Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review
本文系统综述了基础模型在移动服务机器人中的应用，探讨了其在具身AI中的整合、核心挑战及未来研究方向。
2026-01-28 cs.AI cs.CL cs.CV
MRPB 1.0: A Unified Benchmark for the Evaluation of Mobile Robot Local Planning Approaches
College of Artificial Intelligence, Nankai University（南开大学人工智能学院）；Tianjin Key Laboratory of Intelligent Robotics, Nankai University（南开大学天津智能机器人重点实验室）；School of Marine Science and Technology, Northwestern Polytechnical University（西北工业大学航海学院）；Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院）；College of Systems Engineering, National University of Defense Technology（国防科技大学系统工程学院）
局部规划是移动机器人实现完全自主的关键技术之一，得到了广泛的研究。为了对移动机器人局部规划方法进行统一、全面的评价，本文提出了一个新的移动机器人局部规划基准MRPB 1.0。该基准有利于运动规划研究人员谁想要比较一个新的本地规划器的性能相对于许多其他国家的最先进的方法，以及在移动机器人行业的终端用户谁想要选择一个本地规划器，表现最好的一些感兴趣的问题。我们精心设计了各种模拟场景，以挑战当地规划师的适用性，包括大规模，部分未知和动态复杂环境。此外，三种类型的原则性评价指标进行了精心设计，以定量评估当地规划者的表现，其中的安全性，效率和运动的平稳性进行了综合考虑。我们提出了建议的基准在两个流行的开源本地规划师的应用程序，以显示基准的实用性。此外，还提供了一些见解和指导原则的设计和选择当地的规划师。基准测试网站包含所设计的模拟场景的所有数据，这些场景的详细描述，以及示例代码。
2021-03-19 cs.RO
Reactive Planning based Control for Mobile Robots in Obstacle-Cluttered Environments
Department of Automation, University of Science and Technology of China（自动化系，中国科学技术大学）；School of Intelligence Science and Engineering, Harbin Institute of Technology Shenzhen（智能科学与工程学院，哈尔滨工业大学深圳）；School of Control Science and Engineering, Dalian University of Technology（控制科学与工程学院，大连理工大学）
本文提出基于反应规划的控制策略，用于移动机器人在障碍物密集环境中避障和导航，通过局部修改参考轨迹实现安全运动。
2026-08-25 cs.RO
AI based Algorithms of Path Planning, Navigation and Control for Mobile Ground Robots and UAVs
近年来，随着自主移动机器人需求的不断增长，对路径规划/导航算法的要求不应仅仅满足于无碰撞地到达目标，还应根据机器人的实际约束条件，尽可能地实现从初始位置到目标的最优或次优路径。本报告研究了采用机器学习技术的移动机器人（包括地面移动机器人和飞行无人机）的路径规划和控制策略。本文首先研究了未知静态环境下的混合反应式避碰导航问题。通过将反应式导航算法与Q-学习算法相结合，既保留了反应式导航算法和Q-学习算法的优点，又克服了单纯依赖其中一种的缺点。然后将所提出的方法扩展到3D环境中。通过大量的计算机模拟验证了上述策略的性能，取得了良好的效果。此外，更具挑战性的动态环境的情况下，我们考虑。我们通过开发一种新的路径规划方法来解决这个问题，该方法利用集成环境表示和强化学习。我们的新方法能够有效地找到到达目标的最佳路径，并避免在具有稳定和移动障碍物的杂乱环境中发生碰撞。这些方法的性能进行了比较与其他不同的方面。
2021-10-03 cs.RO cs.SY eess.SY
Lidar-based exploration and discretization for mobile robot planning
Caltech（加州理工学院）
在机器人应用中，控制和驱动处理系统和环境的连续描述，而高级规划通常使用离散描述。本文研究了通过传感器数据连接机器人系统的底层控制和高层规划的问题。特别是，我们提出了一个离散化算法，通过激光雷达点云数据识别自由多面体。然后构造一个转移图，其中每个节点对应于一个自由多面体，如果两个相应的自由多面体相交，则两个节点与一条边相连。此外，距离测量与每个边缘相关联，这允许评估用于高级规划的过渡的质量（或成本）。对于低级别的控制，自由多面体作为一个方便的环境编码，并允许规划无碰撞的轨迹，实现高级别的计划。结果在高保真ROS模拟和无人机和赛格威实验中得到了证明。
2020-11-19 cs.RO cs.SY eess.SY
Efficient Task Planning for Mobile Manipulation: a Virtual Kinematic Chain Perspective
Drexel University（德雷塞尔大学）
我们提出了一个虚拟运动链（VKC）的角度来看，一个简单而有效的方法，以提高移动操作的任务规划效率。通过巩固的运动学的移动基地，手臂，和被操纵的对象集体作为一个整体，这种新颖的VKC的角度自然地定义抽象的行动，并消除不必要的谓词在描述中间的姿态。结果，这些优点简化了规划域的设计，并显著减小了求解规划问题时的搜索空间和分支因子。在实验中，我们实现了一个任务规划器使用规划域定义语言（PDDL）与VKC。与传统的域定义相比，我们基于VKC的域定义是更有效的规划时间和内存。此外，抽象动作在产生可行的运动计划和轨迹方面表现更好。在复杂的移动操作任务中，我们进一步扩展了基于VKC的任务规划器。综上所述，这些结果表明，使用VKC的移动操作任务规划不仅是自然和有效的，而且还引入了新的功能。
2021-08-03 cs.AI cs.RO
Counterexample Guided Inductive Optimization Applied to Mobile Robots Path Planning (Extended Version)
Federal Institute of Amazonas（亚马逊联邦学院）；Federal University of Amazonas（亚马逊联邦大学）；University of Oxford（牛津大学）
我们描述和评估一种新的基于反例引导归纳优化（CEGIO）技术的移动机器人离线路径规划算法。CEGIO迭代地采用从布尔可满足性（SAT）和可满足性模理论（SMT）求解器生成的反例，以指导优化过程并确保全局优化。本文是CEGIO在移动机器人路径规划中的首次应用，特别是CEGIO已经成功地应用于使用现成的SAT和SMT求解器获得自主移动机器人的最优二维路径。
2017-08-14 cs.AI cs.RO
Deep Reinforcement Learning for Motion Planning of Mobile Robots
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所 IIS）；Friedrich-Alexander-University Erlangen-Nuremberg (FAU)（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学（FAU））
本文提出了一种新的运动和轨迹规划算法的非完整移动机器人，使用深度强化学习的最新进展。从随机初始状态开始，即，位置，速度和方向，机器人达到任意的目标状态，同时考虑运动学和动力学约束。我们的深度强化学习代理不仅处理连续的状态空间，还执行连续的动作，即，车轮的加速度和转向角的自适应。我们评估我们的运动和轨迹规划的移动机器人在仿真环境中的差分驱动。
2019-12-19 cs.AI cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 cs.RO
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong（香港中文大学）；University of Cambridge（剑桥大学）
大动态环境中移动机器人的路径规划是一个具有挑战性的问题，因为机器人需要有效地达到其给定的目标，同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下，传统的解决方案通常采用重新规划策略，每当机器人遇到冲突时，重新调用规划算法来搜索替代路径。然而，这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题，我们提出了一种基于学习的技术，利用环境时空信息。与现有的基于学习的方法不同，我们引入了一种全局引导的强化学习方法（G2RL），该方法采用了一种新的奖励结构，可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题，在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型，障碍物密度和机器人的数量。实验结果表明，G2RL的泛化能力很好，优于现有的分布式方法，并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
Stability Constrained Mobile Manipulation Planning on Rough Terrain
McGill University（麦吉尔大学）
本文提出了一个框架，允许在线动态稳定性约束的最优轨迹规划的移动机械手机器人工作在崎岖的地形。首先，移动机械臂机器人的运动学模型，和零力矩点（ZMP）稳定性措施作为理论背景。然后，提出了一种基于采样的准静态规划算法，并给出了数学证明。机器人的准静态路径，然后作为一个初始的猜测，热启动非线性最优控制求解器，否则可能有困难找到一个解决方案的稳定性约束的制定有效。该框架的性能和计算效率的证明，通过一个模拟的木材采伐移动机械手机器工作在不同的地形。仿真结果验证了在满足动稳定性约束的情况下，对变地形进行在线轨迹规划的可行性。
2021-05-10 cs.AI cs.RO cs.SY
Planning Optimal Trajectories for Mobile Manipulators under End-effector Trajectory Continuity Constraint
Singapore Centre for 3D Printing (SC3DP)（新加坡3D打印中心）；Nanyang Technological University (NTU)（南洋理工大学）；Eureka Robotics（尤里卡机器人公司）
针对移动操作臂运动规划中因基座冗余带来的挑战，提出将末端执行器轨迹连续性约束下的规划问题解耦为最优基座轨迹规划与操作臂轨迹求解的方法，并通过硬件实验和仿真验证了其在移动打印任务中的有效性。
2024-03-06 cs.RO
Kinodynamic Motion Planning for Collaborative Object Transportation by Multiple Mobile Manipulators
Indian Institute of Technology Bombay（孟买印度理工学院）
本文提出了一种多移动机械臂协同运输物体的运动规划方法，通过全局路径规划和局部在线轨迹生成，结合运动动力学约束和障碍物处理，实现高效协同运输。
2025-12-07 cs.MA cs.RO math.OC
Dynamic Planning for Sequential Whole-body Mobile Manipulation
针对现有移动操作动态规划方法的局限性，研究提出融合在线任务规划、VKC全身运动规划与反应式MPC的一体化框架，经仿真与真实实验验证可在含人为干扰的动态场景下高效完成序列移动操作任务。
2024-06-21 cs.RO
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science（莫迪理工学院）；PEC University of Technology（旁遮普工程学院大学）
本文介绍了电子设计和运动规划的机器人决策的基础上，关于它的直线运动和精确转弯的人工神经网络（ANN）。人工神经网络有助于机器人的学习，使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）
在人口密集的动态环境中，机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地，移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑，分为全局路径规划和局部路径规划。在此框架内，路径规划方法的最新进展，在文件中，同时检查他们的优点和缺点。值得注意的是，最近开发的速度障碍法及其变种，作为当地的规划者进行了全面的分析。此外，作为当前机器人应用中广泛使用的无模型方法，本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Task Planning for Mobile Manipulation in Retail Stores using Foundation Models with Iterative Re-planning
TCS Research, Tata Consultancy Services Ltd.（塔塔咨询服务公司TCS研究院）
研究零售场景补货问题，利用大语言模型和视觉语言模型，结合定制移动操作平台、用户驱动提示及反馈迭代重新规划方法纠错，在模拟环境验证端到端系统，为零售自动化提供了新的任务规划方案。
2026-07-14 cs.RO
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节，它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术，已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法，用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
Efficient Kinematic Planning for Mobile Manipulators with Non-holonomic Constraints Using Optimal Control
ETH Zürich（苏黎世联邦理工学院）
研究了具有非完整约束和完整操作空间跟踪约束的移动机械臂运动学轨迹规划问题。通过求解约束序列线性二次型最优控制问题，得到了系统的整体轨迹和时变运动反馈控制器。所采用的算法具有高效率，通过一个连续的时间制定，受益于自适应步长积分器和通过线性复杂度的积分步骤的数量。在第一个应用程序的例子中，我们解决了26自由度轮式机器人的运动轨迹规划问题。在第二个例子中，我们将约束SLQ应用到现实世界中的移动机械手在滚动时域最优控制的方式，在那里我们获得最优的控制器和计划的速率高达100 Hz。
2018-01-16 cs.RO
Deep Reinforcement Learning for Mobile Robot Path Planning
Northeastern University（东北大学）；University of Michigan（密歇根大学）；University of Washington（华盛顿大学）
针对移动机器人路径规划问题，本文设计含奖励函数与参数优化的DRL算法，并结合双向搜索混合A*算法，在嵌入式机器人平台上实现更优规划且占用更少计算资源。
2024-04-10 cs.RO
Generating and Optimizing Topologically Distinct Guesses for Mobile Manipulator Path Planning with Path Constraints
Division of Decision and Control Systems, School of EECS, Royal Institute of Technology (KTH)（决策与控制系统系，电子工程与科学学院，皇家理工学院（KTH））
针对移动机械臂在路径约束下易陷入局部最优的问题，提出先发现多条同伦不同路径再分别优化的流程，以接近全局最优解。
2025-10-08 cs.RO
Motion Planning for Multi-Mobile-Manipulator Payload Transport Systems
IIIT Hyderabad（国际信息技术研究所海得拉巴分校）；University of Genoa（热那亚大学）；University of Tübingen（图宾根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；IIT Jodhpur（焦特布尔印度理工学院）
提出了一种空间有效载荷协同操作的运动学运动规划算法。介绍了一种层次化的方法来计算实时无碰撞的移动机械臂机器人形成的运动计划。首先，在规划范围内识别可变形2-D虚拟限界框的无碰撞配置，以定义整个系统的凸工作空间。然后，计算其投影位于定义的凸工作空间内的3-D有效载荷配置。最后，一个凸分散模型预测控制器制定规划无碰撞轨迹的移动机械手形成。这种方法有利于系统的实时运动规划，并且在机器人的数量上是可扩展的。该算法在模拟的动态环境中进行了验证。模拟视频：https://youtu.be/9EKj7RwRs_4。
2019-03-18 cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 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
Path Planning of an Autonomous Mobile Robot in a Dynamic Environment using Modified Bat Swarm Optimization
University of Baghdad（巴格达大学）；Bahria University（巴里亚大学）
针对动态环境下的移动机器人导航问题，提出了一种改进的蝙蝠算法（BA）。这项工作的主要目标是获得无碰撞，最短，最安全的路径之间的起点和终点假设一个动态的环境中移动的障碍。本文对标准BA算法的频率参数提出了一种新的修正，即修正频率蝙蝠算法（MFBA）。在动态环境中的移动机器人的路径规划问题进行了使用建议MFBA。路径规划是在两种模式下实现的;第一种模式被称为路径生成，并使用MFBA实现，当移动机器人附近没有障碍物存在时，启用此模式。当检测到接近移动机器人的障碍物时，启动避障（OA）。通过仿真实验，与标准BA算法进行了性能比较，验证了基于MFBA的路径规划算法的有效性和效率。仿真结果表明，MFBA规划出的无碰撞路径比标准BA规划出的路径更短、更安全、更平滑。
2019-07-09 cs.RO
Desiderata for Planning Systems in General-Purpose Service Robots
University of Washington（华盛顿大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
通用服务机器人预计将根据用户的要求承担广泛的任务。知识表示和规划系统是必不可少的灵活的自主机器人，但该领域缺乏一个统一的观点，功能是必不可少的通用服务机器人。对用户、环境和整个机器人系统的不同假设阻碍了通用服务机器人的规划与推理的进展。在这份立场文件中，我们提出了必要的规划与推理系统，以促进通用服务机器人。每个项目都借鉴了我们对办公室和家庭服务机器人的研究经验以及这些环境的需求。我们的需求强调支持自然的人机界面，以及当与人类和环境的交互失败时，强大的回退方法。我们强调为实现这些目标而开展的相关工作。
2019-07-04 cs.RO
Optimization of dynamic mobile robot path planning based on evolutionary methods
Sharif University of Technology（谢里夫理工大学）
本文提出了一种用于动态移动机器人路径规划的进化优化方法。动态移动路径规划的目标是在各种障碍物存在的情况下，找到一条从起点到目标点的最优可行路径，并保证路径的平滑性和安全性，采用模式搜索（PS）算法、遗传算法（GA）和粒子群优化（PSO）算法，为移动机器人找到一条到达目标点的最优路径，并避免障碍物的影响。为了显示所提出的方法的成功，首先，他们被应用到两个不同的路径与动态环境中的障碍。结果表明，在初始环境和改进环境下，PSO算法收敛性好，最小化目标函数的能力优于其他算法，而PS算法的时间比其他算法短。第二条测试路径是在z型环境下进行的，我们在上面比较了上述算法，同样是在这个环境下，重复了同样的结果。
2019-02-09 cs.RO
Motion Planning and Control for Mobile Robot Navigation Using Machine Learning: a Survey
Army Research Laboratory（陆军研究实验室）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能研究院）
在复杂环境中移动是智能移动机器人的基本能力。数十年的研究和工程一直致力于开发复杂的导航系统，以将移动机器人从一个点移动到另一个点。尽管它们总体上取得了成功，但最近出现的一个研究方向是致力于开发机器学习技术来解决同样的问题，这在很大程度上是基于深度学习的成功。然而，到目前为止，还没有太多的古典和新兴范式之间的直接比较，这个问题。在这篇文章中，我们调查最近的作品，适用于机器学习的运动规划和控制移动机器人导航，经典的导航系统的背景下。所调查的作品被分为不同的类别，这些类别描述了学习方法与经典方法的关系。基于这种分类，我们确定了共同的挑战和有前途的未来方向。
2022-02-26 cs.RO
Multi-Objective Multi-Agent Planning for Jointly Discovering and Tracking Mobile Object
The University of Adelaide（阿德莱德大学）；Curtin University（科廷大学）
我们认为具有挑战性的问题，在线规划的一个团队的代理自主搜索和跟踪的实际约束下的检测范围有限的车载传感器的移动对象的数量随时间变化。一个标准的POMDP与价值函数，鼓励发现或准确跟踪的移动对象是不足以同时满足搜索未发现的移动对象，同时保持跟踪发现的对象的冲突的目标。规划问题进一步复杂化的误检测或错误检测的范围有限的传感器和传感器测量固有的噪声引起的对象。我们制定了一个新的多目标POMDP基于信息论的标准，和一个在线多目标跟踪滤波器的问题。由于控制多智能体是一个众所周知的组合优化问题，分配控制行动的代理需要一个贪心算法。我们证明了我们提出的多目标价值函数是一个单调的次模集函数，因此，贪心算法可以实现（1-1/e）近似最大化的次模多目标函数。
2019-11-22 cs.MA cs.RO cs.SY
Symbolic State Space Optimization for Long Horizon Mobile Manipulation Planning
The State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
针对长时程移动操作中任务级状态空间构建困难的问题，提出S3O方法计算抽象位置及其2D几何锚定以生成任务-运动规划，在仿真和真实机器人实验中均优于现有TAMP基准。
2023-07-21 cs.RO
An Enhanced RRT based Algorithm for Dynamic Path Planning and Energy Management of a Mobile Robot
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出一种增强RRT算法，通过持续生成到充电站的路径并结合能量需求判断充电时机，利用先前树信息优化后续路径，实现移动机器人动态路径规划与电池能量管理。
2023-10-31 cs.RO
Robust Dynamic Control Barrier Function Based Trajectory Planning for Mobile Manipulator
School of Mechanical Engineering and Automation, Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳）机械工程与自动化学院）；Graduated School of Information Science and Technology, Osaka University（大阪大学信息科学与技术研究生院）
针对高维机器人动态轨迹规划的传统方法痛点，提出结合DCBF与扰动观测器的RDCBF规划器，可在复杂动态障碍环境下兼顾扰动与不确定性，实现安全精确避障，经移动机械臂实验验证性能优异。
2024-06-22 cs.RO
Motion Planning of Cooperative Nonholonomic Mobile Manipulators
Department of Mechanical Engineering, Indian Institute of Technology Bombay（印度理工学院班加罗尔机械工程系）；Center for Systems and Control, Indian Institute of Technology Bombay（印度理工学院班加罗尔系统控制中心）
本文提出了一种实时可实现的运动规划框架，用于非holonomic移动机械臂机器人在动态环境中协作运输物体。该框架通过静态无障碍区域找到从起点到目标的路径，并利用一种新颖、快速且计算轻量的椭圆技术生成路径周围的凸、静态、无障碍区域。引入了基于非线性模型预测控制（NMPC）的实时可实现规划技术，联合规划移动基底和机械臂的可行运动，并生成可行的、无碰撞的轨迹以实现协作物体运输。仿真和硬件实验验证了所提规划框架的有效性。
2026-05-17 cs.MA cs.RO cs.SY
Motion Planning for a Humanoid Mobile Manipulator System
Ecole Centrale de Lille（里尔中央理工学院）；Beihang University（北京航空航天大学）
提出了一种高冗余度非完整仿人移动双臂机械臂系统，研究了实现“类人”自主导航和操纵任务的运动规划。首先，提出了一种改进的MaxiMin NSGA-Ⅱ算法，该算法优化了5个目标函数，同时解决了移动基座和机械臂之间的奇异性、冗余性和耦合性问题，设计了操纵目标物体的最优位姿。然后，为了将初始位姿和最优位姿联系起来，设计了离线运动规划算法。提出了一种高效的直连双向RRT和梯度下降算法，大大减少了采样节点，并提出了一种几何优化方法进行路径修剪。此外，头向前的行为，通过计算合理的方向，并将其分配给移动基地，以提高人机交互的质量。第三，通过引入实时传感、碰撞测试和控制循环来更新动态环境中的机器人运动，从而扩展到在线规划。第四，提出了一种基于通路点的电子工程多目标遗传算法，通过优化四个目标函数来设计“类人”通路。最后，大量的仿真结果验证了所提出的算法的有效性。
2018-06-19 cs.RO
Trajectory Planning for Non-Communicating Mobile Robots using Inverse Optimal Control
FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究所）；Institute of Control Systems, Karlsruhe Institute of Technology（卡尔斯鲁厄大学控制系统研究所）
针对非通信移动机器人在避碰场景中的高效交互，提出一种结合逆最优控制的轨迹规划与预测算法，通过估计未知目标状态并联合预测，实现更快的规划求解。
2026-05-29 cs.RO cs.SY eess.SY
A Novel Planning Framework for Complex Flipping Manipulation of Multiple Mobile Manipulators
Shanghai Jiao Tong University（上海交通大学）；Hong Kong University of Science and Technology（香港科技大学）；Great Bay University（大湾区大学）
针对多移动机械臂在闭链约束下的构型不连通问题，提出将轨迹覆盖选择建模为集合覆盖的三步规划框架，以判断无重抓可行性或最小化重抓次数。
2024-10-25 cs.RO
Harmonious Sampling for Mobile Manipulation Planning
KAIST（韩国科学技术院）
移动操作规划通常采用解耦的方法，即分别在基座和机械手上进行规划。虽然这种方法速度很快，但它可能会生成次优路径。另一个方向是在高维位形空间中联合调整基座和机械手的耦合方法。这种耦合方法解决了解耦方法的次最优性和不完整性，但由于其过多的计算开销而没有被广泛使用。鉴于这种权衡的空间，我们提出了一个简单的，但有效的移动操作采样方法，和谐采样，主要是在困难的地区，我们需要同时操纵基地和机械手执行耦合的方法。我们的方法通过一个低维的基空间，利用可达性地图的目标末端执行器的姿态和广义沃罗诺伊图检测到的狭窄通道识别这样的困难区域。对于其余的简单区域，我们主要在具有预定义的联合配置的基本配置上执行采样，从而加速规划过程。我们比较我们的方法与解耦和耦合的方法在六个不同的问题，不同的难度。我们的方法在实验上显示了有意义的改进，在解耦方法的基础上，找到初始解决方案的时间（最多快5.6倍）和最终解决方案的成本（最多低17%），特别是在空间狭窄的困难场景中。我们还展示了这些好处与一个真正的，移动胡博机器人。
2019-09-27 cs.RO
Path planning and Obstacle avoidance approaches for Mobile robot
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Hanoi University of Science and Technology（河内科技大学）
提出并实现了一种新的移动机器人路径规划方法。一方面，基于从起点到目标点的最短路径，该路径规划器可以选择MR的最佳移动方向，这有助于尽快到达目标点。另一方面，智能避障，我们的方法可以找到目标点与近最短的路径长度，同时避免一些无限循环陷阱的多个障碍物在未知的环境。两种方法的结合有助于MR以非常可靠的算法到达目标点。此外，通过不断更新的车载传感器的信息，该方法可以生成的MR轨迹在静态和动态环境。在一些类似的研究环境中进行了大量的仿真，证明了所提出的路径规划算法的能力。
2016-09-07 cs.RO
Enhanced $A^{*}$ Algorithm for Mobile Robot Path Planning with Non-Holonomic Constraints
U R Rao Satellite Centre, Indian Space Research Organization (ISRO)（U.R.拉奥卫星中心，印度空间研究组织（ISRO））；Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science（罗伯特·博世网络物理系统中心，印度科学学院）
本文提出一种考虑非完整转弯半径约束和有限尺寸的移动机器人路径规划新方法，通过栅格化环境生成2D地图并利用增强版$A^{*}$算法实现避障，实验证明了其有效性。
2025-03-02 cs.RO
Overcoming technical adoption barriers for mobile service robots in rehabilitation
TEDIRO Healthcare Robotics（TEDIRO医疗机器人公司）；MetraLabs GmbH Neue Technologien und Systeme（MetraLabs新技术与系统有限责任公司）
本文探讨移动服务机器人在康复领域的技术采用障碍，提出通过外围功能与渐进改进提升技术成熟度，强调临床测试驱动的下游开发对用户接受与广泛采用的关键作用。
2026-09-16 cs.RO
TopAY: Efficient Trajectory Planning for Differential Drive Mobile Manipulators via Topological Paths Search and Arc Length-Yaw Parameterization
State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China（浙江大学工业控制技术状态重点实验室）；Huzhou Institute of Zhejiang University, Huzhou 313000, China（浙江大学湖州研究院）
针对差动驱动移动机械臂轨迹规划的高维与非完整约束挑战，提出TopAY框架，通过拓扑路径搜索、并行采样及弧长-偏航参数化多项式表示提升效率与成功率，源代码已开源。
2025-11-17 cs.RO
Path planning model of mobile robots in the context of crowds
Beijing University of Chemical Technology（北京化工大学）
分析了基于RNN和视觉质量评价的人群环境下机器人路径规划模型。移动机器人路径规划是机器人导航的关键，也是机器人研究的一个重要领域。设机器人的运动空间为二维平面，在采用人工势场法进行路径规划时，将机器人的运动看作是在虚拟人工势场力作用下的一种运动。与简单的图像采集相比，复杂人群环境下的图像采集首先需要对图像进行预处理。我们主要使用OpenCV校准工具对采集的图像进行预处理。在方法学设计中，采用基于RNN的视觉质量评价方法滤除背景噪声.标定后的图像中仍然存在高斯噪声等冗余信息，影响后续的运算。提出了一种基于RNN的图像质量评价算法，并在此基础上进行了去噪处理。此外，新的路径规划模型的设计和仿真。通过与现有模型的比较，证明了该模型的鲁棒性。
2020-09-10 cs.RO
Motion Planning for Mobile Manipulators Navigating Doorways via Model Predictive Control
The Pennsylvania State University（宾夕法尼亚州立大学）；AlphaZ Inc.（AlphaZ公司）
针对移动机械臂在人类环境中穿越 doorway 的需求，提出基于非线性 MPC 的耦合系统运动规划框架，经仿真与硬件实验验证可生成无碰撞的 door 穿越轨迹。
2026-08-04 cs.RO cs.SY eess.SY
Coupled Active Perception and Manipulation Planning for a Mobile Manipulator in Precision Agriculture Applications
Texas A&M University（德克萨斯农工大学）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学（MBZUAI））
针对精准农业中移动机械臂需先近距感知再操作的CAPM问题，提出考虑可达性约束并最小化预期能耗的关键状态/任务规划方法，仿真与实物实验表明其较两阶段解耦方法更节能且任务成功率达100%。
2023-09-28 cs.RO
Fast Motion Planning for Non-Holonomic Mobile Robots via a Rectangular Corridor Representation of Structured Environments
KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究院）
本研究提出了一种基于矩形走廊表示的高效运动规划框架，用于非完整移动机器人在复杂结构化环境中的快速导航。
2026-02-10 cs.RO
Dynamic Path Planning and Replanning for Mobile Robots using RRT*
University of Nevada, Reno（内华达大学里诺分校）
移动机器人必须能够有效地规划从其起始位置或当前位置到期望目标位置的路径。当环境是静态的时，这是一个微不足道的任务。然而，机器人的操作环境很少是静态的，并且它经常具有许多移动障碍物。机器人可能会遇到这些未知和不可预测的移动障碍物中的一个或多个。机器人在遇到障碍物时需要决定如何前进，提出了一种基于RRT* 的动态重规划方法。当未知的随机运动障碍物阻挡路径时，机器人将修改其当前的规划，各种实验结果表明了该方法的有效性。
2017-04-15 cs.RO
A Differentiable Dynamic Modeling Approach to Integrated Motion Planning and Actuator Physical Design for Mobile Manipulators
School of Aeronautics and Astronautics, Purdue University（普渡大学航空航天学院）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
本文提出面向移动机械臂的可微动态建模方法，将电机几何参数解析地融入动力学模型，并构建执行器设计与运动规划同步优化框架，实验表明其在优化速度和能耗上优于传统顺序规划方法。
2024-05-01 cs.RO cs.SY eess.SY
A Nonlinear Constrained Optimization Framework for Comfortable and Customizable Motion Planning of Nonholonomic Mobile Robots - Part I
University of Texas（德克萨斯大学）；Bosch Research and Technology Center（博世研究与技术中心）；Tech-X Corporation（Tech-X公司）；University of Michigan（密歇根大学）
本文提出非完整移动机器人舒适可定制运动规划的非线性约束优化框架，基于轨迹舒适性建模，结合有限元离散化方法解决无限维优化问题。
2013-05-22 cs.CE cs.NA cs.RO
