Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley(加州大学伯克利分校)
多关节机器人的运动规划具有挑战性。由于问题的复杂性,大多数现有的工作分解运动规划作为更容易的子问题。然而,由于不一致的性能指标,只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题,提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University(莱斯大学)
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库,利用了流行的MoveIt库和机器人操作系统(ROS)中间件。Robowflex提供了一个增强的API,用于在单个程序中制作和操作运动规划查询,使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例,同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1)开发新的运动规划器,2)评估运动规划器,以及3)使用运动规划作为子例程的复杂问题(例如,任务和运动规划)。Robowflex还提供可视化功能,与其他机器人库的集成(例如,DART和Tesseract),并补充其他机器人软件包。使用我们的库,用户不需要是ROS或MoveIt的专家,就可以设置运动规划查询,从结果中提取信息,并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹,高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术,以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处,在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架,用于UR5e机械臂的主动碰撞避免,以提升人机协作安全性。
2026-09-29 cs.RO
Towards Efficient Motion Planning for UAVs: Lazy A* Search with Motion Primitives
University of Southern California(南加州大学);University of Michigan(密歇根大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对无人机机载计算资源受限导致实时规划困难的问题,将惰性搜索概念引入基于搜索的规划算法,提出基于运动基元的 Lazy A* 搜索方法,可高效找到无碰撞且动态可行的最优轨迹,显著提升计算效率。
2024-11-12 cs.RO
Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments
George Mason University(乔治梅森大学)
针对部分建图环境中运动规划重规划开销大、易振荡的问题,提出结合高层离散层与历史解引导运动树扩展的增强型采样规划框架,有效提升规划速度与解的一致性。
2023-06-15 cs.RO
ST-RRT*: Asymptotically-Optimal Bidirectional Motion Planning through Space-Time
TU Berlin(柏林工业大学);University of Stuttgart(斯图加特大学)
我们提出了一个运动规划器规划通过动态障碍物,速度约束,和未知的到达时间的时空。我们的算法,时空RRT*(ST-RRT*),是一个概率完全,双向运动规划算法,这是渐近最优的最短到达时间。我们实验评估ST-RRT* 在两个抽象的(2D磁盘,8D磁盘在混乱的空间,并在一个狭窄的通道问题),和模拟机器人路径规划问题(顺序规划的8DoF移动机器人,和7 DoF机械臂)。所提出的规划优于RRT连接和RRT* 的初始解决方案的时间,并达到最终的解决方案的成本。ST-RRT* 的代码可在开放式运动规划库(OMPL)中找到。
2022-03-04 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University(Innopolis大学)
通常,最佳运动规划可以局部地和全局地执行。在这种规划中,选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此,最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时,要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此,本研究的首要目标是分析相关文献,以了解如何制定的运动规划,特别是轨迹规划,问题时,被应用于实时生成最佳轨迹的多旋翼飞行器(MAVs),影响所列指标。作为研究的结果,轨迹规划问题被分解为一组子问题,并确定和详细描述了解决每个问题的方法列表。随后,对2010年至2022年期间最突出的成果进行了总结,并以时间轴的形式进行了介绍。
2023-01-30 cs.RO
Dispersion-Minimizing Motion Primitives for Search-Based Motion Planning
University of Pennsylvania(宾夕法尼亚大学)
基于搜索的运动基元规划是一种功能强大的运动规划技术,可以在非结构化环境中的尺寸、重量和功率受限的平台上提供动态可行性、最优性和实时计算时间。然而,运动规划图的优化设计,而规划器的性能至关重要,还没有一个主要的重点,以前的工作。本文提出了解决这个问题,通过引入一种方法,选择顶点和边的运动基元图,是在采样理论的基础上,并导致理论保证计划的完整性。通过最小化由轨迹成本引起的度量空间中的图顶点的分散度,我们用我们的运动基元图最优地覆盖可行轨迹的空间。与由均匀输入空间采样定义的基线运动基元相比,我们的运动基元图具有较低的分散度,找到了一个具有较少迭代的图搜索的计划,并且只有一个参数要调整。
2021-03-26 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架,融合视觉基础模型提升机器人操作与运动规划,实现实时调整和持续学习,并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas(机械工程系,堪萨斯大学);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题,并用序贯集合卡尔曼平滑器求解,显著降低计算成本。
2025-05-10 cs.RO
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
COAST: Constraints and Streams for Task and Motion Planning
Stanford University(斯坦福大学);Toyota Research Institute(丰田研究所)
针对现有TAMP算法扩展性差、求解耗时久的问题,提出概率完备的采样式算法COAST,结合基于流的运动规划与高效约束任务规划策略,在三个测试域中累计任务规划时间较基线快一个数量级。
2024-05-14 cs.RO
Decision-Time Postponing Motion Planning for Combinatorial Uncertain Maneuvering
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
运动规划涉及城市驾驶中组合机动变量之间的决策。规划者必须考虑机动变量的不确定性和相关风险,并随后选择机动方案。在本文中,我们提出了一种规划方法,考虑预测中的不确定性,并在高不确定性的情况下,推迟到以后的时间内的规划范围内的组合决策。使用我们提出的方法,计划安全但同时不过度保守的运动。
2020-12-13 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
Quotient-Space Motion Planning
CNRS-AIST Joint Robotics Laboratory(CNRS-AIST联合机器人实验室)
运动规划算法通过计算穿过机器人的配置空间的路径来计算机器人的运动。为了提高运行时间的运动规划算法,我们建议嵌套机器人在彼此之间,创建一个嵌套的配置空间的约束空间分解。基于此分解,我们定义了一个新的基于路线图的运动规划算法称为商空间路线图规划(QMP)。该算法开始增长的最低维商空间上的一个图形,切换到下一个商空间一旦一个有效的路径已经找到,并不断更新每个商空间上的图形同时,直到一个有效的路径中的配置空间已经found.We表明,该算法是概率上完整的,并优于一组国家的最先进的算法实现在开放的运动规划库(OMPL)。
2018-08-03 cs.RO
Robust Task and Motion Planning for Long-Horizon Architectural Construction Planning
University of 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)
在建筑和施工过程中集成机器人系统是提高建筑行业效率的核心兴趣。此类系统的自动规划使设计分析工具成为可能,并为设计师和工程师提供更快的设计迭代周期。然而,通用的任务和运动规划(TAMP)的长期建设过程是超出了目前的方法的能力。在本文中,我们开发了一个多智能体TAMP框架的长期问题,如建设一个全面的建设。为此,我们通过基于采样的运动规划,有限的地平线的方法,和特定于任务的结构稳定性优化,允许有效的任务分解的逻辑几何规划框架。我们表明,我们的框架是能够构建一个大型展馆从几百个几何独特的建筑元素从开始到结束自主。
2020-03-17 cs.RO
Motion planning in high-dimensional spaces
University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
运动规划是一个关键的工具,使机器人导航通过一个环境中没有碰撞。机器人运动规划的问题已经在过去的几十年中进行了详细的研究,研究人员最初专注于平面移动机器人和低自由度(DOF)机器人手臂等系统。高自由度机器人必须在复杂的动态环境中实时的执行任务,因此需要快速的运动规划算法。在这篇综述中,我们讨论了几种类型的策略,运动规划在高维空间和剖析其中的一些,即基于网格搜索,基于采样和轨迹优化的方法。我们比较了它们,并概述了它们的优点和缺点,最后,提供了一个洞察未来的研究机会。
2018-07-19 cs.RO
Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute, The Chinese University of Hong Kong(香港中文大学深圳研究院)
运动规划是机器人完成不同任务所必需的。快速探索随机树(RRT)及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而,它们在许多复杂环境中表现不佳,因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中,我们提出了一种新的机器人运动规划算法,利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明,我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
Comment on "A Real-Time Approach for Chance-Constrained Motion Planning with Dynamic Obstacles"
Delft University of Technology(代尔夫特理工大学)
本文介绍了使用机会约束模型预测控制(MPC)解决一个水平基准避碰问题的结果。
2020-06-04 cs.RO
Urban Metric Maps for Small Unmanned Aircraft Systems Motion Planning
University of Michigan(密歇根大学)
小型无人机系统(UAS)低空城市飞行规划需要精确的飞行器、环境地图和风险模型,以确保飞行计划考虑城市景观以及空域约束。本文提出了一套运动规划指标设计的小型无人机城市飞行。我们定义了基于地图和基于路径的指标,从整体上表征运动计划的质量。建议的指标检查的背景下,代表性的几何,图形为基础的,基于采样的运动规划应用于多旋翼小型无人机。提出了一种新的多目标启发式算法,并应用于基于图和采样的运动规划器在四个城市无人机飞行高度层。蒙特卡洛案例研究在纽约市的城市环境说明度量地图属性和规划师的性能。运动计划被评估为规划算法、位置、范围和飞行高度的函数。
2021-02-14 cs.RO
Ontological Physics-based Motion Planning for Manipulation
Institute of Industrial and Control Engineering (IOC)(工业与控制工程研究所);Universitat Politcnica de Catalunya (UPC) – Barcelona Tech(加泰罗尼亚理工大学 – 巴塞罗那科技大学)
机器人操作涉及机器人和物体之间发生接触的动作。在这个范围内,基于物理的引擎的可用性允许运动规划器包括刚体之间的动力学,这对于规划这种类型的动作是必要的。然而,基于物理的运动规划由于状态空间的高维度以及需要以低积分步骤工作以找到精确的解而在计算上是密集的。另一方面,操纵动作改变了进一步动作和运动的环境和条件。为了解决这个问题,使用本体表示的操作动作,使基于语义的推理过程,减少了运动规划的计算成本。本文提出了一个操作规划框架,其中基于物理的运动规划与本体知识表示和推理增强。该建议已被实施,并说明和验证了一个简单的例子。它在杂乱环境中抓取任务的用途目前正在开发中。
2017-10-29 cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology(麻省理工学院)
本文介绍了概率Chekov(p-Chekov),一个机会约束运动规划系统,可应用于高自由度(DOF)机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型,它可以找到可行的轨迹,满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中,将积分理论应用到航路点碰撞风险估计中,并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同,p-Chekov可以应用于高自由度的机器人规划任务,而无需对环境进行凸化。本文的实验结果表明,该p-Chekov系统可以有效地降低碰撞风险,并满足用户指定的机会约束,在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
The Open Motion Planning Library 2.0
Department of Computer Science, Rice University(计算机科学系,里士大学);Department of Computer Science, Purdue University(计算机科学系,普渡大学);Waymo, LLC(Waymo公司);Metron, Inc.(Metron公司);Ken Kennedy Institute at Rice University(里士大学肯尼迪研究所)
本文介绍OMPL 2.0,通过硬件加速实现实时运动规划,并集成现代AI研究流程,总结了库与运动规划领域的共同发展及其对研究社区的影响。
2026-08-03 cs.RO
GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA(J. Mike Walker ’66 机械工程系,德克萨斯A&M大学,College Station, TX 77843, USA);Zachry Department of Civil and Environmental Engineering, Texas A&M University, College Station, TX 77843 USA(Zachry 市政与环境工程系,德克萨斯A&M大学,College Station, TX 77843 USA)
GAIDE是一种基于图的神经指导采样器,通过结合空间结构和机械臂的具身性提升运动规划的效率和成功率。
2026-03-03 cs.RO
Anytime Motion Planning on Large Dense Roadmaps with Expensive Edge Evaluations
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学)
我们提出了一个算法框架,用于在大型密集几何路线图上进行有效的随时运动规划,在碰撞检查和边缘评估的计算成本很高的领域。大的密集路线图(图)通常可以确保大多数运动规划问题的高质量解决方案的存在,但是路线图的大小,特别是在高维空间中,使得现有的基于搜索的规划算法在计算上昂贵。我们以两种方式处理昂贵的搜索和冲突检查的挑战。首先,我们框架的问题,任何时候运动规划的路线图搜索的最短路径在整个路线图的一系列子图,产生的一些致密化策略。这使我们能够实现有界的次最优与有界的最坏情况下的规划工作。其次,对于搜索每个子图,我们开发了一个随时规划算法,使用的信念模型来计算未知配置的碰撞概率和搜索路径的帕累托最优的路径长度和碰撞概率。该算法是有效的碰撞检查,因为它搜索连续较短的路径。我们从理论上分析了我们的想法,并分别对高维运动规划问题进行评估。最后,我们将这两个想法一起应用在我们的算法框架中,用于任何时候的运动规划,并表明它在高维超立方体问题上优于BIT*。
2017-11-10 cs.RO
A Generalized Label Correcting Method for Optimal Kinodynamic Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
提出了一种分辨率完备的最优运动动力学运动规划算法,并将其描述为广义标号校正(GLC)方法。与相关算法相比,GLC方法不需要局部规划子程序,并且受益于简单的实现。本文的主要贡献是GLC条件的构建和分析,这是所提出的算法的基础。数值实验表明,GLC方法的运行时间小于相关SST算法。
2017-03-15 cs.RO
Robot Motion Planning in Learned Latent Spaces
Stanford University(斯坦福大学)
本文提出了基于潜在采样的运动规划(L-SBMP),一种通过学习可规划的潜在表示来计算复杂机器人系统运动规划的方法。最近的工作在控制机器人系统有效地利用本地,低维嵌入高维动力学。在本文中,我们将这些最新进展与基于采样的运动规划(SBMP)技术相结合,以设计一种能够规划传统方法(例如,类人机器人,甚至是在视觉空间中进行规划的系统)。具体来说,学习的潜在空间是通过一个自动编码网络,一个动态网络,和碰撞检查网络,这反映了SBMP的三个主要算法原语,即状态采样,本地转向,和碰撞检查。值得注意的是,这些网络可以只通过系统状态和动作的原始数据以及监督冲突检查器来训练。在这些网络的基础上,使用基于RRT的算法直接在潜在空间中规划运动-我们将这种探索算法称为学习潜在RRT(L2 RRT)。该算法全局地探索潜在空间,并能够推广到新的环境。整体的方法证明了两个规划问题,即视觉规划问题,规划发生在视觉(像素)空间,和一个人形机器人规划问题。
2018-11-06 cs.RO
E$ \mathbf{^3} $MoP: Efficient Motion Planning Based on Heuristic-Guided Motion Primitives Pruning and Path Optimization With Sparse-Banded Structure
Nankai University(南开大学);Zhejiang Lab(之江实验室)
针对复杂环境下的自主导航问题,提出了一种有效的运动规划方法。针对大规模、部分未知的复杂环境,设计了一种三层运动规划框架,包括全局路径规划、局部路径优化和时间最优速度规划。与现有的方法相比,这项工作的新颖性是双重的:1)提出了一种新的运动基元修剪策略,并将其完全集成到基于状态格的全局路径规划器中,以进一步提高图搜索的计算效率; 2)提出了一种新的软约束局部路径优化方法,其中,充分利用底层优化问题的稀疏带状系统结构来有效地解决该问题。我们验证了我们的方法在各种复杂的模拟场景和具有挑战性的现实任务中的安全性,平滑性,灵活性和效率。结果表明,与基于五次Bézier曲线的状态空间采样方法相比,全局规划阶段的计算效率提高了66.21%,机器人的运动效率提高了22.87%.我们将所提出的运动规划框架命名为E $ \mathrm{^3} $ MoP,其中数字3不仅意味着我们的方法是一个三层框架,而且还意味着所提出的方法在三个阶段是有效的。
2021-11-16 cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University(克莱姆森大学);Air Force Research Laboratory(美国空军研究实验室)
机器人符号运动规划是在离散空间中指定和规划机器人任务,然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展,但仍存在许多挑战,包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中,分布式符号运动规划的多机器人系统的发展,以解决可扩展性。更具体地说,组合推理方法的发展,以分解的全局规划问题,原子命题的观察,通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性,一个动态的,定量的,和概率的人对机器人的信任模型的开发,以帮助这种分解。此外,提出了一种基于信任的实时切换框架,用于在自主和手动运动规划之间切换,以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估,证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Appendix for the Motion Primitives-based Path Planning for Fast and Agile Exploration Method
University of Nevada, Reno(内华达大学里诺分校)
这篇手稿提出了我们的运动基元探索路径规划方法的敏捷探索使用空中机器人的增强。该方法现在进一步集成了全局规划层,以促进可靠的大规模勘探。本地和全球规划之间实施的分叉允许高效的勘探与在非常大的环境中进行规划的能力相结合,同时还确保安全及时地返回家园。一组新的模拟研究和实验结果,以证明新的改进和增强。该方法可以作为机器人操作系统(ROS)包开源。
2020-12-06 cs.RO
Assembly Sequence Planning for Motion Planning
National Institute of Advanced Industrial Science and Technology (AIST)(日本国立产业技术综合研究所(AIST));Osaka University(大阪大学)
本文提出了一个规划器,以找到一个最佳的装配序列,装配多个对象。规划器的输入是对象的网格模型、组件中对象之间的相对姿态以及组件的最终姿态。输出是最佳组装序列,即(1)应该以哪个顺序组装物体,(2)应该从哪个方向放下物体,以及(3)每个物体的候选抓握。该规划器通过自动排列、评估和搜索可能的装配序列来找到最优解,同时考虑稳定性、可抓握性和可装配性。期望能指导机器人利用平移运动进行装配。输出为运动规划算法提供初始和目标配置。它可以被机器人使用,并使用几个模拟和真实世界的执行来演示。
2016-09-11 cs.RO
Interleaving Optimization with Sampling-Based Motion Planning (IOS-MP): Combining Local Optimization with Global Exploration
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
计算机器人的全局最优运动计划具有挑战性,部分原因是它需要同时从宏观角度(即,考虑多个同伦类中的路径)和微观视点(即,局部优化路径质量)。我们介绍了基于采样的运动规划(IOS-MP),一种新的方法,有效地结合了全局探索和局部优化,快速计算高质量的运动计划的交织优化。我们的方法结合了两个范例:(1)渐近最佳采样为基础的运动规划,这是有效的全局探索,但相对缓慢的局部细化路径,和(2)优化为基础的运动规划,局部优化路径快速,但缺乏全局视图的配置空间。IOS-MP迭代地在全局探索和局部优化之间交替,在两者之间共享信息,以提高运动规划效率。我们评估IOS-MP,因为它的规模方面的维度和复杂性,以及证明其有效性的7自由度机械手指定的任务,使用目标配置和工作空间目标区域。
2016-09-20 cs.RO
Prediction-Driven Motion Planning: Route Integration Strategies in Attention-Based Prediction Models
Institute of Measurement and Control Systems, Karlsruhe Institute of Technology (KIT)(测量与控制系统研究所,卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(信息技术研究所以)
本文提出基于注意力机制的运动预测模型,通过整合导航信息提升预测与规划任务的性能。
2025-12-03 cs.RO
Towards Geometric Motion Planning for High-Dimensional Systems: Gait-Based Coordinate Optimization and Local Metrics
Collaborative Robotics and Intelligent Systems (CoRIS) Institute(协作机器人与智能系统研究所);Oregon State University(俄勒冈州立大学);AI Institute(人工智能研究所)
针对高维系统几何运动规划因坐标优化维度灾难难以落地的问题,提出基于步态的坐标优化方法,结合非完整约束推广为局部度量的统一几何表示,在11维系统验证了步态效率更优并给出几何最优性解释。
2024-03-07 cs.RO
MotionBenchMaker: A Tool to Generate and Benchmark Motion Planning Datasets
Rice University(莱斯大学);TU Berlin(柏林工业大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
最近,在机器人操作的运动规划方面已经有了丰富的发展,新的运动规划器不断被提出,每个都有自己独特的优点和缺点。然而,评估新的规划师是具有挑战性的,研究人员经常创建自己的特设问题的基准,这是耗时的,容易产生偏见,并不直接与其他国家的最先进的规划师进行比较。我们提出了MotionBenchMaker,一个开源的工具来生成基准数据集的现实机器人操作问题。MotionBenchMaker是一款可扩展且易于使用的工具,允许用户生成数据集并通过比较运动规划算法对其进行基准测试。从经验上讲,我们展示了使用MotionBenchMaker作为程序生成数据集的工具的好处,这有助于对规划者进行公平评估。我们还提出了一套40个预制数据集,5种不同的常用机器人在8个环境中,作为一个共同的基础,以加快运动规划的研究。
2022-02-15 cs.RO
FFRob: Leveraging Symbolic Planning for Efficient Task and Motion Planning
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
由于混合配置空间的高维性和多模态性,涉及多个对象的移动操作问题的求解具有挑战性。执行纯几何搜索的planet在解决这些问题时非常慢,因为它们无法分解配置空间。符号任务规划器可以有效地构建涉及许多变量的计划,但不能表示操作所需的几何和运动约束。我们提出了解决任务和运动规划问题的FFRob算法。首先,我们引入扩展动作规范(EAS)作为一个通用的规划表示,支持任意谓词作为条件。我们适应现有的启发式搜索思想解决\proc{strips}规划问题,特别是删除松弛,解决EAS问题的实例。然后,我们将EAS表示和规划者的操作问题,导致FFRob。FFRob迭代离散任务和运动规划问题,使用批量采样的操作原语和多查询路线图结构,可以条件化,以评估可移动物体的不同放置下的可达性。这种结构使EAS规划者能够有效地计算包含几何和运动规划约束的几何学,以给出到目标的距离的严格估计。此外,我们表明FFRob是概率完整的,并有有限的预期运行时间。最后,我们实证证明FFRob的有效性,复杂和多样化的任务和运动规划任务,包括重排规划和可移动物体之间的导航。
2017-12-01 cs.RO
Posterior Sampling for Anytime Motion Planning on Graphs with Expensive-to-Evaluate Edges
University of Washington(华盛顿大学)
碰撞检查是运动规划中的一个计算瓶颈,需要明确推理何时执行此计算的惰性算法。面对碰撞的不确定性,乐观的态度可以最大限度地减少找到最短路径之前的检查次数。然而,这可能需要非常长的时间来计算,在此期间没有发现其他可行路径。对于许多实时应用程序,我们反而需要强大的随时性能,定义为最小化随时间产生的可行路径的累积长度。我们引入后验采样运动规划(PSMP),一个随时懒惰的运动规划算法,利用学习后验的边缘碰撞,快速发现一个初始的可行路径,并逐步产生较短的路径。PSMP获得了$\tilde{O}(\sqrt{\mathcal{S} \mathcal{A} T})$的期望遗憾界,并在一组二维和七维规划问题上优于比较基线。
2020-03-20 cs.RO
Octocopter Design: Modelling, Control and Motion Planning
这本书提供了一个解决方案的控制和运动规划设计的直升机系统。它包括一个特定的选择控制和运动规划算法,这是基于作者以前的研究工作,所以它可以作为一个参考设计指导学生,研究人员以及自动驾驶汽车爱好者。该控制是基于容错方法构建的,旨在增加系统检测和隔离潜在故障的机会,以产生可行的控制信号,其余的活动电机。所使用的运动规划算法是风险感知的,这意味着它在规划阶段考虑了与直升机系统的故障相关和任务相关机动性分析相关的约束。这样的规划器仅生成那些参考轨迹,在单电机故障和大多数双电机故障情况下,直升机系统沿着这些参考轨迹将是安全的并且能够良好地跟踪。书中提出的控制和运动规划算法旨在提高系统完成任务的整体可靠性。
2022-12-02 cs.RO
Task and Motion Planning for Humanoid Loco-manipulation
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM), Germany(慕尼黑机器人与机器智能研究所(MIRMI)、慕尼黑技术大学(TUM))
本文提出了一种基于优化的任务与运动规划框架,通过共享接触模式实现人形机器人移动与操作的统一规划。
2025-08-16 cs.RO
SRMP: Search-Based Robot Motion Planning Library
Amazon Robotics(亚马逊机器人)
针对现有运动规划框架难以满足高风险应用可预测性与可复现性要求的问题,研究团队提出专为机器人操作定制的SRMP框架,可生成一致可靠轨迹,支持多机器人操作与多平台集成,经评估满足工业级严苛要求并树立运动规划一致性新标准。
2025-09-29 cs.RO
Overcoming Dynamic Environments: A Hybrid Approach to Motion Planning for Manipulators
UTS: Robotics Institute(UTS机器人研究所);University of Technology Sydney(悉尼科技大学)
本文提出一种结合改进速度势场与基于采样运动规划器的混合方法,以提升机械臂在动态不确定环境中的运动规划效率、稳定性与计算可行性。
2025-04-09 cs.RO
Feedback Motion Planning for Liquid Transfer using Supervised Learning
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了一种新的运动规划算法,用于将液体从源转移到目标容器。我们的方法使用了滚动优化策略,考虑到流体约束,避免碰撞。为了有效地处理液体的高维位形空间,我们使用系统辨识来学习其动力学特性,使用神经网络。我们在特定于传输问题的搜索空间中使用随机优化来生成训练数据集。运行时反馈运动规划器用于实时规划,我们在模拟的2D和3D流体传输基准中观察到高成功率。
2017-02-18 cs.RO
Online, interactive user guidance for high-dimensional, constrained motion planning
Carnegie Mellon University(卡内基梅隆大学)
本文研究了高维机器人的无碰撞路径规划问题。具体来说,我们建议一个规划框架,运动规划算法可以从用户获得指导。与现有的方法,试图加快规划,结合经验或示范规划之前,我们建议寻求用户的指导,只有当规划师确定,它停止朝着目标取得重大进展。指导以中间配置$\hat{q}$的形式提供,用于使计划员偏向通过$\hat{q}$。我们展示了我们的方法的情况下,规划算法是多启发式A*(MHA*)和机器人是一个34自由度的人形。我们表明,我们的方法允许计算高度约束的路径,几乎没有领域知识。如果没有我们的方法,解决这些问题需要精心制作依赖于领域的算法。
2018-07-20 cs.RO
Task-Motion Planning for Safe and Efficient Urban Driving
SUNY Binghamton(纽约州立大学宾汉姆顿分校)
自动驾驶汽车需要在任务级别进行规划,以计算一系列符号动作,例如向左合并和向右转弯,以满足人们的服务请求,其中效率是主要关注的问题。与此同时,车辆必须计算连续的轨迹,以在运动级别执行动作,其中安全是最重要的。自动驾驶中的任务-运动规划面临着在保证运动级安全的同时最大化任务级效率的问题。为此,我们开发的算法任务-运动规划的城市驾驶(TMPUD),第一次,使任务和运动规划者沟通的安全水平的驾驶行为。TMPUD已使用现实的城市驾驶模拟平台进行了评估。结果表明,TMPUD在效率方面明显优于文献中的竞争基线,同时确保驾驶行为的安全性。
2020-10-13 cs.RO
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
Motion Planning in Dynamic Environments Using Context-Aware Human Trajectory Prediction
University of Oxford(牛津大学);University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
多年来,运动规划、地图绘制和人体轨迹预测的独立领域已经取得了相当大的进展。然而,文献仍然是稀疏的,在提供实用的框架,使移动机械手进行全身运动和占移动障碍物的预测运动。以前的基于优化的运动规划方法,使用距离场已经遭受了高计算成本所需的更新环境表示。我们证明,与从头开始计算距离场相比,GPU加速的预测复合距离场显着减少了计算时间。我们将这种技术与一个完整的运动规划和感知框架,占人类在动态环境中的预测运动,使反应性和先发制人的运动规划,结合预测的运动。为了实现这一目标,我们提出并实现了一种新的人体轨迹预测方法,结合意图识别与基于轨迹优化的运动规划。我们验证了我们的结果框架在现实世界中的丰田人类支持机器人(HSR)使用实时RGB-D传感器数据从车载摄像头。除了提供对公开数据集的分析外,我们还发布了牛津室内人体运动(Oxford-IHM)数据集,并展示了人体轨迹预测的最新性能。Oxford-IHM数据集是一个人类轨迹预测数据集,其中人们在室内环境中的感兴趣区域之间行走。静态和机器人安装的RGB-D相机都可以观察人,同时通过运动捕捉系统进行跟踪。
2022-07-26 cs.RO
Planning Coordinated Human-Robot Motions with Neural Network Full-Body Prediction Models
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
数值优化已经成为规划机器人平滑运动轨迹的一种流行方法。然而,当与人类共享空间时,适当平衡安全性,舒适性和效率仍然具有挑战性。这是值得注意的,因为人类会根据机器人的行为来调整自己的行为,这就需要进行复杂的规划和预测。在本文中,我们提出了一种新的优化为基础的运动规划算法,它产生的机器人运动,同时最大限度地提高人类的轨迹可能性下的数据驱动的预测模型。考虑规划和预测在一起,使我们能够制定目标和约束函数的联合人-机器人状态空间。该方法的关键是将潜在空间修改器添加到基于专用递归神经网络的可微分人类预测模型中。这些修改器允许在运动优化中改变人类预测。我们使用公开的MoGaze数据集对我们的方法进行了经验评估。我们的研究结果表明,所提出的框架优于目前的基线规划移交轨迹,避免机器人和人类之间的碰撞。我们的实验展示了协作运动轨迹,其中人类预测和机器人计划都相互适应。
2022-10-24 cs.RO
Scaling Sampling-based Motion Planning to Humanoid Robots
University of Edinburgh(爱丁堡大学)
规划人形机器人的平衡和无碰撞运动是不平凡的,特别是当它们在复杂的环境中操作时,例如到达障碍物后面的目标或通过狭窄的通道。我们提出了一种方法,使我们能够应用现有的采样为基础的算法规划轨迹人形机器人利用自定义的状态空间表示,有偏的采样策略,和一个强大的逆运动学求解器的基础上的转向功能。我们的方法不需要事先离线计算,因此可以很容易地将工作转移到新的机器人平台上。我们测试了所提出的方法解决实际达到的任务,38度的自由人形机器人,美国宇航局瓦尔基里,表明我们的方法是能够生成有效的运动计划,可以执行先进的全尺寸人形机器人。我们还提出了一个基准之间的不同运动规划算法评估各种达到运动问题。这使我们能够找到合适的算法来解决类人运动规划问题,并确定这些算法的局限性。
2016-07-29 cs.RO
VAMP-MR: Vector-Accelerated Motion Planning and Execution for Multi-Robot-Arms
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);University of Michigan(密歇根大学)
针对多机器人手臂运动规划这一关键挑战,结合经典规划算法与矢量化碰撞检查技术,引入新运动规划器,基于CPU SIMD指令加速碰撞检查,在运动规划和执行后处理中实现加速,并发布实现降低研发门槛。
2026-07-16 cs.RO
A Reactive Framework for Whole-Body Motion Planning of Mobile Manipulators Combining Reinforcement Learning and SDF-Constrained Quadratic Programmi
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);School of Computing, University of Leeds(利兹大学计算学院)
针对移动机械臂在杂乱环境中因冗余自由度导致运动规划受限的问题,提出一种结合Bayes-DSAC强化学习与SDF约束二次规划的混合框架,显著提升了全身运动规划的效率、安全性与成功率。
2025-03-31 cs.RO
Entropy Regularized Motion Planning via Stein Variational Inference
Georgia Institute of Technology(佐治亚理工学院);University of Washington(华盛顿大学)
许多模仿和强化学习方法依赖于专家生成的演示的可用性,以从数据中学习策略或价值函数。从运动规划器获得可靠的轨迹分布是不平凡的,因为它必须广泛地覆盖在执行期间可能遇到的状态空间,同时还满足基于任务的约束。我们提出了一种基于变分推理的采样策略,以生成高自由度运动规划任务的可行的,低成本的轨迹分布。这包括一个分布式的,基于粒子的运动规划算法,利用结构化的图形表示的多模态后验分布的推理。我们还明确连接到轨迹优化和熵正则化强化学习的近似推理。
2021-07-11 cs.RO
Underactuated Motion Planning and Control for Jumping with Wheeled-Bipedal Robots
Southern University of Science and Technology(南方科技大学);National University of Singapore(新加坡国立大学);University of Notre Dame(圣母大学)
本文研究了轮式双足机器人的跳跃运动,充分利用了轮式和腿式混合设计的优点。针对轮式双足机器人跳跃运动的运动规划和控制问题,提出了一种综合的分层规划方法。轮-双足动力学的欠驱动是需要解决的主要困难,特别是在规划问题中。为了解决这个问题,提出了一种新的轮式弹簧加载倒立摆(W-SLIP)模型来描述轮式双足机器人在跳跃过程中的基本动力学。依赖于微分平坦的性质的W-SLIP模型,一个易于处理的二次规划为基础的解决方案,规划跳跃运动的轮式双足机器人。结合考虑飞行相位运动的运动学规划方案,给出了完整的W-SLIP模型规划方案。为了使规划轨迹的准确跟踪,基于线性二次型调节器的车轮控制器和任务空间全身控制器的其他关节混合通过干扰观测器。整体规划和控制方案进行了验证,使用V-REP模拟原型轮式双足机器人。
2020-12-11 cs.RO
Perception-driven sparse graphs for optimal motion planning
Massachusetts Institute of Technology(麻省理工学院)
大多数现有的运动规划算法假设在生成运动规划之前完全确定(某种质量的)图。在机器人的许多新兴应用中,例如,快速移动的敏捷空中机器人具有受限的嵌入式计算平台和视觉传感器,不能立即获得密集的世界地图,并且它们的构建在计算上是昂贵的。我们提出了一种新的算法来生成计划图,它耦合了感知和运动规划过程,以提高计算效率。该算法在规划子问题和映射子问题之间反复切换,每次更新都基于另一个子问题,直到找到一个有效的轨迹,得到的轨迹保持了一个可证明的性质,即在计算实验中只利用一小部分传感数据,提供相对于完整(未映射)环境的最优轨迹。
2018-08-01 cs.RO