜索在基于时序逻辑的反应合成。我们的算法还显示了高效的恢复功能，可以最大限度地减少重新规划步骤的数量。最后，我们的算法产生一个强大的，高效的，完整的TAMP解决方案。我们的实验结果表明，该算法在模拟和现实世界的任务中具有优异的操作性能。
2021-03-26 cs.RO
Intelligent Singularity Avoidance in UR10 Robotic Arm Path Planning Using Hybrid Fuzzy Logic and Reinforcement Learning
National Center for High-Performance Computing（国家高速网络与计算中心）
本文提出一种结合模糊逻辑与强化学习的UR10机械臂路径规划方法，通过实时检测和规避奇异点，实现高成功率的路径规划。
2026-01-09 cs.AI cs.RO
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China（中国科学技术大学）
本文提出逻辑引导层（LGL），通过场景推理与RSS模型，在高速公路自动驾驶中平衡安全、效率与用户偏好，实现形式化安全保证。
2024-05-22 cs.LO cs.RO
Temporal logics and formal synthesis for robot planning and control
KTH Royal Institute of Technology（皇家理工学院）
本文介绍线性时间逻辑和信号时间逻辑作为机器人行为的规范语言，并讨论从离散图/游戏到采样运动规划、轨迹优化和控制证书的形式化综合方法，最后指出实际部署中的挑战。
2026-06-23 cs.RO
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑，通过多模式串联实现名义无损喷雾，并与Boustrophedon路径规划下的反应式开关逻辑对比，分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Physics-based Motion Planning with Temporal Logic Specifications
Institute of Industrial and Control Engineering (IOC), Universitat Politècnica de Catalunya (UPC) – Barcelona Tech（加泰罗尼亚理工大学工业与控制工程研究所）
当今机器人技术的主要焦点之一是为机器人提供高度的自主性。在这个方向上的一个基本步骤是让他们能够在离散和连续的空间中进行规划，以找到完成复杂任务所需的运动。在这条线上，最近的一些方法描述的任务与线性时序逻辑（LTL）和离散动作的原因，以指导基于采样的运动规划，目的是找到动态可行的运动，满足时序逻辑任务规范。本论文提出了一种LTL规划方法，一方面，使用本体来描述和推理的任务，增强，并包括基于物理的运动规划，以允许有目的地操纵的对象，另一方面。该建议已被实施，并说明了教学的例子与移动机器人在简单的情况下，一些目标被占用的对象，必须被删除，以完成任务。
2017-10-01 cs.RO
BP-RRT: Barrier Pair Synthesis for Temporal Logic Motion Planning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
对于一个非线性系统（如机器人），其连续的状态空间轨迹约束的线性时序逻辑规范，一个低级别的控制器的任务执行的合成往往会导致一个非凸优化问题。我们设计了一种新的算法来解决这种类型的非凸问题，制定了一个快速探索的随机树的障碍对，每个障碍对组成的二次障碍函数和一个完整的状态反馈控制器。该方法采用快速搜索的随机树来处理非凸约束，并使用障碍对来满足局部凸约束。因此，该方法解决了满足自动机所需的转换，以满足给定的线性时序逻辑约束的控制问题。在同一时间，它合成局部最优控制器，以过渡的区域之间对应的字母表的自动机。我们证明了这种新的算法上的两个联动机械手机器人的模拟。
2020-09-05 cs.RO math.OC
Logically Constrained Robotics Transformers for Enhanced Perception-Action Planning
Carnegie Mellon University（卡内基梅隆大学）；Scaled Foundations
本文提出将信号时序逻辑规范融入自回归 Transformer 轨迹规划的新方法，并构建预训练数据集，使规范满足率较基线提升 74.3%。
2024-08-09 cs.AI cs.RO
RHH-LGP: Receding Horizon And Heuristics-Based Logic-Geometric Programming For Task And Motion Planning
TU Berlin（柏林工业大学）；International Max Planck Research School for Intelligent Systems（马克斯·普朗克智能系统国际研究学院）；Bilkent University（比尔肯特大学）
机器人操作的顺序决策和运动规划会导致组合复杂性。对于长期任务，特别是当环境包括许多可以交互的对象时，规划效率变得更加重要。为了规划这种长时间任务，我们提出了RHH-LGP算法的组合任务和运动规划（TAMP）。首先，我们提出了一个TAMP方法（基于逻辑几何规划），有效地使用基于几何的算法来解决长期操作任务。该规划器的效率，然后进一步提高了滚动时域制定，从而在RHH-LGP。我们证明了我们的方法的鲁棒性和有效性，在各种各样的长期任务，需要推理与大量的对象的相互作用。使用我们的框架，我们可以解决的任务，需要多个机器人，包括移动机器人和蛇形步行机器人，形成新的异构运动学结构自主。通过结合基于几何的规划与迭代规划，我们的方法带来了一个数量级的减少规划时间在所有调查的问题。
2022-03-06 cs.RO
Towards Tighter Convex Relaxation of Mixed-Integer Programs: Leveraging Logic Network Flow for Task and Motion Planning
George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology, USA（乔治亚理工学院机械工程学院）；Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, USA（乔治亚理工学院工业与系统工程学院）
本文提出逻辑网络流框架，将时序逻辑集成到混合整数规划中，通过改进的傅里叶-莫茨金消元实现更紧的凸松弛，在多类机器人任务中大幅提升计算速度并降低内存消耗，硬件验证了实时重规划能力。
2026-08-13 cs.RO cs.SY eess.SY
Belief Space Planning for Risk Signal Temporal Logic via Mixed-Integer Convex Programming
KTH Royal Institute of Technology（瑞典皇家理工学院）；Digital Futures（数字未来机构）
本文针对高斯信念空间中的风险信号时序逻辑（RiSTL）规划问题，提出一种混合整数凸规划（MICP）方法，证明其可靠完备且保留全局最优轨迹，并通过数值模拟验证了方法有效性。
2026-10-14 cs.RO
LTLCodeGen: Code Generation of Syntactically Correct Temporal Logic for Robot Task Planning
Contextual Robotics Institute, University of California San Diego（情境机器人研究所，加州大学圣地亚哥分校）
本文提出LTLCodeGen，利用代码生成将自然语言指令翻译为语法正确的线性时序逻辑公式，结合语义占用地图实现机器人导航任务规划，并在模拟和真实实验中验证其有效性。
2025-08-06 cs.RO
DT*: Temporal Logic Path Planning in a Dynamic Environment
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
机器人路径规划是机器人领域的主要问题之一。当一个机器人被赋予一个任务的形式的线性时序逻辑（LTL）规范，这样的任务需要重复执行，我们希望机器人遵循最短的循环路径，使机器人在给定的时间内完成任务的次数得到最大化。在本文中，我们解决的LTL路径规划问题在动态环境中，新到达的动态障碍物可能会使一些可用的路径在任何任意时间点。我们提出了DT*，基于SMT的滚动时域规划策略，该策略根据工作空间的当前状态重复解决优化问题，以引导机器人在当前情况下遵循最佳可用路径。我们实现了我们的算法使用Z3 SMT求解器，并广泛评估LTL规范捕获在仓库环境中的拾取和放置应用程序。我们比较我们的SMT为基础的算法与两个精心制作的贪心算法。实验结果表明，该算法能有效地处理线性空间路径规划中工作空间的动态性。
2021-03-04 cs.RO
Accelerating Signal-Temporal-Logic-Based Task and Motion Planning of Bipedal Navigation using Benders Decomposition
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）
针对双足导航中信号时序逻辑约束下任务与运动规划的NP难及非凸约束加剧的计算复杂度问题，提出基于Benders分解的迭代割平面方法，将问题划分为主问题与子问题，实验证明其规划速度快于其他算法。
2025-08-20 cs.RO
D-LGP: Dynamic Logic-Geometric Program for Reactive Task and Motion Planning
Idiap Research Institute（Idiap研究所）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
针对组合任务与运动规划（TAMP）计算负担重、难以在线重规划的问题，提出集成动态树搜索与全局优化的D-LGP方法，在三个基准上表现优于现有技术，并具备应对现实世界不确定性的反应能力。
2024-04-29 cs.RO
Motion Planning Under Temporal Logic Specifications In Semantically Unknown Environments
Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）
本文针对语义标签概率未知的环境，提出一种基于乘积自动机与值迭代在线重规划的自动机理论方法，用于实现scLTL时空逻辑任务，并通过理论与实验验证其有效性。
2025-11-05 cs.RO
Safe Planning through Incremental Decomposition of Signal Temporal Logic Specifications
Carnegie Mellon University（卡内基梅隆大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出通过时间分解信号时态逻辑规范为可达性和不变性约束并顺序调度，以提升轨迹规划效率，在线性和非线性系统上优于现有方法。
2024-03-19 cs.LO cs.RO cs.SY
Bridging Perception and Planning: Towards End-to-End Planning for Signal Temporal Logic Tasks
School of Automation & Intelligent Sensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学）；University of Minnesota, Twin Cities（明尼苏达大学，双城分校）；School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学）
本文提出了一种端到端的STL规划器，通过结构感知的混合专家模型，实现对信号时序逻辑任务的高效规划与执行。
2026-03-01 cs.RO cs.SY eess.SY
Resilient Temporal Logic Planning in the Presence of Robot Failures
Washington University at St. Louis（圣路易斯华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）
针对移动机器人团队现有LTL任务规划路径无法应对机器人能力意外故障的问题，提出一种弹性规划算法，通过基于机器人当前可用技能重分配子任务且最小化对现有运动计划的干扰来适配故障，经实验和理论验证兼具效率与弹性。
2023-10-02 cs.RO
Motion and Cooperative Transportation Planning for Multi-Agent Systems under Temporal Logic Formulas
KTH Center for Autonomous Systems（KTH 自主系统中心）
本文提出一种混合控制框架，用于在高阶目标表达为线性时序逻辑（LTL）公式的情况下，多智能体系统的运动规划。设计控制协议以实现智能体在预定义兴趣区域间的过渡及协作运输物体。通过抽象智能体与物体的耦合行为为有限状态转移系统，设计满足智能体和物体规格的高层多智能体计划。
2018-03-05 cs.RO cs.SY eess.SY
Probabilistic Framework for Constrained Manipulations and Task and Motion Planning under Uncertainty
University Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
逻辑几何规划（Logic-Geometric Programming，LGP）是一种功能强大的运动和操纵规划框架，它使用描述问题离散方面的逻辑规则来表示分层结构，例如，触摸、抓握、击打或推动，并求解所得到的平滑轨迹优化。逻辑的表达能力允许LGP处理复杂的，大规模的顺序操作和工具使用规划问题。在本文中，我们将LGP公式推广到随机域。基于控制推理的对偶性，我们解释LGP在随机域拟合高斯混合后验路径分布，其中每个逻辑配置文件定义一个单一的高斯路径分布。该框架使机器人能够优先考虑各种交互模式，并获得有趣的行为，如接触开发的不确定性减少，最终提供一个复合控制方案，是反应的干扰。补充视频可以在https://youtu.be/CEaJdVlSZyo上找到
2020-03-09 cs.RO
Multi-agent Motion Planning from Signal Temporal Logic Specifications
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Massachusetts Institute of Technology（麻省理工学院）
我们解决了具有挑战性的问题，多智能体合作运动规划的复杂任务，使用信号时序逻辑（STL），机器人可以有非线性和非完整动力学。多智能体运动规划中的现有方法，特别是基于离散抽象和模型预测控制（MPC）的那些方法，在任务的复杂性、工作空间的大小和规划范围方面遭受有限的可扩展性。针对这一问题，提出了一种基于{ \em定时航路点\/}的方法。我们发现，定时路点可以帮助抽象的非线性行为的系统作为安全信封周围的参考路径定义的这些路点。然后搜索满足STL规范的航路点可以归纳编码为一个混合整数线性规划。智能体按照合成的定时航路点自动分配任务，并保证满足STL规范，同时避免冲突。我们评估的算法在各种各样的基准。结果表明，它支持多智能体规划从复杂的规格在长期的规划视野，并显着优于国家的最先进的抽象为基础的和基于MPC的运动规划方法。该实现可在https://github.com/sundw2014/STLPlanning上获得。
2022-01-13 cs.MA cs.RO cs.SY
Co-learning Planning and Control Policies Constrained by Differentiable Logic Specifications
Purdue University（普渡大学）
本文提出协同学习规划与控制策略的强化学习方法，以可微逻辑规范约束高维机器人导航，降低样本复杂度并实现长时域路径生成与策略对齐。
2023-10-02 cs.LG cs.RO cs.SY
Attraction-Based Receding Horizon Path Planning with Temporal Logic Constraints
Masaryk University（马萨里克大学）
在本文中，我们的目标是规划一个机器人在分区环境中的运动动态变化，本地感知奖励。我们假设可以给出关于奖励动态的任意假设。该机器人的目标是完成一个高层次的时序逻辑监视任务，并在访问区域的奖励收集本地优化。这两个目标往往相互冲突，只有在两者之间达成妥协。我们通过考虑用户定义的偏好函数来解决这个问题，该函数捕获了收集高奖励的重要性和对调查区域取得进展的重要性之间的权衡。我们的解决方案利用了基于自动机的方法来进行模型检验的想法。我们展示了利用和建议的框架中的一个说明性的例子的好处。
2012-08-29 cs.RO
Scalable Integrated Task and Motion Planning from Signal Temporal Logic Specifications
University of Notre Dame（圣母大学）
本文提出了一种可扩展且可证明完整的算法，直接合成连续轨迹以满足非凸的信号时序逻辑规范，通过分离离散任务规划和连续运动规划，并利用高效的求解器找到高维系统中满足非凸STL规范的动态可行轨迹。
2018-10-20 cs.RO cs.SY eess.SY
Sampling-based path planning under temporal logic constraints with real-time adaptation
Chinese University of Hong Kong（香港中文大学）
在机器人在线执行过程中，时态逻辑任务的重新规划是非常困难的。这项研究介绍了一个有效的路径规划，计算时间逻辑目标的解决方案，并立即适应非静态和部分未知的环境。给定先验知识和任务规范，规划器首先通过增长基于采样的搜索树来识别初始可行解。在执行计算计划的同时，机器人维护一个解决方案库，以不断增强计划的未完成部分并存储备份计划。当遇到意想不到的障碍或认识到先验知识中的缺陷时，计划者会更新现有的计划。在获得高级路径后，轨迹生成器通过将其划分为运动基元的段来跟踪路径。我们的规划集成到一个自主移动机器人系统，进一步部署在多旋翼机有限的板载处理能力。在模拟和真实世界的实验中，我们的规划器被证明可以快速有效地适应环境的不确定性。
2023-02-22 cs.RO
Optimal Multi-Robot Path Planning with Temporal Logic Constraints
Boston University（波士顿大学）；University of Waterloo（滑铁卢大学）；Massachusetts Institute of Technology（麻省理工学院）
在本文中，我们提出了一种方法，自动规划最佳路径的一组机器人，满足一个共同的高层次的任务规范。每个机器人在环境中的运动被建模为一个加权的过渡系统。任务是作为一个线性时间逻辑公式。此外，优化命题必须反复满足。目标是最小化满足优化命题的实例之间的最大时间。我们的方法是保证计算一组最佳的机器人路径。我们利用时间自动机表示，以捕捉环境中的机器人的相对位置。然后，我们得到一个互模拟的时间自动机作为一个有限的过渡系统，捕获的机器人的联合行为，并应用我们以前的算法为单个机器人的情况下，以优化组运动。我们提出了一个在道路网络环境中的持久性监测任务的模拟。
2011-06-30 cs.RO
Lexicographic Minimum-Violation Motion Planning using Signal Temporal Logic
School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算信息与技术学院）；ZF Friedrichshafen AG（弗赖堡汽车集团）；Institute of System Dynamics, HTWG Konstanz（康斯坦茨HTWG系统动力学研究所）
提出一种将字典序多目标优化转化为单目标标量优化的方法，通过非均匀量化和位移扩展MPPI求解器，并引入结合时空违规的谓词鲁棒性度量，实现可解释且可扩展的字典序STL最小违规运动规划。
2026-08-20 cs.RO
Robust Multi-Robot Optimal Path Planning with Temporal Logic Constraints
Boston University（波士顿大学）；University of Waterloo（滑铁卢大学）；United Technologies Research Center（联合技术研究中心）
在本文中，我们提出了一种方法，自动规划鲁棒最优路径的一组机器人，满足一个共同的高层次的任务规范。每个机器人在环境中的运动被建模为一个加权的过渡系统，任务是作为一个线性时序逻辑（LTL）公式在一组命题满足的区域的环境。此外，优化命题必须反复满足。目标是最小化满足优化命题的实例之间的最大时间，同时确保LTL公式即使在机器人的旅行时间的不确定性是满意的。我们的特点是一类LTL公式是强大的机器人定时误差，我们生成最佳路径，如果没有定时误差存在，我们提出的边界上的偏差从最佳值的存在错误。我们实施和实验评估我们的方法，考虑在道路网络环境中的持久性监测任务。
2012-07-10 cs.RO
T3 Planner: A Self-Correcting LLM Framework for Robotic Motion Planning with Temporal Logic
本文提出 T3 Planner，通过三级级联模块和 STL 验证器让 LLM 自纠正机器人运动计划，显著提升复杂时空逻辑任务的规划可行性，并可蒸馏至 Qwen3-4B 高效部署。
2025-10-19 cs.RO
Signal Temporal Logic Compliant Co-design of Planning and Control
Centre for Cyber-Physical Systems, IISc, Bangalore, India（印度班加罗尔IISc中心）；Technical University Delft（代尔夫特技术大学）
针对自主机器人的STL任务，提出融合规划与控制的无模型协同设计方法，通过强化学习运动基元库与基于采样的STL规划生成可行轨迹，并在差速驱动和四足机器人上验证。
2025-07-25 cs.RO
Autonomous Vehicles Path Planning under Temporal Logic Specifications
AUDI AG（奥迪股份公司）；University of Twente（屯特大学）；Technical University of Munich（慕尼黑工业大学）
本文提出一种基于逻辑的规范机制，解决自动驾驶局部路径规划中实时环境更新与多源复杂要求（避障、交通规则等）的挑战。
2024-10-10 cs.LO cs.RO
H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model
Huawei Noah’s Ark Lab（华为诺亚实验室）；University of Toronto（多伦多大学）；University of British Columbia（不列颠哥伦比亚大学）；McGill University（麦吉尔大学）
H-WM通过结合逻辑和视觉世界模型，实现机器人任务和运动规划中的鲁棒长视界推理与稳定引导。
2026-10-01 cs.RO
MT* : Multi-Robot Path Planning for Temporal Logic Specifications
SAP Labs, India（思爱普实验室（印度））；IIT Kanpur, India（印度坎普尔理工学院）
我们解决的路径规划问题，一队机器人满足一个复杂的高层次的任务规范的形式的线性时序逻辑（LTL）公式。针对此问题的最新方法采用自动机理论的模型检验技术来解决此问题。这种方法涉及计算的产品图的Buchi自动机产生的LTL规范和一个联合过渡系统，它捕获的集体运动的机器人，然后使用Dijkstra的最短路径算法计算的最短路径。我们提出MT*，算法，减少了计算负担，为多机器人系统产生这样的计划显着。我们的方法生成一个简化版本的产品图，而不计算完整的联合过渡系统，这是计算昂贵的。然后，它将完整的任务规范划分给参与的机器人，并独立地生成各个机器人的轨迹。我们的方法在计算时间方面比最先进的方法有很大的加速，与最先进的方法不同，它可以很好地随机器人的数量和工作空间的大小而扩展
2021-03-04 cs.RO
Motion Planning with Metric Temporal Logic Using Reachability Analysis and Hybrid Zonotopes
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出了一种基于可达性分析和混合容积集的运动规划方法，用于满足时间依赖任务需求，展示了其在处理动态环境和多智能体协调方面的优势。
2026-01-30 cs.RO cs.SY eess.SY
Planning and Control of Uncertain Cooperative Mobile Manipulator-Endowed Systems under Temporal-Logic Tasks
KTH Royal Institute of Technology（KTH皇家理工学院）；School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）
多智能体系统的控制和规划是一个活跃的和越来越多的研究课题，有许多实际应用，如救援任务，安全，监视和运输。本论文主要研究多智能体系统在时序逻辑任务下的规划与控制。所考虑的系统涉及复杂的，机器人，机械手赋予系统，可以协调，以执行复杂的任务，包括对象操作/运输。出于现实生活中的场景，我们考虑到高阶动态模型的不确定性和未知的干扰。我们的方法是基于多代理系统，智能控制理论，合作对象操作，多代理对象系统的离散抽象设计，和正式验证等领域的工具的集成。论文的第一部分致力于设计连续控制协议的合作对象的操作/运输由多个机器人代理，刚性合作操作方案的关系，多智能体形成。在论文的第二部分中，我们开发了控制方案的多智能体复杂系统的不确定动态的连续协调，专注于多智能体导航与碰撞规范在障碍物杂乱的环境。论文的第三部分主要研究了多智能体和多智能体对象系统的规划和控制问题，这些系统的复杂任务用时序逻辑公式表示。论文的第四部分也是最后一部分重点讨论了单智能体设置的几个扩展方案，例如定时时间任务下的运动规划和未知系统的渐近参考跟踪，同时尊重漏斗约束。
2023-03-02 cs.RO cs.SY eess.SY
Optimal Path Planning under Temporal Logic Constraints
Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）；Masaryk University（马萨里克大学）
在本文中，我们提出了一种方法，自动生成最佳的机器人轨迹满足高层次的任务规范。机器人在环境中的运动被建模为一般的过渡系统，增强加权过渡。任务由一般线性时序逻辑公式指定。此外，我们要求一个优化命题必须反复满足。我们寻求最小化的成本函数是满足优化命题的实例之间的最大时间。对于每个环境模型和每个公式，我们的方法计算机器人轨迹，使成本函数最小化。这个问题是由机器人监控和数据收集中的应用引起的。在这种情况下，优化命题在数据可以上传的所有位置都得到满足，整个公式指定了一个复杂的（和无限的地平线）数据汇集任务。我们的方法利用Büchi自动机产生一个自动机（它可以被认为是一个图），其运行满足时序逻辑规范。然后，我们提出了一个图形算法，计算出相应的最佳机器人轨迹的路径。我们还提出了一个机器人在道路网络中执行数据收集任务的实现。
2010-07-15 cs.RO
An Abstraction-Free Method for Multi-Robot Temporal Logic Optimal Control Synthesis
Duke University（杜克大学）
大多数现有的线性时序逻辑（LTL）规划方法依赖于一个离散的产品自动机的建设，结合了离散抽象的机器人移动性和B $\ddot{\text{u}}$ chi自动机，捕捉LTL规范。将该产品自动机表示为图，并使用图搜索技术，可以合成满足LTL任务的最优计划。然而，构造表达离散抽象使得合成问题在计算上难以处理。在本文中，我们提出了一个新的采样为基础的LTL规划算法，不需要任何离散抽象的机器人移动。相反，它逐步构建探索产品状态空间的树，直到达到最大迭代次数或找到一个可行的计划。树的使用使数据存储和图搜索易于处理，这显着增加了我们的算法的可扩展性。为了加快可行计划的建设，我们引入偏差的抽样过程中，这是由B $\ddot{\text{u}}$志自动机，属于接受状态的最短路径的过渡。我们表明，我们的规划算法，有偏见和没有偏见，是概率完全和渐近最优。最后，我们提出的数值实验表明，我们的方法优于相关的时序逻辑规划方法。
2021-03-23 cs.RO
Signal Temporal Logic Motion Planning via Graphs of Convex Sets
School of Automation & Intelligent Sensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学）；Institute of Artificial Intelligence, Xiamen University（人工智能研究院，厦门大学）
提出一种结合时间自动机与凸集图的框架，将STL运动规划问题转化为凸集图上的最短路径问题，生成满足STL规范、平滑性和速度约束的贝塞尔样条轨迹。
2026-05-22 cs.RO cs.SY eess.SY
DAG-STL: A Hierarchical Framework for Zero-Shot Trajectory Planning under Signal Temporal Logic Specifications
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（自动化与智能感知学院，上海交通大学，上海，中国）；Institute of Artificial Intelligence, Xiamen University, Xiamen, China（人工智能研究院，厦门大学，厦门，中国）
本文提出DAG-STL框架，通过分解-分配-生成流程实现零样本轨迹规划，结合动态一致性度量和分层在线重规划机制，在复杂任务中表现出色。
2026-04-20 cs.RO cs.SY eess.SY
Neurosymbolic Motion and Task Planning for Linear Temporal Logic Tasks
University of California, Irvine（加州大学欧文分校）
本文提出了一种神经符号框架来解决涉及时间目标的移动机器人运动规划问题。时间目标描述使用时间逻辑公式，如线性时间逻辑（LTL）捕捉复杂的任务。所提出的框架训练基于神经网络（NN）的规划器，这些规划器在应用于看不见的任务时享有强正确性保证，即，在神经网络的训练过程中，机器人的确切任务（包括工作空间、LTL公式和动力学约束）是未知的。我们实现理论保证和计算效率的方法基于两个见解。首先，我们将一个符号模型的NN的训练，从而产生的NN为基础的计划继承的符号模型的可解释性和正确性的保证。此外，符号模型作为一个离散的“记忆”，这是必要的，以满足时序逻辑公式。第二，我们训练一个库的神经网络离线和组合成一个单一的基于神经网络的规划器在运行时，当一个任务被发现。特别是，我们开发了一种新的约束NN训练过程，命名为正式NN训练，强制每个神经网络在图书馆代表一个“符号”的符号模型。因此，我们的神经符号框架享有机器学习的可扩展性和灵活性的好处，并继承了控制理论和形式方法技术的可证明的保证。我们证明了我们的框架在模拟和实际机器人车辆上的有效性，并表明我们的框架可以推广到未知的任务，其中最先进的Meta强化学习技术失败。
2022-10-11 cs.RO cs.SY eess.SY
R-LGP: A Reachability-guided Logic-geometric Programming Framework for Optimal Task and Motion Planning on Mobile Manipulators
University of Oxford（牛津大学）；Oxford Robotics Institute（牛津大学机器人研究所）；Istituto Italiano di Tecnologia（意大利技术研究院）
本文提出 R-LGP 框架，通过基于采样的可达性图融合障碍信息并剪枝不可行动作序列，增强 LGP 以解决高自由度移动机械臂的最优 TAMP 问题。
2024-03-05 cs.RO
Constrained Motion Planning of A Cable-Driven Soft Robot With Compressible Curvature Modeling
The Hong Kong Polytechnic University（香港理工大学）；Soochow University（苏州大学）
具有冗余度的柔体索驱动机器人在完成轨迹跟踪任务的同时，还能满足一些额外的约束条件，如通过末端执行器沿指定方向跟踪，或避免机械手与障碍物的碰撞等。这些约束要求合理规划机器人运动。在这项工作中，我们推导出的可压缩曲率运动学的电缆驱动的软体机器人，考虑到可压缩的软段。研究了软体机器人在约束条件下的轨迹跟踪任务的运动规划问题，包括末端执行器固定姿态和机械手-障碍物碰撞避免。索力的逆解被表示为阻尼最小二乘优化问题，离线迭代计算。通过开源的仿真和原型实验，对轨迹跟踪性能和对约束的服从性进行了评估。该方法可以推广到类似的多段索驱动柔性机器人系统，通过定制的机器人参数的前运动规划的机械手。
2022-01-20 cs.RO
Trajectory Planning with Signal Temporal Logic Costs using Deterministic Path Integral Optimization
ZF Friedrichshafen AG（采埃孚腓德烈斯哈芬股份公司）；HTWG Konstanz（康斯坦茨应用科学大学）；School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
本文提出一种基于 model predictive path integral control 的采样方法，用于高效求解带有 Signal temporal logic (STL) 成本函数的最优控制与轨迹规划问题。
2025-03-03 cs.RO cs.SY eess.SY
MAPS$^2$: Multi-Robot Autonomous Motion Planning under Signal Temporal Logic Specifications
Division of Decision and Control, School of EECS, KTH Royal Institute of Technology, Stockholm, Sweden.（决策与控制系，瑞典皇家理工学院）；Division of Signals and Systems, Department of Electrical Engineering, Uppsala University, Uppsala, Sweden.（信号与系统系，乌普萨拉大学）
MAPS$^2$通过分布式算法实现多机器人在信号时间逻辑规范下的自主运动规划，提供概率保证的任何时间算法，能够迭代优化轨迹并满足STL约束。
2025-12-16 cs.RO
STL-GCS: A Planner-Controller Framework for Signal Temporal Logic via Graphs of Time-varying Convex Sets
提出用于满足凸谓词上STL规范的统一轨迹规划与控制框架，规划层将任务编码为时变凸集，结合GCS框架并由B样条参数化轨迹，控制层据此设计反馈控制器，通过仿真和实际实验验证了该方法。
2026-07-22 cs.RO cs.SY eess.SY
Zero-Shot Trajectory Planning for Signal Temporal Logic Tasks
Department of Automation（自动化系）；Shanghai Jiao Tong University（上海交通大学）；Institute of Artificial Intelligence（人工智能研究院）；Xiamen University（厦门大学）
针对动力学未知系统的STL任务，提出一种分层规划框架，利用任务无关轨迹数据实现零样本泛化，通过分解规范、搜索定时路径点和扩散模型拼接轨迹，保证STL满足性并生成动态可行轨迹。
2025-10-26 cs.AI cs.LG cs.RO
Trust-Aware Motion Planning for Human-Robot Collaboration under Distribution Temporal Logic Specifications
University of Oxford（牛津大学）；University of Virginia（弗吉尼亚大学）
针对人机协作中含人类信任的复杂时序逻辑任务规划难题，提出基于scLDTL的规范方法与改进点基值迭代的最优策略求解算法，经人体实验验证有效。
2023-10-02 cs.RO cs.SY eess.SY
