Rapidly-Iterating Grid-Based Near-Optimal Kinodynamic Motion Planning
本文提出RDG算法,一种基于网格分解的渐近近最优动力学运动规划方法,通过常数时间复杂度的快速迭代生成高质量解,并在10自由度环境下相比SST和DIRT显著提升解质量与成功率。
2026-09-22 cs.RO
DynoFluxBench: Benchmarking Kinodynamic Space-Time Planners in Dynamic Environments
TU Berlin(柏林工业大学)
提出DynoFluxBench基准框架,用于比较动态环境中的运动动力学规划器,并开发三个融合时空方法的规划器,其中ST-Db-RRT求解速度最高提升32倍。
2026-09-17 cs.RO
Sampling-based optimal kinodynamic planning with motion primitives
Politecnico di Milano(米兰理工大学)
本文提出了一种新的基于采样的运动规划器,它集成在RRT*(快速探索随机树星)的预先计算的运动基元的数据库,以减轻其计算负荷,并允许运动规划在动态或部分已知的环境。该数据库是通过考虑在一些网格空间中的初始和最终状态对的集合,并且为每一对确定与系统动态和约束兼容的最优轨迹,同时使成本最小化来构建的。在RRT* 算法中,通过在网格状态空间中随机提取样本并在数据库中选择将其连接到现有节点的最佳无障碍运动基元,将节点逐步添加到可行轨迹树中。如果一些节点可以从新的采样状态通过具有较低成本的无障碍运动原语到达,则树被重新布线。因此,运动规划的计算上更密集的部分被移动到数据库构建的初步离线阶段,代价是由于网格化而导致的一些性能降级。可以调整网格分辨率,以便在(次)最优性和数据库大小之间进行折衷。当网格分辨率趋于零且采样状态数趋于无穷大时,该规划器是渐近最优的。
2022-06-10 cs.RO
Optimal Kinodynamic Motion Planning Through Anytime Bidirectional Heuristic Search with Tight Termination Condition
University of New Hampshire(新罕布什尔大学);University of Prince Edward Island(爱德华王子岛大学)
本文提出 BTIT* 算法,结合 anytime 双向启发式搜索,确保 meet-in-the-middle 属性和最优性,实验显示其在两个动力学基准上比非懒惰知情批量规划器更快收敛。
2026-04-13 cs.RO
Kinodynamic Task and Motion Planning using VLM-guided and Interleaved Sampling
Department of Computer Science and Engineering(计算机科学与工程系)
本文提出一种基于VLM引导和交错采样的运动动力学任务与动作规划方法,通过混合状态树联合决策任务和运动,提升规划效率和成功率。
2026-03-05 cs.RO
BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning
Louisiana State University New Orleans(路易斯安那州立大学新奥尔良分校);Florida International University(佛罗里达国际大学)
提出BOWConnect双向并行运动动力学规划器,通过窗口贝叶斯优化学习局部代价图引导采样,解决高维空间样本效率低、动态约束下代价启发式不可靠及窄通道规划难题,在基准测试中实现100%成功率。
2026-06-26 cs.RO
Accelerating Kinodynamic RRT* Through Dimensionality Reduction
Georgia Institute of Technology(佐治亚理工学院)
基于采样的运动规划算法(如RRT*)因其快速找到初始解然后渐近收敛到最优解的能力而众所周知。然而,对于高维规划问题,特别是对于采样空间不仅是配置空间而且是完整状态空间的动态系统,收敛速度可能很慢。在本文中,我们介绍了使用部分最终状态自由(PFF)的最优控制器的Kinodynamic RRT* [1],以减少采样空间的维数的想法。建议的加速Kinodynamic RRT*,称为Kino-RRT*,而不是对整个状态空间进行采样,只对状态空间的一部分进行采样,而其余的状态由PFF最优控制器选择。我们还提出了一个延迟和间歇更新的RRT* 树中的所有边缘的最佳到达时间,以降低算法的计算复杂度。我们使用4-D和10-D状态空间线性系统测试了所提出的算法,并表明Kino-RRT* 比Kinodynamic RRT* 算法收敛得更快。
2021-07-02 cs.RO cs.SY eess.SY
Kinodynamic Planning on Constraint Manifolds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC(工业机器人信息研究所,CSIC-UPC)
本文提出了一种运动学和动力学约束系统的运动规划器。前者出现在系统中存在运动学回路时,例如在并联机械手中,在合作完成给定任务的机器人中,或在涉及与环境接触的情况下。后者是必要的,以获得现实的轨迹,考虑到力作用在系统上。运动学约束使状态空间成为一个隐式定义的流形,这使得常用的运动规划技术的应用变得复杂。为了解决这个问题,规划器增量地构造状态空间流形的图集,并且使用该图集来生成随机状态并且动态地模拟系统朝向这些状态的转向。然后利用所得到的工具在状态空间上构建一个快速探索的随机树(RRT)。据我们所知,这是第一个随机kinodynamic规划隐式定义的状态空间。本文提出的测试案例验证了显着复杂的系统中的方法。
2017-05-22 cs.RO
Probabilistic completeness of RRT for geometric and kinodynamic planning with forward propagation
Tel-Aviv University(特拉维夫大学);Technion(以色列理工学院);Rutgers University(罗格斯大学)
快速探索随机树(RRT)算法是近二十年来最流行的运动规划技术之一。令人惊讶的是,尽管它的中心地位,有一个积极的辩论,在何种条件下RRT是概率完整的。我们提供了两个新的证明的概率完备性(PC)的RRT减少了一组假设。第一个是纯几何设置,我们只要求解决方案路径与障碍物有一定的间隙。对于向前传播的随机控制和持续时间的kinodynamic的情况下,我们只考虑另外温和的Lipschitz连续性条件。这些证明填补了RRT本身研究的空白。他们也奠定了良好的基础,为各种最近的和替代的采样为基础的方法,其PC属性依赖于RRT。我们的原始出版物在分析运动动力学RRT病例时包含一个错误。在这里,我们通过修改定理2的证明来纠正这个问题,特别是需要修改引理3。简单地说,定理2的原始(和错误的)证明使用了一系列大小相等的球。校正使用一系列半径增加的球。我们强调的是,修正仅在引理3和定理2的证明中。主要结果保持不变。
2022-05-31 cs.RO
${\tt KRAFT}$: Sampling-Based Kinodynamic Replanning and Feedback Control over Approximate, Identified Models of Vehicular Systems
Rutgers University(罗格斯大学)
针对近似动力学模型下复杂动力学机器人轨迹执行安全性不足的问题,提出KRAFT方法,整合采样式动力学重规划、反馈控制与安全机制,经SysId调优模型,实验验证了规划层反馈闭环与长时域推理的重要性。
2024-09-17 cs.RO
Kino-PAX$^+$: Near-Optimal Massively Parallel Kinodynamic Sampling-based Motion Planner
Department of Aerospace Engineering Sciences, University of Colorado Boulder(航空航天工程科学系,科罗拉多大学博尔德分校);Department of Aerospace and Ocean Engineering, Virginia Tech(航空航天与海洋工程系,弗吉尼亚理工学院)
Kino-PAX$^+$是一种具有渐近近最优保证的并行运动规划器,通过并行计算显著提高了速度和解决方案质量。
2026-09-10 cs.DC cs.RO
Iterative Methods for Efficient Sampling-Based Optimal Motion Planning of Nonlinear Systems
KAIST(韩国科学技术院);nuTonomy Inc.(NuTonomy公司)
本文扩展了RRT* 算法,最近开发的,但广泛使用的基于采样的最佳运动规划,以有效地处理非线性kinodynamic约束。运动微分约束中的非线性常导致在树构造中难以选择合适的距离度量和计算优化的轨迹段。为了解决这两个困难,这项工作采用仿射二次调节器为基础的伪度量的距离测量,并利用迭代两点边值问题求解器计算优化段。建议的扩展,然后保留RRT* 框架的固有渐近最优性,同时有效地处理各种kinodynamic约束。三个数值算例验证了该方法的适用性。
2016-03-14 cs.RO
Towards Learning Efficient Maneuver Sets for Kinodynamic Motion Planning
Rutgers University(罗格斯大学)
动态系统的规划是具有挑战性的,因为通常没有可用的本地规划器,并且探索状态空间的唯一原始方法是控制的前向传播。在这种情况下,树抽样为基础的规划已经开发出来,其中一些实现渐近最优传播随机控制在每次迭代。虽然对于分析是理想的,但随机控制导致在实践中缓慢收敛到高质量轨迹。这个简短的立场声明首先认为,如果一个kinodynamic规划者有机会适当地平衡开发探索权衡本地演习,规划者的每次迭代性能显着提高。在规划过程中生成这样的机动可以通过策划随机控制的大样本来实现。然而,这在计算上非常昂贵。如果这样的机动可以快速生成,规划器的性能也将作为计算时间的函数得到改善。为了客观,这个简短的立场声明主张将现代机器学习框架与最先进的,知情的和渐进最佳的Kinodynamic规划器相结合。所提出的方法涉及使用神经网络来推断机器人系统的动力学,适当地平衡上述开发探索权衡本地演习。特别是,提出了一个神经网络架构,它被训练,以反映在线策展过程中的选择,给定的局部障碍和启发式信息。规划器使用这些机动来有效地探索底层状态空间,同时仍然保持期望的属性。模拟环境和系统中的初步迹象是有希望的,但也指出了一些挑战,激励在这一方向上进一步研究。
2019-07-18 cs.RO
Sampling-based Kinodynamic Planning with World Models
Purdue University(普渡大学)
本文提出两种适用于世界模型隐空间的采样式运动-动力学规划策略,在模拟和真实推方块任务中,其规划效率和成功率均优于CEM、MPPI等优化器。
2026-10-12 cs.RO
RRT-CoLearn: towards kinodynamic planning without numerical trajectory optimization
Delft University of Technology(代尔夫特理工大学)
基于采样的Kinodynamic规划器,例如快速探索随机树(RRT),提出了两个基本挑战:计算两个随机采样节点之间距离的可靠(伪)度量,以及计算连接节点的转向输入。这些挑战的核心是一个两点边值问题,这是已知的NP-难。最近,距离度量已经近似使用监督学习,大大减少了计算时间。以前的工作,这样的学习RRT使用直接最优控制来生成数据的监督学习。本文建议使用间接最优控制,因为它提供了两个好处:它减少了计算工作量生成的数据,它提供了一个低维参数化的行动空间。后者允许我们学习距离度量和连接两个节点的转向输入。这消除了学习RRT时对本地规划者的需要。摆摆的实验结果表明,在离线数据生成和在线规划时间10倍的速度,导致至少10倍的速度在整体规划时间。
2017-10-27 cs.RO math.OC
Safe Interval Path Planning With Kinodynamic Constraints
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Federal Research Center for Computer Science and Control of Russian Academy of Sciences(俄罗斯科学院联邦计算机科学与控制研究中心);AIRI
安全区间路径规划(SIPP)是一种功能强大的算法,用于解决单智能体寻路问题,当智能体被限制在一个图中,并且该图的某些顶点/边由于填充环境的动态障碍物而在某些时间间隔被阻塞时。原始SIPP算法依赖于代理能够瞬时停止的假设。然而,这种假设在实践中往往不成立,例如,以巡航速度移动的移动机器人不能立即停止,而是需要逐渐减速到完全停止,这需要时间。换句话说,机器人受到Kinodynamic约束。不幸的是,正如我们在这项工作中所展示的,在这种情况下,原始SIPP是不完整的。为此,我们介绍了一种新的变体SIPP,可证明是完整的和最佳的规划与加速/减速。在实验评估中,我们表明原始SIPP的关键属性仍然适用于修改后的版本-与A* 相比,它执行的扩展少得多,因此速度明显更快。
2023-02-01 cs.AI cs.RO
iDb-RRT: Sampling-based Kinodynamic Motion Planning with Motion Primitives and Trajectory Optimization
New York University(纽约大学);TU Berlin(柏林工业大学);ETH Zurich(苏黎世联邦理工学院)
提出iDb-RRT,一种结合运动基元与轨迹优化的采样型动力学运动规划算法,具备概率完备性,在30个问题、8个系统的基准测试中,求解速度比先前方法快最多10倍,尤其适用于长轨迹和狭窄通道场景。
2024-03-16 cs.RO
STD-Trees: Spatio-temporal Deformable Trees for Multirotors Kinodynamic Planning
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
在具有大量同伦类的约束解空间中,基于独立采样的Kinodynamic规划器收敛效率低。局部优化被集成来缓解这个问题。本文提出了一种基于变形单元的轨迹树生长方法,每个变形单元包含一个节点和连接节点的所有边,通过优化节点状态和边的持续时间,实现了轨迹树的空间和时间变形。该单元仅局部地改变树,但提高了相应子树的整体质量。此外,变形不同的树的部分,考虑到计算负担和优化水平的变种进行了研究和比较,都表现出更快的收敛。所提出的变形是兼容不同的基于RRT的Kinodynamic规划方法,和数值实验表明,集成的时空变形大大加快了收敛速度,并优于空间只有变形。
2021-09-16 cs.RO
Dispersive Forward Tree Search for Optimal Control: Coverage, Complexity, and Computation
Massachusetts Institute of Technology(麻省理工学院)
本文针对非线性平台的规划问题,提出具有有限样本近最优性保证的DFT*算法,通过分散指令集与代价剪枝,在嵌入式处理器上实现高效实时规划,性能优于现有运动学动力学规划器。
2026-08-28 cs.RO math.OC
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder(科罗拉多大学博尔德分校)
在本文中,我们解决的问题,基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统,并提出信念- $\mathcal{A}$,一个框架,扩展任何kinodynamic树为基础的规划器的线性(或线性化)系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间,保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径,并在模拟渐近最优,完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
Sampling-based Algorithms for Optimal Motion Planning Using Closed-loop Prediction
Georgia Institute of Technology(佐治亚理工学院);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
微分约束下的运动规划,即运动动力学运动规划,是机器人学中的经典问题之一。目前,最先进的方法围绕流行的基于采样的算法的运动动力学变体,如快速探索随机树(RRT)。然而,仍然存在挑战,例如,如何在保证最优性的同时包括复杂的动态。如果开环动态是不稳定的,则通过控制空间中的随机采样的探索变得低效。我们描述了一种新的基于采样的算法,称为CL-RRT#,它利用了RRT#算法的思想和RRT算法的变体,该算法使用闭环预测生成轨迹。规划与闭环预测的想法,使我们能够处理复杂的不稳定的动态,并避免需要找到计算困难的转向程序。RRT#算法中提出的搜索技术允许我们通过搜索替代参考轨迹来提高解的质量。使用非完整系统的数值模拟表明所提出的方法的好处。
2016-01-23 cs.RO
Kinodynamic Motion Planning for Mobile Robot Navigation across Inconsistent World Models
Robotics and Artificial Intelligence Laboratory, Hajim School of Engineering and Applied Sciences, University of Rochester(机器人与人工智能实验室,海吉姆工程与应用科学学院,罗切斯特大学)
针对移动机器人因世界模型不一致导致运动规划不安全的问题,提出PEH、GEH、GEGRH三种基于历史模型调整代价的规划方法,其中GEGRH在保证安全性的同时兼顾了规划效率与轨迹代价。
2025-09-30 cs.RO
Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution
Department of Computer Science, University of New Orleans(计算机科学系,新奥尔良大学);Knight Foundation School of Computing and Information Sciences, Florida International University(骑士基金会计算与信息科学学院,佛罗里达国际大学);Providence College, Department of Mathematics & Computer Science(普罗维登斯学院,数学与计算机科学系)
本文提出一种结合约束贝叶斯优化与STL冲突解决的多机器人轨迹规划方法,提升轨迹效率和安全性。
2026-03-06 cs.RO
Data-Efficient Learning of High-Quality Controls for Kinodynamic Planning used in Vehicular Navigation
Rutgers University(罗格斯大学)
本文旨在提高用于车辆系统的运动动力学规划器的路径质量和计算效率。它提出了一个学习框架,以确定有前途的控制在扩展过程中的采样为基础的运动规划系统的动态。离线时,学习过程被训练以返回达到局部目标状态的最高质量控制(即,航路点)在没有障碍物的情况下根据其当前状态和局部目标状态之间的输入差向量来确定。数据生成方案提供了目标分散的界限,并使用状态空间修剪,以确保高质量的控制。通过专注于系统的动态,这个过程是数据高效的,并且对于动态系统只发生一次,因此它可以用于具有模块化扩展功能的不同环境。这项工作将所提出的学习过程与a)一个探索性的扩展函数,该函数生成在可达空间上具有偏置覆盖的路点,以及b)提出了一个用于移动机器人的利用性扩展函数,该函数使用中轴信息生成路点。本文评估了一阶和二阶微分驱动系统的学习过程和相应的规划器。结果表明,所提出的集成的学习和规划可以产生更好的质量路径比随机控制的运动动力学规划在更少的迭代次数和计算时间。
2022-01-06 cs.RO
Conflict-based Search for Multi-Robot Motion Planning with Kinodynamic Constraints
University of Colorado Boulder(科罗拉多大学博尔德分校);Technion(以色列理工学院)
多机器人运动规划(MRMP)是在运动动力学约束下,为多个机器人在一个环境中运动寻找无碰撞轨迹的基本问题。由于其复杂性,现有的算法要么利用简化的假设或不完整。这项工作介绍了kinodynamic冲突为基础的搜索(K-CBS),一个分散的(解耦)MRMP算法,是一般的,可扩展的,概率完整。该算法的灵感来自成功的解决方案,MRMP在有限图的离散模拟,称为多智能体路径查找(MAPF)。具体来说,我们适应的想法,从基于冲突的搜索(CBS)-一个流行的分散MAPF算法-MRMP设置。这种适应的新颖之处在于,我们直接在连续域中工作,而不需要离散化。特别是,Kinodynamic约束被本地处理。K-CBS使用低级规划器为每个机器人单独规划,并通过定义单个机器人的约束来生长冲突树以解决机器人之间的冲突。低级规划器可以是用于Kinodynamic机器人的任何基于采样的树搜索算法,从而将用于单个机器人的现有规划器提升到多机器人设置。我们表明,K-CBS继承了(概率)的低级别计划的完整性。我们说明的一般性和性能的K-CBS在几个案例研究和基准。
2022-07-01 cs.MA cs.RO
Think Fast: Real-Time Kinodynamic Belief-Space Planning for Projectile Interception
Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种实时动力学信念空间规划方法,用于快速移动目标的拦截,采用树状结构和自适应卡尔曼滤波器实现高效目标追踪和实时更新。
2025-11-30 cs.RO
Improving Kinodynamic Planners for Vehicular Navigation with Learned Goal-Reaching Controllers
Rutgers(罗格斯大学)
本文的目的是提高路径质量和计算效率的采样基kinodynamic规划器的车辆导航。它提出了一个学习框架,以确定有前途的控制在扩大过程中的抽样为基础的规划师。给定动态模型,离线训练强化学习过程以返回达到局部目标状态(即,在没有障碍物的情况下。通过专注于系统的动态而不了解环境,这个过程是数据高效的,并且对于机器人系统只发生一次。它可以在不同的环境中重复使用。规划器以明智的方式为学习的控制器生成在线局部目标状态,以偏向目标,并且以探索性的随机方式连续地生成。对于知情的扩展,本地目标状态生成通过(a)中轴信息的环境中的障碍物,或(b)波前信息的设置与可通行性成本。学习过程和由此产生的规划框架进行评估的第一和第二阶差分驱动系统,以及物理模拟的赛格威机器人。结果表明,所提出的集成的学习和规划可以产生更高的质量路径比采样为基础的Kinodynamic规划与随机控制在更少的迭代次数和计算时间。
2021-10-08 cs.RO
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan(密歇根大学)
本文报道了一个集成的框架,安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图,而安全约束通过控制障碍函数(CBF)来执行。该规划器是基于增量探索信息收集(IIG)算法,并允许使用模型预测控制(MPC)的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说,沿着路径收集的信息取决于状态和观察历史。因此,仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG,这是一种综合信息运动规划算法,它考虑到:1)经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场,2)经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束,以及3)通过设置信息论规划视野的自动停止准则。仿真结果表明,SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 cs.RO
Monte-Carlo Tree Search with Prioritized Node Expansion for Multi-Goal Task Planning
Schaeffler Hub for Advanced Research at NTU(南洋理工大学舍弗勒高级研究中心);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院)
针对多子目标机器人符号任务规划计算复杂度高的问题,提出带优先节点扩展的蒙特卡洛树搜索规划器,结合动作约简,可高效处理多子目标任务并在真实工业场景验证。
2023-07-24 cs.RO
Single-Agent On-line Path Planning in Continuous, Unpredictable and Highly Dynamic Environments
Universidad Técnica Federico Santa María(费德里科·圣玛丽亚理工大学)
本文是一篇关于连续、不可预测和高度动态环境下单智能体在线路径规划的论文。问题是寻找和穿越的完整机器人的无碰撞路径,没有kinodynamic的限制,移动在一个环境中有几个不可预测的移动障碍物或对手。假设在任何时候都有关于环境的完整信息。几个静态和动态的快速探索随机树(RRT)算法的变种进行了探讨,以及在动态环境中的进化规划算法称为进化规划师/导航。这两种算法的组合,提出了克服两者的缺点,然后组合的RRT变体的初始规划和知情的本地搜索导航,加上一个简单的贪婪启发式优化。我们表明,这种简单的技术组合提供了更好的响应高度动态的环境比RRT扩展。
2009-12-01 cs.AI cs.RO
Delayed Expansion AGT: Kinodynamic Planning with Application to Tractor-Trailer Parking
School of Aerospace Engineering, Georgia Institute of Technology(航空航天工程学院,佐治亚理工学院);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
针对铰接式车辆在杂乱环境中kinodynamic规划的高维、动力学复杂难题,提出融合延迟扩展运动基元、学习型启发式与轨迹跟踪终止机制的DE-AGT算法,在3节挂车自动泊车仿真中实现10倍平均加速。
2025-06-16 cs.RO cs.SY eess.SY
Kinodynamic Planning for an Energy-Efficient Autonomous Ornithopter
University of Seville(塞维利亚大学)
本文提出了一种新的算法来规划自主扑翼飞机的能量有效的轨迹。在一般情况下,轨迹优化是一个相当相关的问题与\emph{Unmanned Aerial Vehicles}(无人机)的实际应用。尽管这个问题已经在固定翼和扑翼飞行器上得到了很好的研究,但在扑翼无人机(如扑翼飞机)上探索这个问题的工作却少得多。这些对于需要长飞行耐力和悬停能力的许多应用是有意义的。我们提出了一种有效的方法来规划扑翼飞机的轨迹,最大限度地减少能源消耗,结合滑翔和扑翼机动。我们的算法建立了一个树的动态可行的轨迹和应用启发式搜索有效的在线规划,使用参考曲线来指导搜索和修剪状态。我们提出了计算实验来分析和调整关键参数,以及与最近的替代概率规划的比较,显示出最佳性能。最后,我们演示了我们的算法可以用于规划栖息演习在线。
2020-10-23 cs.RO
Chance-Constrained Multi-Robot Motion Planning under Gaussian Uncertainties
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出 CC-K-CBS 算法,结合 K-CBS 的可扩展性与 Belief-A 的高斯信念树效率,并设计三种概率碰撞检测方法,在高斯噪声下实现机会约束的多机器人运动规划,实验表明可扩展至 30 个机器人。
2023-08-07 cs.RO
Stochastic Multi-Objective Kinodynamic Planning Against Adversaries
University of Michigan(密歇根大学)
研究在含随机混合对手环境下的多目标运动动力学规划,核心方法是将规划空间转移到闭环策略序列,通过蒙特卡洛粒子展开评估风险,引入SMO-RRT和SMO-SST算法,推导有限样本界,实现概率安全规划。
2026-07-22 cs.RO
Randomized Physics-based Motion Planning for Grasping in Cluttered and Uncertain Environments
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Institute of Industrial and Control Engineering(工业与控制工程研究所);Rice University(莱斯大学)
在杂乱和不确定的环境中规划抓取物体的运动是一项具有挑战性的任务,特别是当不存在无碰撞轨迹并且需要小心地抓取和移出阻挡道路的物体时。本文采取了不同的方法,并提出了解决这个问题,通过使用一个随机的基于物理的运动规划,允许机器人对象和对象对象之间的相互作用。其主要思想是避免一个明确的高层次推理的任务,提供一个物理引擎的运动规划器,以评估可能的复杂的多体动力学相互作用。该方法能够解决复杂情况下的问题,也考虑了对象的姿态和接触动力学的不确定性。这项工作增强了状态有效性检查器,控制采样器和树的探索策略的Kinodynamic运动规划称为KPIECE。增强算法,称为p-KPIECE,已在仿真和实际实验中得到验证。的结果进行了比较与本体物理为基础的运动规划和任务和运动规划的方法,导致规划时间,成功率和质量的解决方案路径方面的显着改善。
2017-11-27 cs.RO
Conflict-Based Model Predictive Control for Scalable Multi-Robot Motion Planning
Carnegie Mellon University(卡内基梅隆大学)
本文提出CB-MPC算法,借鉴CBS的高层冲突树在连续空间高效解决多机器人冲突,并用MPC处理个体运动学和动力学约束,相比联合、优先级和分布式MPC变体,在多种环境中提升了可执行性、成功率和交互紧密性,同时显著降低计算成本。
2024-04-01 cs.MA cs.RO
Safe and Robust Motion Planning for Dynamic Robotics via Control Barrier Functions
University of Southern California(南加州大学)
控制障碍函数(CBF)被广泛应用于非线性系统的安全临界约束。最近,这些功能被纳入到一个路径规划框架,设计安全关键路线规划。然而,这些方法未能提供一个现实的路径,同时考虑到算法的运行时的复杂性和执行的安全关键的约束。本文提出了一种新的运动规划方法,使用著名的快速探索随机树(RRT)算法,强制CBF和机器人Kinodynamic约束,以产生一个安全的关键路线。该算法还输出相应的控制信号,导致无障碍路径。该方法还允许考虑模型的不确定性,将鲁棒CBF约束到所提出的框架。因此,所得到的路径没有任何障碍物,并考虑了来自机器人动力学和感知的模型不确定性。结果分析表明,所提出的方法优于传统的基于RRT的路径规划器,保证了安全的关键路线以最小的计算开销。我们提出了数值验证的算法上的CNOV7机器人车,一个微型自主无人地面车辆,执行动态导航的障碍重重的路径与各种不确定性的感知噪声和机器人动力学。
2021-10-22 cs.RO cs.SY eess.SY
Becoming a Fruit Ninja: Real-Time Probabilistic Kinodynamic Planning for Manipulator Projectile Interception
Purdue University(普渡大学)
提出FRUITNINJA,一种GPU上的任意时间采样规划器,通过精确三次曲线和并行搜索满足执行器限制,在实时模拟中显著提升机械臂抛射物拦截成功率。
2026-09-22 cs.RO
Incremental Generalized Hybrid A*
University of Washington(华盛顿大学);Technion-Israel Institute of Technology(技术ion-以色列理工学院)
Incremental Generalized Hybrid A*通过动态组织顶点扩展,提高了复杂动态下的实时规划效率。
2025-12-09 cs.RO
Neural Tree Expansion for Multi-Robot Planning in Non-Cooperative Environments
California Institute of Technology(加州理工学院)
我们提出了一种自我改进的神经树扩展(NTE)方法,用于非合作环境中的多机器人在线规划,其中每个机器人在与其他自利机器人交互时试图最大化其累积奖励。我们的算法适应集中,完善的信息,离散动作空间的方法从AlphaZero分散,部分信息,连续的动作空间设置多机器人应用程序。我们的方法有三个相互作用的组成部分:(i)具有提供专家演示的大计算资源的集中式、完全信息“专家”蒙特卡罗树搜索(MCTS),(ii)具有实时运行并提供自玩示例的小计算资源的分散式、部分信息“学习者”MCTS,以及(iii)策略和值神经网络,其利用专家示范进行训练并且使专家和学习者树生长都偏置。我们的数值实验证明了神经树扩展的计算优势,找到了比MCTS更好的解决方案,其资源是MCTS的20倍。由此产生的政策是动态复杂的,展示机器人之间的协调,并发挥达到目标,避免差分游戏显着优于国家的最先进的控制理论基线的多机器人,双积分器系统。我们在空中蜂群上的硬件实验证明了神经树扩展的计算优势,可以在复杂场景中以20 Hz的频率使用有效的策略进行在线规划。
2021-07-09 cs.RO
Automatic Behavior Tree Expansion with LLMs for Robotic Manipulation
ABB Robotics(ABB机器人公司);ABB Corporate Research(ABB企业研究院);Royal Institute of Technology (KTH)(皇家理工学院(KTH))
提出BETR-XP-LLM方法,利用LLM动态自动扩展和配置行为树作为机器人控制策略,解决规划与执行中的错误,并永久更新策略以处理未来类似问题。
2024-09-20 cs.RO
Coarse-to-fine Q-attention with Tree Expansion
UC Berkeley(加州大学伯克利分校)
从粗到细的Q-注意力通过以从粗到细的方式离散化平移空间来实现样本高效的机器人操作,其中分辨率在层次结构中的每一层逐渐增加。虽然有效,但Q-attention遭受“粗糙的模糊性”-当体素化非常粗糙时,如果不首先以更精细的分辨率进行检查,就无法区分外观相似的对象。为了解决这个问题,我们建议将Q-attention设想为一棵树,它可以扩展并用于在每个Q-attention深度处累积前k个体素的值估计。当我们的扩展,Q-attention with Tree Expansion(QTE),在注意力驱动的机器人操作(ARM)系统中取代标准的Q-attention时,我们能够完成更大的任务集;特别是那些遭受“粗糙模糊”的任务。除了在12个RLBench任务中评估我们的方法外,我们还表明,在涉及小对象的现实任务中,性能的提高是显而易见的。
2022-05-02 cs.AI cs.CV cs.LG
Monte Carlo Tree Search with Spectral Expansion for Planning with Dynamical Systems
California Institute of Technology(加州理工学院)
针对连续动力系统规划中蒙特卡洛树搜索需离散化的问题,提出谱扩展树搜索(SETS),利用局部线性化谱构建近似离散表示,并证明其收敛性,在多种机器人上实时发现最优行为。
2024-12-15 cs.RO