Tight Collision Probability for UAV Motion Planning in Uncertain Environment
The University of Hong Kong(香港大学);Zhejiang University(浙江大学)
针对动态障碍、外部扰动、定位与建模误差,本文提出融合多源不确定性的无人机机会约束运动规划框架,并用碰撞概率紧致上界降低轨迹保守性。
2023-09-28 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
Mixed-Integer MPC-Based Motion Planning Using Hybrid Zonotopes with Tight Relaxations
Department of Mechanical Engineering, The Pennsylvania State University(机械工程系,宾夕法尼亚州立大学);Penn State Applied Research Laboratory(宾夕法尼亚州立大学应用研究实验室)
本文提出基于混合锥形体的混合整数MPC运动规划方法,通过紧松弛和分支定界求解器高效解决非凸约束问题,实现快速且精确的自动驾驶运动规划。
2024-11-02 cs.RO cs.SY eess.SY
Towards Tight Convex Relaxations for Contact-Rich Manipulation
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学)
本文提出一种基于凸集图和半定规划的紧凸松弛方法,用于解决接触丰富操作的全局运动规划问题,在平面推动任务中无需初始猜测即可高效获得接近全局最优的可行轨迹。
2024-07-05 cs.RO
Towards Practical Finite Sample Bounds for Motion Planning in TAMP
Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室)
本文针对 TAMP 中 PRM 采样数量难以确定的问题,基于样本复杂度理论给出高概率充分样本上界,并提出数值定界算法,在平面场景中验证其紧度并提升规划时间。
2024-12-04 cs.CG cs.RO
Agile asymmetric multi-legged locomotion: contact planning via geometric mechanics and spin model duality
Department of Mechanical Engineering, Pennsylvania State University(宾夕法尼亚州立大学机械工程系);MIT Improbable AI Lab, Maschusetts Institute of Technology(麻省理工学院Improbable AI实验室);Department of Physics, Georgia Institute of Technology(佐治亚理工学院物理系);Department of Physics, Tsinghua University(清华大学物理系)
本研究提出了一种基于几何力学和自旋模型对偶性的原理性框架,用于发现多足运动中的新控制结构,实现了六足机器人非对称运动策略,使前进速度提高50%。
2026-02-09 cs.RO cs.SY eess.SY
Unlabeled Multi-Robot Motion Planning with Tighter Separation Bounds
Freie Universität Berlin(柏林自由大学);TU Eindhoven(埃因霍温理工大学);Saarland University(萨尔兰大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);TU Dortmund(多特蒙德工业大学);University of Trier(特里尔大学);Tel Aviv University(特拉维夫大学);The University of Electro-Communications(电气通信大学);Adyen(Adyen公司)
研究了$m$单元-圆盘机器人在$n$边的简单多边形工作空间中的无标号运动规划问题。目标是找到一个运动计划,移动机器人到一个给定的一组$m$目标位置。对于未标记的变体,哪个机器人到达哪个目标位置并不重要,只要最终所有目标位置都被占用。如果工作空间有狭窄的通道,使得机器人不能通过它们,那么自由配置空间,代表机器人的所有可能的无障碍位置,将由多个连接的组件。即使在自由空间的每个组成部分的目标的数量匹配的起始位置的数量,运动规划问题并不总是有一个解决方案时,机器人和他们的目标定位非常密集。在本文中,我们证明了严格的界限有多少开始和目标位置之间的分离是必要的,总是保证一个解决方案。此外,我们描述了一个算法,总是找到一个解决方案的时间$O(n \log n + mn + m^2)$,如果满足分离界限。具体地说,我们证明了以下分离是足够的:任何两个起始位置是至少距离$4$分开,任何两个目标位置是至少距离$4$分开,和任何一对的起始和目标位置是至少距离$3$分开。我们进一步表明,当自由空间由一个单一的连接组件,开始和目标位置之间的分离是不必要的。
2022-05-16 cs.CG cs.RO
Toward Holistic Planning and Control Optimization for Dual-Arm Rearrangement
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
针对长时域双臂重排任务中任务与运动规划耦合难、求解复杂的问题,提出集成新型任务采样与轨迹优化的MODAP流水线,可更优协调双臂、缩短执行时间并满足运动约束。
2024-04-10 cs.RO
An Efficient Trajectory Generation for Bi-copter Flight in Tight Space
School of Aerospace Science and Engineering, Beihang University(北京航空航天大学宇航学院);Tianmushan Laboratory(天目山实验室);Institute of Unmanned System, Beihang University(北京航空航天大学无人系统研究院)
针对双旋翼穿越狭小空间的运动规划问题,提出一种高效方法,通过全身碰撞检查生成无碰撞路径并联合优化位置与旋转生成轨迹,实现安全导航。
2024-06-02 cs.RO
A Lower Bounding Framework for Motion Planning amid Dynamic Obstacles in 2D
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德州农工大学)
这项工作考虑了一个运动规划问题与动态障碍(MPDO)在2D中,需要找到一个最小的到达时间之间的点机器人的起始位置和目标位置沿已知的轨迹动态障碍物的无碰撞轨迹。现有的方法,如连续Dijkstra范式,可以通过限制障碍物的形状或机器人的运动来找到最优解,而这项工作没有这样的假设。其他方法,如基于搜索的规划器和基于采样的方法可以计算这个问题的可行解,但不提供近似边界。由于找到最佳的MPDO是具有挑战性的,本文开发了一个框架,可以提供严格的下限的最佳。这些界限充当最优的代理,然后可以用于约束可行解与最优解的偏差。为了实现这一点,我们开发了一个框架,包括(i)一个双层离散化方法,将MPDO转换为一个宽松的路径规划问题,以及(ii)一个算法,可以解决放松的问题,以获得下界。我们还提出了数值结果来证实所提出的框架的性能。这些结果表明,在某些情况下,我们的方法获得的界限比基线方法严格两倍,展示了所提出方法的潜在优势。
2022-06-02 cs.RO
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University(奥托·冯·格里克大学);German Aerospace Center (DLR)(德国航空航天中心(DLR));Technical University of Darmstadt(达姆施塔特工业大学)
自动驾驶车辆的规划和控制通常是分层分离的。然而,不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划,并将控制和规划紧密集成,以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式,以增加灵活性和性能,而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性,但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性,而问题的分层分解降低了计算成本,并使实时实现。我们推导出递归可行性的条件,以确保约束满足和避障,以保证安全,并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO cs.SY eess.SY
Implicit Graph Search for Planning on Graphs of Convex Sets
The Robotics Institute at Carnegie Mellon University(卡内基梅隆大学机器人研究所);the University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对凸集图(GCS)在大规模机器人运动规划中计算慢的问题,提出INSATxGCS和IxG*两种隐式图搜索方法,通过交替图搜索与轨迹优化加速规划并保证完备性与最优性。
2024-10-11 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
Visual-Inertial Target Tracking and Motion Planning for UAV-based Radiation Detection
University of Delaware(特拉华大学)
本文讨论了使用最小传感能力的无人机在运输中检测放射性物质的问题,其目标是分类目标的放射性车辆计划通过工作空间的路径,同时跟踪目标的短时间间隔。为此,我们提出了一个运动规划框架,它集成了紧密耦合的视觉惯性定位和目标跟踪。在这个框架中,3D工作空间是已知的,并且该信息与UAV动力学一起用于构建导航功能,该导航功能生成动态可行的安全路径,该路径避开障碍物并且可证明地收敛到移动目标。通过Gazebo中的真实仿真验证了所提出方法的有效性。
2018-05-23 cs.RO
Disturbance-aware minimum-time planning strategies for motorsport vehicles with probabilistic safety certificates
Dipartimento di Ingegneria Civile e Industriale, Università di Pisa(皮萨大学土木与工业工程系)
针对赛车最短圈速轨迹优化的鲁棒性问题,提出含开环协方差传播、闭环协变感知规划的扰动感知框架,经测试满足安全概率且闭环方案圈速损失更小,推动其实际部署。
2025-06-16 cs.RO
Probabilistic Collision Constraint for Motion Planning in Dynamic Environments
University of Genoa(热那亚大学)
无碰撞轨迹的在线生成对于自主导航至关重要。动态环境、机器人运动和传感不确定性给防撞系统带来了进一步的挑战。本文提出了一种动态环境中,机器人和障碍物的状态不确定性的避碰方法。我们推导出了机器人与障碍物碰撞概率的严格上界,并将其表示为一个运动规划约束,该约束可实时的求解。所提出的方法进行了测试,在考虑移动机器人以及四旋翼的仿真,以证明成功的碰撞避免是在实时的应用。我们还提供了我们的方法与几个国家的最先进的方法的比较。
2021-04-04 cs.RO
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego(加州大学圣地亚哥分校)
自动驾驶中的安全路径规划是一项复杂的任务,由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源,但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能,标志的显着性,定义为指示是否有明显的信息,自我车辆的目标,关于交通法规的标志。在裁剪标志上使用卷积网络,结合道路类型、图像坐标和计划机动的实验增强,我们以76%的准确率预测标志的显著性,使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
Parsimonious disturbance-aware minimum-time planning with parametric uncertainty
研究针对赛车运动应用提出最小圈时规划框架,考虑状态干扰和参数不确定性,扩展公式并采用简约激活策略,通过MPC验证,相比无鲁棒性规划,鲁棒规划失败运行少、关键信号分散紧,提升了可跟踪性。
2026-07-16 cs.RO
Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa(热那亚大学)
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离,与以前的方法不同,我们提供了一种方法来计算准确的碰撞概率。此外,我们提供了一个严格的上限,可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下,所提出的方法进行了评估模拟。
2021-10-12 cs.AI 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
Joint Sampling and Trajectory Optimization over Graphs for Online Motion Planning
Facebook AI Research(脸书人工智能研究院)
在最流行的运动规划技术中,采样和轨迹优化由于其分别处理紧约束和高维系统的能力而获得成功。然而,在更高维度的采样和局部最小值问题的优化限制,阻碍了他们超越静态场景在离线设置的能力。在这里,我们考虑高度动态的环境,需要一个快速的在线解决方案。我们提出了一个统一的方法,利用采样和优化的互补优势,并交错它们都在一种方式,非常适合这个具有挑战性的问题。在多个合成和现实的模拟环境中的基准测试,我们表明,我们的方法在各种指标上表现得更好,对基线只采用采样或只优化。项目页面:https://sites.google.com/view/jistplanner
2021-07-28 cs.RO
Motion Planning in Non-Gaussian Belief Spaces (M3P): The Case of a Kidnapped Robot
Texas A&M University(得克萨斯农工大学)
由于执行器和传感器的噪声特性,不确定性下的规划是物理系统的关键要求。使用信念空间方法,规划解决方案往往会生成导致信息寻求行为的行动,从而减少状态不确定性。虽然最近的工作已经处理了高斯信念的规划,但在许多情况下,多模态信念是潜在信念的更准确表示。在信息对称的环境中尤其如此,这种环境会导致不确定的数据关联,从而自然导致对状态的多模态假设。因此,计划者不能简单地将行动建立在最可能的状态上。我们提出了一种算法,该算法使用滚动时域规划方法来规划动作,该动作顺序地将多模态信念消歧为单峰高斯,并在真实状态上实现紧密定位,称为多模态运动规划器(M3P)。通过将基于高斯采样的信念空间规划器与M3P相结合,并在规划器和信念表示中引入切换行为,我们提出了一个整体的信念空间规划问题的端到端解决方案。二维地面机器人导航问题的仿真结果表明,我们的方法的性能。
2015-06-05 cs.RO
Efficient Probabilistic Collision Detection for Non-Gaussian Noise Distributions
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Maryland at College Park(马里兰大学帕克分校)
提出了一种计算两个位置不确定物体碰撞概率上界的有效算法,其误差分布用非高斯形式表示。我们的方法可以处理来自深度传感器的噪声数据集,其分布可能对应于截断高斯,加权样本或截断高斯混合模型。我们推导出严格的概率界限凸形状,并将其扩展到非凸形状,使用分层表示。我们强调了我们的方法的好处,在以前的概率碰撞检测算法在更严格的界限($10$ x)和改进的运行时间($3$ x)。此外,我们使用我们的紧边界设计一个有效的和准确的运动规划算法的7自由度机器人手臂在严格的情况下与传感器和运动的不确定性。
2019-12-15 cs.RO
Asymptotically Optimal Sampling-Based Path Planning Using Bidirectional Guidance Heuristic
针对运动规划问题,提出渐近最优的BIGIT*算法,通过构建隐式双向初步运动树生成双向引导启发式,加速搜索,在模拟与实际无人机规划任务中性能优于现有方法。
2024-12-07 cs.RO
Time-aware Motion Planning in Dynamic Environments with Conformal Prediction
Lehigh University(理海大学);University of California Riverside(加州大学河滨分校)
本文提出基于符合预测的时间感知运动规划框架,通过全局和局部规划器结合自适应分位数机制,实现动态环境中鲁棒且高效的轨迹生成与安全保证。
2025-11-22 cs.RO
Asymptotically-Optimal Motion Planning using Lower Bounds on Cost
Tel-Aviv University(特拉维夫大学)
图上的许多路径查找算法(如A*)都是通过使用启发式函数来加速的,该函数给出了到达目标的成本下限。为了应用类似的技术来加速基于采样的运动规划算法,我们使用有效的下限配置之间的成本紧密估计的成本去。然后,我们使用这些估计在任何时候的渐近最优算法,我们称之为运动规划使用下限(MPLB)。MPLB基于最近由Janson和Pavone提出的快速行进树(FMT*)算法。我们的方法的一个优点是,在许多情况下(特别是随着样本数量的增长),碰撞检测的重量在计算中几乎可以忽略不计的最近邻调用。我们证明,MPLB执行没有更多的碰撞检测调用比FMT* 的随时版本。此外,我们在模拟中证明,对于某些情况下,这里提出的算法工具可以有效地产生低成本的路径,同时只花费一小部分的运行时间在碰撞检测。
2014-09-30 cs.RO
A Survey on Sensor-based Planning and Control for Unmanned Underwater Vehicles
本文综述了水下无人航行器基于传感器的规划与控制方法,分析了复杂环境下的定位与避障问题,探讨了耦合架构与解耦架构的对比,指出MPC和不变集控制器在路径优化与安全性方面的贡献。
2026-04-06 cs.RO
Adaptively Informed Trees (AIT*): Fast Asymptotically Optimal Path Planning through Adaptive Heuristics
基于知情采样的规划算法利用问题知识以获得更好的搜索性能。这些知识通常表示为解决方案成本的启发式估计,并用于排序搜索。这种知情搜索的实际改进取决于启发式的准确性。选择一个合适的启发式是困难的。适用于整个问题域的启发式方法通常定义简单,评估成本低,但对于特定的问题实例可能没有好处。特定于问题实例的启发式通常很难定义或评估成本很高,但会使搜索本身变得微不足道。本文提出了自适应信息树(AIT*),一个几乎必然渐近最优的基于抽样的规划器的基础上BIT*。AIT* 通过使用非对称双向搜索来同时估计和利用特定于问题的启发式,从而使其搜索适应每个问题实例。这使得它能够快速找到初始解并收敛到最优解。AIT* 与RRT-Connect一样快速地解决了测试问题,同时也向最佳方向收敛。
2020-03-05 cs.RO
Provable Indefinite-Horizon Real-Time Planning for Repetitive Tasks
Carnegie Mellon University(卡内基梅隆大学)
在许多机器人操作场景中,机器人通常必须在结构化环境中执行高度重复的任务,例如在收发室中分拣邮件或在传送带上拾取和放置物体。在这项工作中,我们感兴趣的是任务相似但不相同的设置(例如,由于对象的不确定定向)并且运动规划需要非常快。基于预处理的方法在这些环境中被证明是非常有益的。它们离线分析配置空间以生成一些辅助信息,然后可以在查询阶段使用这些信息来加速规划时间。通常,对查询时间的要求越严格,内存占用量就越大。特别是,对于高维空间,提供实时的【形】规划能力极具挑战性。虽然存在通过限制规划范围来保证实时的【形】性能的规划器,但是我们不知道通用规划器能够针对不确定的范围(即,目标的规划)。为此,我们提出了一种基于预处理的方法,提供可证明的边界上的查询时间,同时只产生少量的内存开销在查询阶段。我们评估我们的方法在7自由度的机器人手臂,并显示了超过十倍的查询时间相比,PRM算法的加速。
2019-04-11 cs.RO
Planning in the Backbone: DiffAdapterVLA for Native Continuous Trajectory Generation with Driving VLMs
Wuhan University(武汉大学);Dongfeng Research & Development Institute(东风汽车研发总院)
DiffAdapterVLA通过将轨迹令牌注入VLM骨干后期层,实现与驾驶条件共同演化的连续轨迹规划,仅用轻量模块即达高效闭环规划。
2026-09-23 cs.AI cs.RO
Reactive Integrated Mission and Motion planning
University of Notre Dame(圣母大学)
在动态环境中,其他代理可以操纵工作空间中的对象,正确的施工操作规划是一个具有挑战性的问题。代理之间的动作和运动的紧密耦合以及任务规范的复杂性使得该问题在计算上难以处理。针对部分已知环境下的移动机器人操作系统,提出了一种反应式集成任务和运动规划方法。我们引入了一个多层次的协同框架,接收高层次的任务规范表示在线性时序逻辑,并产生动态可行的和无碰撞的运动轨迹来实现it.In高层次的层,任务规划器之间的机器人和他们的环境构建一个象征性的两人游戏,合成一个策略,以适应其他机器人施加的工作空间的变化。一个双边的协同层被开发来映射所设计的任务计划到一个集成的任务和运动规划器,构建一组机器人任务,根据任务策略移动对象。在低层次规划阶段,可验证的运动控制器的设计,可以递增组成,以保证安全的运动规划为每个高层次的诱导任务。所提出的框架与多机器人仓库的例子与移动对象到不同的位置的任务说明。
2017-11-06 cs.RO
Task and Motion Informed Trees (TMIT*): Almost-Surely Asymptotically Optimal Integrated Task and Motion Planning
Rice University(莱斯大学);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院);University of Oxford(牛津大学)
高水平的自主性需要离散和连续的推理来决定采取什么行动以及如何执行这些行动。集成任务和运动规划(TMP)算法联合解决这些混合问题以考虑离散符号动作之间的约束(即,任务计划)和它们的连续几何实现(即,运动计划)。这种联合的方法解决了更困难的问题比方法,解决任务和运动子问题独立。TMP算法结合并扩展了任务和运动规划的结果。TMP主要关注计算性能和完整性,较少关注解的最优性。最优TMP是困难的,因为独立的最优子问题可能不是最优的集成解决方案,这只能通过联合优化两个计划。本文提出了任务和运动信息树(TMIT*),一个最佳的TMP算法,结合的结果,从最大完工时间最优的任务规划和几乎必然渐近最优的运动规划。TMIT* 交错不对称的前向和逆向搜萦,以延迟计算昂贵的操作,直到必要的,并直接在问题的混合状态空间中执行有效的知情搜索。这使它能够快速解决问题,然后收敛到最佳的解决方案与额外的计算时间,所证明的评估机器人操作基准问题。
2022-10-17 cs.RO
On Disturbance-Aware Minimum-Time Trajectory Planning: Evidence from Tests on a Dynamic Driving Simulator
Università di Pisa(帕尔马大学);Politecnico di Milano(米兰理工大学)
本文提出扰动感知的最短时间轨迹规划方法,通过动态模拟器实验验证,表明FLC在降低转向努力的同时保持较短的lap时间,提升了驾驶性能和稳定性。
2025-12-04 cs.RO cs.SY eess.SY
Hybrid System Planning using a Mixed-Integer ADMM Heuristic and Hybrid Zonotopes
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种混合系统规划框架,结合混合聚束体与ADMM启发式方法,以提高混合系统规划的效率和收敛速度。
2026-08-18 cs.RO cs.SY eess.SY
Kinodynamic Motion Planning for a Team of Multirotors Transporting a Cable-Suspended Payload in Cluttered Environments
Faculty of Electrical Engineering and Computer Science, Technical University of Berlin(柏林工业大学电机工程与计算机科学学院);New York University(纽约大学)
本文提出一种面向多无人机缆绳悬挂载荷运输的动力学运动规划方法,通过分层几何采样与约束轨迹优化,在杂乱环境中显著降低跟踪误差和能耗,并提升狭窄空间队形变换场景的成功率。
2024-10-01 cs.MA cs.RO
Gaussian Belief Space Path Planning for Minimum Sensing Navigation
University of Texas at Austin(德克萨斯大学奥斯汀分校);Tokyo Institute of Technology(东京工业大学)
我们提出了一种路径规划方法的移动机器人导航通过充满障碍的环境中产生一个参考路径是可追溯的适度的传感努力。所需的参考路径的特点是在一个充满障碍的高斯信念流形配备了一个新的信息几何距离函数的最短路径。我们引入的距离函数被证明是一个非对称的准伪度量,可以被解释为引导高斯信念所需的最小信息增益。提出了一种基于RRT * 的数值求解算法来求解最短路径问题。为了深入了解所提出的算法的渐近最优性,我们考虑的路径长度函数是连续的拓扑结构的总变分。仿真结果表明,所提出的方法是有效的,在各种机器人导航方案,以减少传感器的成本,如所需的频率的传感器测量和必须同时操作的传感器的数量。
2022-12-07 cs.IT cs.RO math.IT
Visualization of Nonlinear Programming for Robot Motion Planning
University of Stuttgart(斯图加特大学);Technische Universität Berlin(柏林工业大学)
非线性规划针对具有约束的非线性优化,这是一种通用但复杂的方法,涉及人类进行问题建模和求解问题的算法。我们解决了特别困难的挑战,支持领域专家在处理,理解和解决问题的高维优化与大量的约束。利用可视化分析,支持用户探索非线性约束优化的计算过程。我们的系统是专为机器人运动规划问题,并在非线性规划和机器人领域的专家紧密合作开发。我们报告的经验,从这个设计研究,说明相关的示例情况下的有用性,并讨论了扩展到非线性规划的可视化分析。
2021-01-28 cs.HC cs.NA cs.RO
Distributionally Robust RRT with Risk Allocation
Lund University(隆德大学)
本文提出将分布鲁棒风险分配集成到基于采样的运动规划中,通过分解联合风险约束实现非均匀分配,生成保守且风险可行的轨迹。
2023-05-13 cs.RO cs.SY eess.SY
Efficient Online Trajectory Planning for Integrator Chain Dynamics using Polynomial Elimination
提供平滑的参考轨迹可以有效地提高跟踪控制应用的性能和精度,同时减少过冲和不必要的振动。轨迹规划计算通常可以通过使用诸如反馈线性化、微分平坦或控制器规范形式之类的方法将系统动态转换成解耦的积分器链来显著简化。我们提出了一个有效的方法来规划时间最优轨道的积分链受导数界约束。因此,代数预计算算法以一组多项式系统的形式制定时间最优性的必要条件,然后使用格罗布纳基进行符号多项式消除。一个快速的在线算法,然后通过计算分解的多项式系统的根规划的轨迹。这些根描述了输入信号的切换时刻,并且整个轨迹简单地遵循多重积分。该方法提出了一种系统的方法来计算时间最优轨迹精确地通过代数计算,而无需数值逼近迭代。它适用于不同的连续阶数,非对称导数界和非静止的初始和最终状态的各种轨迹类型。
2020-12-13 cs.RO cs.SY eess.SY
Chance-Constrained Trajectory Planning with Multimodal Environmental Uncertainty
University of British Columbia(不列颠哥伦比亚大学);Seoul National University(首尔大学);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本文针对GMM多模态环境不确定性下的安全轨迹规划,提出混合整数锥近似和CVaR方法,并在自动驾驶数据上验证了其有效性。
2025-03-09 cs.RO cs.SY eess.SY
Energy-Aware Predictive Motion Planning for Autonomous Vehicles Using a Hybrid Zonotope Constraint Representation
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出一种基于MPC的无人飞行器耦合运动与能量规划策略,利用约束和混合zonotope表示约束,并在混合整数二次规划求解器中实现实时规划。
2024-11-15 cs.RO cs.SY eess.SY
Comparative Analysis of UAV Path Planning Algorithms for Efficient Navigation in Urban 3D Environments
dept. of Economics Oran2 Mohamed BenAhmed University(经济系 Oran2 摩洛哥贝 Ahmed 大学)
针对无人机路径规划与避障挑战,对比分析A*、RRT*和粒子群优化(PSO)算法在3D城市环境中的表现,发现A*在计算效率和路径质量最优,PSO适用于急转密集环境,RRT*表现均衡。
2025-08-26 cs.AI cs.RO
Desensitization and Deception in Differential Games with Asymmetric Information
Georgia Tech(佐治亚理工学院);University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校);Honda Aircraft Company(本田飞机公司)
本文针对两人微分博弈中的参数不确定性与信息不对称问题,提出脱敏反馈策略保障信息劣势玩家的安全轨迹,并为信息优势的逃避者设计欺骗策略,在追击-逃避场景中验证了有效性。
2024-02-07 cs.RO cs.SY eess.SY
Learning to Plan, Planning to Learn: Adaptive Hierarchical RL-MPC for Sample-Efficient Decision Making
Toyota Research Institute(丰田研究院);Learning to Plan, Planning to Learn: Adaptive Hierarchical RL-MPC for Sample-Efficient Decision Making(学习规划,规划学习:自适应分层RL-MPC用于样本高效决策)
本文提出了一种融合强化学习和MPC规划的分层方法,通过自适应聚合MPPI样本提升策略鲁棒性,实现在复杂规划问题中提高样本效率和任务成功率。
2026-04-16 cs.AI cs.LG cs.RO
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
Dynamically Feasible Path Planning in Cluttered Environments via Reachable Bezier Polytopes
California Institute of Technology(加州理工学院)
本文提出利用可达贝塞尔多面体并结合GPU加速的分层控制架构,为非线性控制系统在杂乱环境中高效生成无碰撞且动力学可行的路径,并在三维跳跃任务中验证了框架的有效性。
2024-11-20 cs.RO cs.SY eess.SY
Fast Heuristic Scheduling and Trajectory Planning for Robotic Fruit Harvesters with Multiple Cartesian Arms
Department of Mechanical & Aerospace Engineering University of California, Davis(机械与航空航天工程系加州大学戴维斯分校);Department of Biological and Agricultural Engineering University of California, Davis(生物与农业工程系加州大学戴维斯分校)
针对多笛卡尔机械臂水果采收的耦合调度与轨迹规划问题,提出一种快速启发式算法,可在水果充足时随机械臂数量增加实现线性加速。
2025-05-15 cs.RO cs.SY eess.SY
Motion Planning for Global Localization in Non-Gaussian Belief Spaces
Texas A&M University(德州农工大学)
本文提出了一种在不确定环境下进行运动规划的方法,用于处理模糊数据关联导致的多模态假设。通过递推方法逐步消除多模态信念,实现有限时间内精确定位。
2016-02-27 cs.RO cs.SY eess.SY
Learnable Conformal Prediction with Context-Aware Nonconformity Functions for Robotic Planning and Perception
University of Illinois at Chicago(伊利诺伊大学香槟分校);Intel Labs(英特尔实验室)
本文提出可学习共形预测(LCP),用轻量级神经函数替代固定非一致性分数,在保持理论覆盖保证的同时,显著缩小预测集、收紧检测区间并提升路径规划安全性,且计算开销极低,适用于资源受限的自主系统。
2025-09-26 cs.LG cs.RO math.ST
QuasiNav: Asymmetric Cost-Aware Navigation Planning with Constrained Quasimetric Reinforcement Learning
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校);Amazon Inc.(亚马逊公司);DEVCOM Army Research Lab(DEVCOM陆军研究实验室);Stormfish Scientific Corporation(斯托姆菲什科学公司)
QuasiNav 提出一种基于准度量嵌入的约束强化学习框架,通过将导航建模为 CMDP 并自适应收紧安全约束,有效解决非对称行进成本下的自主导航问题,在仿真与真实环境中均显著提升了成功率、能效和安全性。
2024-10-22 cs.LG cs.RO
Precise Object Sliding with Top Contact via Asymmetric Dual Limit Surfaces
University of Michigan(密歇根大学)
本文研究通过顶部摩擦斑接触在平面上滑动物体的力学与规划,提出非对称双极限曲面模型确定滑动边界,并推导出仅靠顶部接触即可将物体无滑动地滑至任意位姿的规划算法,朝向误差较简单方法改善90%。
2023-05-23 cs.RO
Multi-Robot Coordinated Planning in Confined Environments under Kinematic Constraints
Virginia Tech(弗吉尼亚理工学院);University of Maryland(马里兰大学)
我们调查的问题,多机器人协调规划的环境中,机器人可能要在彼此接近的操作。我们寻求计算效率高的规划者,以确保安全的路径和遵守运动学约束。我们扩展了中央规划dRRT* 与我们的变体,快速dRRT(fdRRT),目的是在紧张的环境中使用,导致高度的机器人之间的耦合。经验表明,我们的算法实现了计算时间和解决方案质量之间的权衡,特别是在紧张的环境中。
2019-10-07 cs.MA cs.RO
Optimal Knock-Pick Planning for Tightly Packed Tabletop Blocks With Parallel Grippers
School of Computing(计算学院);Australian National University(澳大利亚国立大学)
研究在平行夹具无法在物体周围获得足够空隙时,如何通过引入方向性敲击原语来优化敲击抓取策略,以减少动作数量。
2026-05-18 cs.AI cs.RO
Minimum Time Dubins Airplane Paths with Asymmetric Climb Rates
Department of Electrical Engineering and Computer Sciences, University of California, Berkeley(加利福尼亚大学伯克利分校电气工程与计算机科学系)
研究具有不对称爬升率的最短时间杜宾斯飞机路径问题,提出考虑不对称爬升率的路径,重新审视时间最优性条件,通过该方法可利用飞行器全部性能,减少最短时间并加快在复杂任务中找到中位数解的时间,还通过实际飞行证明了实用性。
2026-07-20 cs.RO