Search-Based Path Planning Algorithm for Autonomous Parking:Multi-Heuristic Hybrid A*
Zhejiang University（浙江大学）
提出了一种新的自主泊车方法。自主泊车因其便捷性而受到广泛关注，但由于环境复杂，车辆的非完整约束，很难在短时间内获得无碰撞可行路径。针对这一问题，提出了一种新的启发式混合A* 算法（Multi-Heuristic Hybrid A*，MHHA*），该算法综合了启发式A* 算法和混合A* 算法的特点。因此，它可以提供完整性的保证，避免局部最小和次优，并在短时间内产生一个可行的路径。提出了一种基于坐标变换的碰撞检测方法，提高了计算效率。通过仿真实验，将该方法与Hybrid A* 算法进行了性能比较，证明了该方法的优越性。
2022-10-17 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
Neural Motion Planning for Autonomous Parking
Hanyang University（汉阳大学）
本文提出了一种混合运动规划策略，该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法，如A* 和混合A* 被广泛用于路径规划任务，因为他们的能力，以确定可行的路径，即使在复杂的环境中，但是，他们有效率方面的限制。为了克服这些局限性，引入了一种基于神经网络的路径规划算法，即神经混合A*。本文提出了使用条件变分自编码器（CVAE）引导搜索算法，利用CVAE的能力，学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示，并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Speeding Up Path Planning via Reinforcement Learning in MCTS for Automated Parking
本文提出将强化学习集成到蒙特卡洛树搜索中，通过迭代学习状态价值和策略生成器，在自动泊车路径规划中平衡探索与利用，从而在不依赖人类专家数据的情况下加速在线规划并保持质量。
2024-12-31 cs.AI cs.RO
Graph-based Path Planning with Dynamic Obstacle Avoidance for Autonomous Parking
Honda Research Institute (HRI)（本田研究院）；GRASP Lab（GRASP实验室）；University of Pennsylvania（宾夕法尼亚大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California at Riverside（加州大学河滨分校）
本文提出时间索引Hybrid A star算法，将动态障碍物预测融入在线规划框架，在垂直、斜向和平行泊车场景中实现高效安全的动态避障路径规划。
2025-05-07 cs.RO cs.SY eess.SY
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
A bilevel optimal motion planning (BOMP) model with application to autonomous parking
Huazhong University of Science and Technology（华中科技大学）
本文提出一种双层最优运动规划（BOMP）模型，将车辆动力学与无碰撞约束分层处理，并设计基于修正$J_2$-函数的两阶段算法，在自主泊车中实现计算速度提升近两个数量级。
2023-12-01 cs.RO
ParkingTransformer: LLM-Enhanced End-to-End Trajectory Planning for Autonomous Parking
School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院）；School of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院）；College of Transportation, Shandong University of Science and Technology（山东科技大学交通学院）；National University of Defense Technology（国防科技大学）
提出ParkingTransformer框架，利用多视角感知和大语言模型场景理解能力，结合轨迹查询与隐状态特征，直接输出规划轨迹，无需密集BEV表示，通过3D位置编码、固定窗口流机制和粗到细解码策略提升性能，在CARLA和实车实验中验证有效性。
2026-06-17 cs.AI cs.RO
Autonomous Parking by Successive Convexification and Compound State Triggers
Tier IV, Inc.（第四层公司(Tier IV, Inc.)）
在本文中，我们提出了一个算法的最优生成非完整路径规划停车机动与运动汽车模型。我们演示了使用连续凸化算法（SCVX），保证路径的可行性和约束满足，停车的情况。此外，我们制定避障与状态触发的约束，使使用逻辑约束的连续制定的优化问题。本文有助于最佳非完整路径规划文献，通过演示使用SCVX和状态触发约束，允许制定的停车问题作为一个单一的优化问题。该算法可用于在狭窄的停车场环境中规划具有尖点的约束路径。
2020-10-11 cs.RO math.OC
Mirroring the Parking Target: An Optimal-Control-Based Parking Motion Planner with Strengthened Parking Reliability and Faster Parking Completion
Ajou University（明知大学）；Hyperview Mobility (Shanghai) Co.,Ltd.（毫末智行（上海）有限公司）
针对APA系统采用率低的问题，提出一种基于最优控制的泊车运动规划器，通过镜像泊车目标规划轨迹，提升狭窄空间泊车能力、可靠性与效率，实验显示成功率提高40.6%，完成效率提高18.0%，ODD扩展86.1%，平均计算时间74毫秒，适用于实时商业应用。
2025-03-27 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
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
Toward Efficient Physical and Algorithmic Design of Automated Garages
Rutgers, the State University of New Jersey（罗格斯大学，新泽西州立大学）
在大都市地区停车往往是一项耗时的任务，进一步影响交通模式，影响城市景观。减少停车所需的额外空间导致了自动化机械停车系统的发展。与每个岛中有一排或两排车辆的常规车库相比，自动化车库可以有多排车辆堆叠在一起，以支持更高的停车需求。虽然这种多排布局减少了停车空间，但它使停车和检索更加复杂。在这项工作中，我们提出了一个自动化车库设计，支持近100%的停车密度。将多车辆停放和检索问题建模为一类特殊的多机器人路径规划问题，提出了处理自动化车库所有常见操作的相关算法，包括（1）最优算法和近似最优方法，为同时停放/检索找到可行且有效的解决方案，以及（2）一种新的洗牌机制，以重新安排车辆，以便于在高峰时段预定检索。我们进行了全面的模拟研究，表明所提出的方法是有前途的大型和高密度的现实世界的停车场应用。
2023-02-02 cs.RO
A Rapid Iterative Trajectory Planning Method for Automated Parking through Differential Flatness
State Key Laboratory of Industrial Control Technology（工业控制技术国家重点实验室）；Ningbo Innovation Center（宁波创新中心）
针对自动泊车中路径速度分解轨迹规划存在的快速精确避障冲突及换挡点控制可行性不足问题，提出基于微分平坦性的快速迭代方法，通过新颖避障框架和末端平滑约束提升性能，仿真与实车实验验证其优越性与适用性。
2025-08-23 cs.RO cs.SY eess.SY
OCEAN: An Openspace Collision-free Trajectory Planner for Autonomous Parking Based on ADMM
Mach Drive, LLC（马赫驱动有限责任公司）；Hong Kong University of Science and Technology（香港科技大学）
本研究提出基于ADMM的自主泊车开放空间无碰撞轨迹规划器OCEAN，通过热启动、凸对偶重构与并行求解提升效率鲁棒性，经仿真与实场测试验证性能优于现有基准。
2024-03-08 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
Segmented Trajectory Optimization for Autonomous Parking in Unstructured Environments
QCraft Inc.（QCraft公司）
针对非结构化环境下的自主泊车问题，提出一种基于迭代SQP的分段轨迹优化方法，通过构建GJK加速的凸走廊保障安全，在保留高层规划策略的同时提升机动效率，仿真验证了其安全性与实际应用可行性。
2025-09-04 cs.RO
HOPE: A Reinforcement Learning-based Hybrid Policy Path Planner for Diverse Parking Scenarios
Department of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学）；Global Institute of Future Technology, Shanghai Jiao Tong University（未来技术全球研究院，上海交通大学）
针对多样复杂停车场景，提出结合强化学习与Reeds-Shepp曲线的混合策略路径规划器HOPE，通过动作掩码和Transformer提升规划成功率与泛化性，并在真实实验中验证其有效性。
2025-04-20 cs.LG 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
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
A Multi-Heuristic Search-based Motion Planning for Automated Parking
Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）
针对自动泊车在非结构化环境中的实时规划难题，提出双向、混合空间且支持自适应运动基元的 Multi-Heuristic A*，实验表明其相较 Hybrid A* 同时提升计算效率与路径质量。
2023-07-15 cs.AI cs.RO
Well-Connected Set and Its Application to Multi-Robot Path Planning
Rutgers, the State University of New Jersey（罗格斯大学（新泽西州立大学））
研究最大良连通集（LWCS）问题，证明其NP完备性，开发最优与近最优算法，并提出完备的优先规划方法用于多机器人路径规划。
2024-02-19 cs.RO
From Theory to Practice: Advancing Multi-Robot Path Planning Algorithms and Applications
Teng Guo（郭腾）
本研究针对带标记多机器人路径规划问题，提出具备理论保证的Rubik Table方法及面向实际场景的布局优化、非完整约束规划等技术，在理论基准和实际应用验证上均取得进展。
2025-06-11 cs.RO
OCR-RTPS: An OCR-based real-time positioning system for the valet parking
Zongmu Technology（纵目科技）；Technical University of Braunschweig（布伦瑞克工业大学）
在自动驾驶领域中，获取自主车辆的位置信息是进行自动控制和路径规划的重要前提。大多数现有的定位系统依赖于GPS、RTK或无线信号，这些系统难以在弱信号条件下提供有效的定位。本文提出了一种基于停车场场景中唯一的定位标记--停车位号检测的实时的【形】定位系统。它不仅可以在开放区域进行定位，而且可以在隔离环境下独立运行。在公开数据集和自收集数据集上的测试结果表明，该系统在性能上优于其他系统，具有实际应用价值。此外，代码和数据集将在稍后发布。
2022-12-08 cs.CV 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
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
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
Dynamic Curvature Constrained Path Planning
本研究开发并评估了二维空间下的动态曲率约束路径规划算法DCCPPA，通过与RRT、PRM对比验证其性能与适应性，展现了其在多领域实际路径规划问题中的应用潜力。
2024-10-04 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
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
MPC-based Motion Planning for Autonomous Truck-Trailer Maneuvering
KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究院）
复杂环境下自主车辆的时间最优运动规划是一个研究热点。本文描述了一种新的方法来优化和执行本地可行的轨迹的卡车拖车自主移动机器人（AMR）的机动，通过划分的顺序或路线的自由访问重叠走廊的环境。多阶段最优控制通过推进该路径的子集来生成局部轨迹。为了应对子集的提前和环境的变化，在线求解最优控制问题的模型预测控制（MPC）的方式与改进的更新策略的滚动时域。该策略将计算上昂贵的MPC更新与低成本的反馈控制器无缝集成，用于轨迹跟踪、干扰抑制和倒车拖车AMR的不稳定运动学的稳定。这种方法是在一个灵活的软件框架中实现的，可以轻松地从离线模拟过渡到部署实验。一个实验装置展示了卡车拖车AMR执行两个反向停车演习验证了所提出的方法。
2023-02-07 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
Online Coverage Planning for an Autonomous Weed Mowing Robot with Curvature Constraints
University of Minnesota - Twin Cities（明尼苏达大学双城分校）
用于放牧的土地约占美国土地的三分之一。这些地区可能非常崎岖。然而，他们需要保持，以防止杂草接管营养草地。这可能是一项艰巨的任务，特别是在有机农业的情况下，因为不能使用除草剂。在本文中，我们提出了设计的牛机器人，自主除草机器人的牧场。Cowbot是一款电动割草机，设计用于奶牛牧场的崎岖环境，并为有机农场的杂草控制提供了一种具有成本效益的方法。牛机器人的路径规划是具有挑战性的，因为牧场上的杂草分布是未知的。在有限的视野范围内，在线路径规划是必要的，以检测杂草和规划路径割草。研究了具有曲率和视野约束的自动割草机的一般在线路径规划问题。我们开发了两个在线路径规划算法，能够利用新的信息杂草优化路径长度，并确保覆盖。我们部署我们的算法上的Cowbot和进行现场实验，以验证我们的方法的适用性，实时路径规划。我们还进行了广泛的模拟实验，结果表明，我们的算法相比基线boustrophedon和随机搜索的覆盖路径的路径长度减少了60%。
2021-11-19 cs.RO
A Diffusion-Refined Planner with Reinforcement Learning Priors for Confined-Space Parking
本文提出带强化学习先验的扩散优化规划器DRIP，用于解决狭窄空间泊车规划精度不足的问题，在提升狭窄空间泊车规划性能的同时保持常规场景泛化能力。
2026-08-19 cs.RO
FDSPC: Fast and Direct Smooth Path Planning via Continuous Curvature Integration
State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology（智能制造装备与技术国家重点实验室，机械科学与工程学院，华中科技大学）
本文提出FDSPC方法，通过连续曲率积分直接生成恒定速度的全局平滑路径，避免传统路径规划后的平滑后处理，并在求解时间、路径长度、内存占用和自定义平滑性指标上显著优于现有SOTA方法。
2025-08-16 cs.RO
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
Policy Optimization to Learn Adaptive Motion Primitives in Path Planning with Dynamic Obstacles
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；JSC Integrant（JSC Integrant公司）；Federal Research Center for Computer Science and Control RAS（俄罗斯科学院计算机科学与控制联邦研究中心）；AIRI
本文研究了非完整机器人在动态环境中的运动动力学运动规划问题。将问题分解成更小的子问题，并将局部解组合成全局解，是解决这一问题的有效方法之一。任何非完整机器人规划方法的关键是生成运动原语，生成局部规划子问题的解决方案。在这项工作中，我们引入了一种新的学习转向功能（政策），它考虑到机器人的kinodynamic约束和静态和动态障碍。该策略通过策略优化进行有效训练。从经验上讲，我们表明，我们的指导功能推广以及看不见的问题。然后，我们将经过训练的策略插件插入到基于采样和基于网格的规划器中，并在一系列具有挑战性的设置中评估所得到的POLAMP算法（学习自适应运动原语的策略优化），这些设置涉及在障碍物丰富的停车场环境中操作的汽车式机器人。我们表明，POLAMP是能够规划无碰撞的运动动力学轨迹，成功率高于92%，当50个同时移动的障碍物填充的环境表现出更好的性能比国家的最先进的竞争对手。
2022-12-29 cs.RO
Custom Distribution for Sampling-Based Motion Planning
Instituto Politécnico Nacional (IPN)（墨西哥国立理工学院）；Consejo Nacional de Ciencia y Tecnología (CONACYT)（墨西哥国家科学技术委员会）
基于采样的运动规划算法由于在高维空间中非常有效而被广泛应用于机器人领域。然而，成功率和解决方案的质量是由它们的参数，如状态之间的距离，本地规划，和抽样分布的适当选择。对于具有较大配置空间或动态限制的机器人，选择这些参数是一项具有挑战性的任务。本文提出了一种方法，以提高性能的一组最流行的抽样为基础的算法，快速探索随机树（RRT）通过调整采样方法。我们的想法是用一个自定义分布（C-PDF）来代替均匀概率密度函数（U-PDF），该自定义分布是从类似任务中以前成功的查询中学习到的。通过一些样本，我们的方法构建了一个自定义分布，允许RRT增长到有希望的状态，这将导致解决方案。我们在几个自动驾驶任务中测试了我们的方法，例如停车操作，障碍物清除和狭窄通道场景。实验结果表明，该方法在成功率、树密度和计算时间方面均优于原始RRT和几种改进版本。此外，所提出的方法需要相对较小的示例集，不像当前的深度学习技术需要大量的示例。
2022-01-13 cs.RO
Automated Parking Planning with Vision-Based BEV Approach
针对BEV场景下自动泊车规划的实时性与安全性需求，提出融合运动学模型、启发式优化等的改进A*泊车算法，经CARLA-ROS仿真验证，相较传统算法计算更快、舒适性与复杂场景安全性更优。
2024-05-24 cs.AI cs.RO
ParkingE2E: Camera-based End-to-end Parking Network, from Images to Planning
Global Institute of Future Technology, Shanghai Jiao Tong University（上海交通大学全球未来技术研究院）
针对复杂场景下规则泊车算法设计繁琐的问题，提出ParkingE2E，用模仿学习从RGB图像端到端预测路径点，并在真实车库和实车中验证有效性。
2024-08-04 cs.AI cs.CV cs.RO
Efficient optimization-based trajectory planning
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；Chalmers University of Technology（查尔姆斯理工大学）
本文提出统一的基于优化的轨迹规划框架，利用凸集分离与包含约束处理避碰问题，并在自主泊车和弯道超车中验证了其计算效率优势。
2024-07-07 cs.RO
Experience-Based Heuristic Search: Robust Motion Planning with Deep Q-Learning
fortiss GmbH（福蒂斯有限公司）；Technische Universität München（慕尼黑工业大学）
当使用传统的基于搜索或优化的运动规划器时，用于自动驾驶的交互感知规划需要探索组合解空间。通过深度强化学习，也可以为高维问题导出此类问题的最佳驱动策略。然而，这些方法仅在统计意义上保证所得到的策略的最优性，这阻碍了它们在安全关键系统（例如自动驾驶车辆）中的使用。因此，我们提出了基于经验的启发式搜索算法，它克服了基于深度强化学习的规划器的统计失败率，并且仍然从预先学习的最优策略中受益。具体来说，我们展示了如何将深度Q网络形式的经验作为启发式集成到启发式搜索算法中。我们基准我们的算法在半结构化代客泊车场景的路径规划领域。在那里，我们分析了这种估计的准确性，并证明了我们的方法的计算优势和鲁棒性。我们的方法可以鼓励进一步研究基于学习的规划在自动驾驶汽车领域的适用性。
2021-02-05 cs.AI 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
Smooth Feedback Motion Planning with Reduced Curvature
Faculty of Information Technology and Electrical Engineering, University of Oulu（信息科技与电气工程学院，奥卢大学）
本文提出一种高效方法，通过系统对齐局部向量场和构造最大星形链，减少路径弯曲，提升机器人运动效率和控制效果。
2026-04-02 cs.RO
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
Finite-Time Curvature-Constrained Vector Field for Saturation-Free Motion Planning of Nonholonomic Robots
School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院）；College of Information Science and Engineering, Hunan Normal University（湖南师范大学信息科学与工程学院）；College of Systems Engineering and the State Key Laboratory of Digital Intelligent Modeling and Simulation, National University of Defense Technology（国防科技大学系统工程学院和数字智能建模与仿真国家重点实验室）；Department of Computer Engineering, Automation & Robotics, and the Institute of Mathematics (IMAG), University of Granada（格拉纳达大学计算机工程、自动化与机器人系以及数学研究所（IMAG））
针对非完整机器人运动规划问题，提出由有限时间曲率约束向量场和无饱和控制律组成的框架。通过构建FT-C2VF实现有限时间收敛并满足曲率约束，开发控制器跟踪该场，经分析和实验验证方法有效且鲁棒。
2026-09-17 cs.RO
Fast Shortest Path Polyline Smoothing With $G^1$ Continuity and Bounded Curvature
University of Trento（特伦托大学）；Free University of Bozen-Bolzano（波尔扎诺自由大学）
提出一种用于车辆运动规划的高效折线平滑方法，生成最短、$G^1$ 连续且无碰撞的路径，并在计算时间和路径长度上优于现有方法。
2025-02-24 cs.RO
A Roadmap-Path Reshaping Algorithm for Real-Time Motion Planning
Tsinghua University（清华大学）；BNRist（北京信息科学与技术国家研究中心）
实时的【形】运动规划是机器人系统的重要功能。与现有的先确定自由空间然后确定无碰撞路径的路线图算法不同，研究人员最近提出了几种基于凸松弛的平滑算法，其首先选择初始路径来连接起始配置和目标配置，然后重新整形该路径以满足其他要求（例如，无碰撞条件）。然而，基于凸松弛的平滑算法往往不能给出令人满意的路径，因为初始路径是随机选择的。此外，现有的基于凸松弛的光顺算法没有考虑曲率约束。在本文中，我们表明，我们可以首先网格整个配置空间，以挑选一个候选路径和重塑这个最短路径，以满足我们的目标。该算法继承了路标算法和凸可行集算法的优点。进一步讨论了如何利用Beamlet算法选择较好的初始路径和迭代优化算法调整路径的曲率来满足曲率约束，理论分析和数值试验结果表明，该算法几乎一定能找到一条可行路径，而且比最近提出的凸可行集算法所需时间要少得多.
2019-02-28 cs.RO
Reduce Lap Time for Autonomous Racing with Curvature-Integrated MPCC Local Trajectory Planning Method
Zhejiang University（浙江大学）
针对传统MPCC在曲率变化剧烈赛道性能受限的问题，提出曲率集成MPCC局部轨迹规划方法，通过赛道曲率映射参考速度曲线优化轨迹速度，在1:10 F1TENTH赛车上验证可缩短11.4%-12.5%单圈用时。
2025-02-06 cs.RO cs.SY eess.SY
An Efficient Generation Method based on Dynamic Curvature of the Reference Curve for Robust Trajectory Planning
Meituan Group（美团集团）
轨迹规划是各种自动驾驶平台的基本任务，例如社交机器人和自动驾驶汽车。许多轨迹规划算法使用基于参考曲线的时间Frenet框架来减少规划维度。然而，在经典的轨迹规划方法中有一个共同的隐含假设，即生成的轨迹应该连续地跟随参考曲线。这个假设在实际应用中并不总是正确的，它可能会在规划中引起一些不希望的问题。一个问题是规划轨迹到参考曲线上的投影可能是不连续的。另一个问题是规划路径在连续跟随简单参考曲线时可能会自相交。当这些问题发生时，生成的轨迹是不自然的和次优的。在本文中，我们首先证明了这些问题，然后介绍了一种有效的轨迹生成方法，它使用了一种新的转换从笛卡尔框架到Frenet框架。在模拟街道场景上的实验结果证明了该方法的有效性。
2020-12-29 cs.AI cs.RO
Fillet-based RRT*: A Rapid Convergence Implementation of RRT* for Curvature Constrained Vehicles
Utah State University（犹他州立大学）
快速探索随机树（RRT）已被证明是有效的快速找到可行的解决方案，复杂的运动规划问题。RRT* 是RRT算法的扩展，在使用直线运动基元时提供概率渐近最优性保证。这项工作提供了RRT和RRT* 的扩展，采用圆角作为运动基元，允许规划时考虑路径曲率约束。开发了两个圆角，一个是基于圆弧的圆角，它使用圆弧来生成遵守最大曲率约束的路径，另一个是基于样条曲线的圆角，它使用贝塞尔曲线来额外遵守曲率连续性要求。使用这些圆角进行规划的性能远远超过使用Dubin路径运动基元的RRT*，接近使用直线路径基元进行规划的性能。路径采样算法也被用来加速非完整运动规划的收敛。使用开放式运动规划库（OMPL）与已建立的RRT* 方法进行比较。
2023-02-22 cs.RO cs.SY eess.SY
HIRL: Hierarchical Inverse Reinforcement Learning for Long-Horizon Tasks with Delayed Rewards
University of California, Berkeley（加州大学伯克利分校）
强化学习（RL）在延迟奖励问题中苦苦挣扎，一种方法是将任务分割为具有增量奖励的子任务。我们提出了一个称为分层逆强化学习（HIRL）的框架，这是一个从演示中学习子任务结构的模型。HIRL基于在演示中保持一致的转换将任务分解为子任务。这些转变被定义为相对于核函数的局部线性的变化。然后，HIRL使用推断的结构来学习子任务本地的奖励函数，但也处理任何全局依赖关系，如顺序性。我们已经在几个标准RL基准上评估了HIRL：具有噪声动力学的平行停车，双连杆摆，2D噪声运动规划和弹球环境。在并行停车任务中，我们发现HIRL构造的奖励收敛到一个策略，其成功率为80%，比最大熵逆RL（MaxEnt IRL）构造的策略少32%的时间步，并且在部分状态观察下，使用IRL学习的策略无法达到此精度，而HIRL仍然收敛。我们进一步发现，HIRL学习的奖励对环境噪声是鲁棒的，它们可以容忍1 stdev。的随机扰动的姿态在环境中的障碍，同时保持大致相同的收敛速度。我们发现，HIRL奖励可以比使用IRL构建的奖励快6倍。
2016-04-21 cs.RO
Waypoints Matter: A Systematic Study for Sampling-Based Trajectory Planning
AUTOPIA Program at the Centre for Automation and Robotics, CSIC-Universidad Politécnica de Madrid（自动化与机器人中心，CSIC-马德里理工大学）
本文系统研究了航点放置策略（均匀间隔、RDP*变体、曲率条件分配）对采样轨迹规划器性能的影响，发现标称航点间距是主要性能驱动因素，均匀采样在适当间距下表现最佳。
2026-06-04 cs.RO
An Efficient Multi-solution Solver for the Inverse Kinematics of 3-Section Constant-Curvature Robots
Zhejiang University（浙江大学）
针对三段常曲率连续体机器人的逆运动学问题，提出一种结合理论约简、误差有界近似与数值修正的高效多解求解器，在单解场景下效率与成功率优于传统数值方法，还可支持障碍空间下的多解路径规划。
2023-05-02 cs.RO
