Conflict-Based Search and Prioritized Planning for Multi-Agent Path Finding Among Movable Obstacles
Shanghai Jiao Tong University（上海交通大学）
本文针对可移动障碍物场景下多智能体路径规划（M-PAMO）这一未充分探索的难题，首次融合CBS、PP两种MAPF方法与单智能体规划器PAMO*求解，并通过多组实验验证了不同方法的优劣。
2025-09-30 cs.RO
Topological Motion Planning Diffusion: Generative Tangle-Free Path Planning for Tethered Robots in Obstacle-Rich Environments
本文提出TMPD框架，结合终身拓扑记忆，通过扩散模型生成可行轨迹候选，并利用拓扑后端过滤优化，实现无碰撞和无纠缠的高效路径规划。
2026-03-16 cs.RO
Path Planning and Obstacle Avoidance Scheme for Autonomous Robots using Raspberry Pi
University of Moratuwa（莫拉图瓦大学）
随着机器人平台的逐步发展，使手动过程自动化，路径规划已成为一个关键领域，无论是否了解室内和室外环境。算法可以是智能的或预结构化的，并且应该最有效地到达目的地。在这一领域的主要挑战是找到一条路径，这是免费的静态障碍以及动态障碍。在本文中，提出了一种方法与机器人平台的实施细节，以覆盖关键点，并在动态环境中到达原来的关键点。主要的计算发生在Raspberry Pi B+模块中，指南针，车轮编码器和超声波传感器用于实现机器人到相关关键点的定位。
2020-12-20 cs.RO
Fast and Bounded Probabilistic Collision Detection in Dynamic Environments for High-DOF Trajectory Planning
University of North Carolina（北卡罗来纳大学）
我们提出了一种新的方法来执行高自由度的机器人和高自由度的障碍物在动态，不确定的环境中的概率碰撞检测。在高自由度机器人和移动障碍物的动态环境中，我们的方法有效地计算机器人和障碍物之间的准确碰撞概率的误差上限。此外，我们描述了一个预测算法，未来的障碍物的位置和运动，占空间和时间的不确定性。提出了一种基于概率碰撞检测的高自由度机器人在动态、不确定环境中的轨迹优化算法。我们强调运动规划性能在具有挑战性的情况下，机器人手臂在动态移动的人类障碍物的环境中操作。
2016-07-16 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
Path Planning with Potential Field-Based Obstacle Avoidance in a 3D Environment by an Unmanned Aerial Vehicle
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
本文研究未知环境下空中机器人的路径规划与避障问题，提出一种基于旋转组件改进 APF 的算法，结合 MPC 跟踪器实现轨迹快速重规划，仿真表明其有效解决了局部极小值问题并生成了更优避障路径。
2023-06-28 cs.RO
Reactive Neural Path Planning with Dynamic Obstacle Avoidance in a Condensed Configuration Space
FZI Research Center for Information Technology（FZI信息技术研究中心）
我们提出了一个生物启发的方法，动态避障路径规划。在自组织神经网络（SONN）生成的机器人压缩位形空间中进行路径规划。机器人本身和静态以及动态障碍物从笛卡尔任务空间映射到配置空间的预先计算的运动学。浓缩的空间代表了环境的认知地图，灵感来自于哺乳动物大脑中的位置细胞和认知地图的概念。训练数据的生成以及评估进行了一个真正的工业机器人伴随着仿真。为了在变化的环境中评估反应式无碰撞在线规划，实现了一个演示器。然后，对基于样本的规划师进行了比较研究。因此，我们可以证明机器人能够在动态变化的环境中运行，并在0.02秒内重新规划其运动轨迹，这证明了我们的概念的实时能力。
2022-07-08 cs.RO
Optimal Vehicle Trajectory Planning for Static Obstacle Avoidance using Nonlinear Optimization
Guangzhou Xiaopeng Motors Technology Co Ltd（广州小鹏汽车科技有限公司）
针对自动驾驶轨迹规划需兼顾可行性、舒适性与商用计算效率的需求，提出基于非线性优化的新型算法，可生成运动学可行、舒适性最优的静态障碍物避障轨迹，且在两类硬件平台上均实现毫秒级快速生成。
2023-07-18 cs.RO
Two-Step Online Trajectory Planning of a Quadcopter in Indoor Environments with Obstacles
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所）；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所视觉、自动化与控制中心）；Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）
提出了一种在室内未知障碍物环境下的两步在线轨迹规划算法。在第一步中，基于采样的路径规划技术，如最佳快速探索随机树（RRT*）算法和视线（LOS）算法，生成一个无碰撞的路径组成的多路点。然后，在第二步中，约束二次规划被用来计算一个光滑的轨迹，通过所有计算的航路点。这项工作的主要贡献是开发了一个灵活的轨迹规划框架，可以检测环境中的变化，如新的障碍物，并计算替代轨迹实时的。该算法积极考虑环境中的所有变化，并只在被新障碍物占据的航路点上执行重新规划过程。这有助于减少计算时间并实时的实现所提出的方法。该算法的可行性评估使用英特尔航空准备飞行（RTF）四轴飞行器在模拟和现实世界的实验。
2023-02-06 cs.RO
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
Local Trajectory Planning For UAV Autonomous Landing
Technion - Israel Institute of Technology（以色列理工学院）
自主式无人机的一个重要能力是在自主着陆过程中避免与障碍物碰撞。这种能力需要实时的本地轨迹规划。虽然在紧急着陆等情况下已经引入了自动规划方法，但在现实生活中，只有障碍物的表面可以被感知和检测，因此还没有对这些方法进行评估。我们提出了一种新的优化框架，使用预先规划的全局路径和优先级地图的着陆区。在一个模拟器中实现并评估了几种轨迹规划算法，该模拟器包括3D城市环境、基于LiDAR的障碍物表面传感以及无人机制导和动力学。我们表明，使用我们提出的优化标准可以成功地提高着陆任务的成功概率，同时避免碰撞的障碍物在实时。
2021-11-18 cs.RO
Obstacle-aware Adaptive Informative Path Planning for UAV-based Target Search
Autonomous Systems Lab. (ASL), ETH Zürich（苏黎世联邦理工学院自主系统实验室）；TU Delft（代尔夫特理工大学）
利用无人机（UAV）进行目标搜索是与许多场景相关的问题，例如，搜索和救援（SaR）。然而，一个关键的挑战是规划路径的最大搜索效率给定的飞行时间限制。为了解决这一问题，我们提出了障碍感知自适应信息路径规划（OA-IPP）算法，在杂乱的环境中使用无人机的目标搜索。我们的方法利用分层规划策略，使用高斯过程（GP）为基础的目标占用模型，在连续的3D空间中生成信息路径。在这个框架内，我们引入了一个自适应的重新规划方案，使我们能够权衡信息增益，现场覆盖，传感器性能和碰撞避免有效的目标检测。大量的模拟表明，我们的OA-IPP方法比国家的最先进的规划者表现更好，我们展示了它的应用在一个现实的城市SaR的情况。
2019-02-26 cs.RO
Admissible heuristics for obstacle clearance optimization objectives
University of Oxford（牛津大学）
状态空间中的障碍清除率是路径规划中的一个重要优化目标，因为它可以产生安全的路径。本技术报告提出了可接受的解决方案和路径成本算法，这可以用来提高性能的知情路径规划算法。
2021-05-01 cs.RO
Off the Beaten Track: Laterally Weighted Motion Planning for Local Obstacle Avoidance
Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所）；Defence Research and Development Canada（加拿大国防研究与发展部）
本研究提出一种横向加权运动规划方法，结合曲线规划空间与新边代价度量，并配套MPC架构，在5公里现场试验中验证了其优于直接路径跟踪MPC的局部避障与路径保持性能。
2024-11-07 cs.RO
RRT and Velocity Obstacles-based motion planning for Unmanned Aircraft Systems Traffic Management (UTM)
International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院）
提出了一种针对有限数量无人机的无人机系统交通管理算法。该算法是结合快速探索随机树（RRT）和速度障碍（VO）算法开发的，称为RRT-VO UTM算法。在这里，RRT算法离线工作，以在具有已知静态障碍物的给定环境中生成无障碍航路点。另一方面，VO算法在线操作以避免与其他UAV和已知静态障碍物碰撞。静态障碍物的边界被近似为小圆圈，以方便VO算法的制定。该算法的性能进行了评估，使用数值模拟，然后比较著名的人工势场（APF）避碰算法。所提出的方法的优点清楚地显示在较低的路径长度和碰撞避免能力的一个具有挑战性的情况。
2023-02-28 cs.RO
Optimization-based Motion Planning for Autonomous Parking Considering Dynamic Obstacle: A Hierarchical Framework
Zhejiang University（浙江大学）
本文提出一种集成图搜索与模型预测控制的分层框架，用于自主车辆在受限环境中高效泊车，通过优化混合A*生成初始路径，并利用非线性模型预测控制规避动态障碍物，经148个场景和实时平行泊车模拟验证。
2023-11-14 cs.RO
Edge Coverage Path Planning for Robot Mowing
Wayne State University（韦恩州立大学）
由于机器人技术的快速发展，机器人割草正在出现，以解放人类从繁琐和耗时的景观工作。传统上，机器人割草被认为是一个“覆盖路径规划”的问题，与简化，将非凸障碍转化为凸障碍。此外，通常通过机器人外接圆对转换后的障碍物进行扩张以避免碰撞。然而，当应用于机器人割草时，草坪中的障碍物通常是非凸的，想象一下草坪上的花园，使得所提到的障碍物处理方法将填充一些凹进区域，使得它们不再被机器人接近，并且因此沿着草坪边缘产生不可避免的未切割区域，这使景观的优雅变得暗淡并且引起返工。为了缩小草坪边缘周围的未切割区域，我们在此将该问题重新构建为一个全新的问题，命名为“边缘覆盖路径规划”问题，该问题专用于路径规划，目标是覆盖边缘。相应地，我们提出了两种规划方法，“大小盘”和“滑动盘”规划方法来解决这个问题，利用图像形态学处理和计算几何技能。通过验证，我们提出的方法可以优于传统的“外接圆膨胀”的方法。
2022-09-12 cs.RO
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University（东北大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Columbia University（哥伦比亚大学）
本文提出基于DQN和DDQN的无人车辆局部导航系统，通过改进奖励函数和障碍物角度判定方法，解决了接近障碍物时频繁减速的问题，实现了更稳定高效的自适应速度与路径规划。
2024-04-26 cs.RO
Creating Star Worlds: Reshaping the Robot Workspace for Online Motion Planning
Chalmers University of Technology（查尔姆斯理工大学）；Lund University（隆德大学）
运动规划方法，如导航功能和谐波势场提供（几乎）全局收敛，并适合于在动态变化的环境中避障，由于其反应性质。控制设计中的一个常见假设是机器人在不相交的星形世界中运行，即所有障碍物都是严格的星形并且相互不相交。然而，在现实生活中，障碍物可能会相交，由于扩展的障碍物区域对应于机器人半径或安全裕度。为了扩大上述反应式运动规划方法的适用性，我们提出了一种方法，以重塑一个工作空间的相交的障碍成一个不相交的星形世界。该算法是基于两个新的概念，即容许核和指定核的星形壳，这是密切相关的星形壳的概念。所提出的方法的利用说明与机器人在2D工作空间中使用谐波势场方法结合开发的算法操作的例子。
2023-03-27 cs.RO
Minimum Displacement Motion Planning for Movable Obstacles
University of Genoa（热那亚大学）
本文提出了一个最小位移运动规划问题，其中障碍物的最小位移量，以找到一个可行的路径。我们定义了一个度量的机器人障碍物相交的交叉和使用此惩罚机器人障碍重叠。采用实际的机器人动力学，规划者首先找到一条路径，通过障碍物，最大限度地减少机器人障碍物的交叉点。然后，该度量被用来迭代地取代障碍物，以实现一个可行的路径。提供了几个例子，成功地证明了所提出的问题。
2022-04-27 cs.AI cs.RO
A Sequential MPC Approach to Reactive Planning for Bipedal Robots
University of Delaware（特拉华大学）
针对动态环境下双足机器人的反应式运动规划问题，提出了一种序贯模型预测控制（MPC）方法。该方法依赖于一个连续的多面体分解的自由空间，它提供了一个有序的收集相互交叉的无障碍多面体和航路点。这些随后用于定义MPC程序的相应序列，该MPC程序将系统驱动到目标位置，避免静态和移动障碍物。通过这种方式，规划器专注于机器人附近的自由空间，从而减轻了同时考虑所有障碍物的需要，并减少了计算时间。我们验证了我们的方法在高保真度模拟与双足机器人Digit的功效，展示了强大的反应规划中存在的静态和移动障碍物。
2022-04-30 cs.RO
Parameterization of configuration space obstacles in three-dimensional rotational motion planning
Warsaw University of Technology（华沙理工大学）
本研究探讨三维旋转运动规划中位形空间的精确几何。对于给定的三角剖分或球近似场景，物体绕给定点旋转，导出了位形空间障碍物的参数化。所获得的结果是一个重要的一步，走向一个完整的描述丰富的结构的配置空间在三维旋转运动规划。
2017-09-19 cs.CG cs.RO
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆创新）
面向自由空间的路线图通常会生成一系列凸几何图元，这些图元构成了运动规划的安全区域。然而，对于这种路线图，假设是静态环境。这一假设使其无法处理动态障碍，限制了其应用。在本文中，我们提出了一个动态的自由空间路线图，它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境，我们逐步将与障碍物相交的多面体分解为无障碍区域，同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明，我们的方法是实用和有效的。
2022-04-20 cs.RO
Real-Time Trajectory Planning for AGV in the Presence of Moving Obstacles: A First-Search-Then-Optimization Approach
Hunan University（湖南大学）；Concordia University（康考迪亚大学）
研究了移动障碍物存在时自动导引车（AGV）的轨迹规划问题。为了获得较好的解的精度、最优性和统一性，需要将问题转化为一个最优控制问题，然后离散为一个非线性规划（NLP）问题进行数值优化。如果没有接近可行或接近最优的初始猜测，NLP求解过程通常很慢。为了加快NLP求解速度，增加了一个基于搜索的粗规划阶段，以产生适当的初始猜测。具体地说，建立了一个连续的状态空间，它由二维位形空间和一个时间维的笛卡尔积构成。粗略的轨迹是由基于图搜索的规划器，即A* 算法生成的。这里，通过离散化上述连续时空空间来构造图中的节点。通过这种先搜索后优化的框架，可以快速获得统一轨迹规划问题的最优解。仿真结果验证了该方案的实时的【形】性能。
2021-04-04 cs.RO
Decentralized Deadlock-free Trajectory Planning for Quadrotor Swarm in Obstacle-rich Environments -- Extended version
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究院）
针对富障碍、通信受限环境下四旋翼集群轨迹规划易死锁的问题，提出结合基于栅格MAPP、子目标优化与LSC的去中心化MATP算法，经多场景仿真与10架真机验证，可实现无死锁安全规划且性能优于此前工作。
2023-05-01 cs.RO
Real-Time Kinodynamic Motion Planning for Omnidirectional Mobile Robot Soccer using Rapidly-Exploring Random Tree in Dynamic Environment with Moving Obstacles
Universitas Gadjah Mada（加札马达大学）
RoboCup中型组联赛（RoboCup MSL）通过机器人足球比赛为研究移动机器人导航、多机器人协作、通信和集成提供了一个标准化的实验平台，在这种高度动态和对抗性的环境中，机器人足球比赛是一种非常重要的比赛。运动动力学运动规划是机器人运动学领域的一个重要研究课题，它是指机器人在避障的同时，遵循其动力学规律进行运动轨迹规划。提出了一种基于Kinodynamic-RRT* 方法的全向机器人运动动力学运动规划。在这项工作中还考虑了轨迹跟踪控制执行规划轨迹。对机器人平移和旋转方向的运动规划进行解耦。然后，我们实现了kinodynamic-RRT* 与双积分器模型规划的平移轨迹。利用满足速度和加速度约束的最小时间轨迹发生器生成旋转轨迹。然后使用PI控制跟踪计划轨迹。为适应环境的变化，开发了运动规划和轨迹跟踪的并发软件模块。使用基于机器人操作系统（ROS）的RoboCup仿真系统对所产生的系统进行了应用和测试。仿真结果表明，运动规划系统能够生成无碰撞轨迹，轨迹跟踪系统能够跟踪生成的轨迹。在高度动态的环境中，在线方案能够重新规划轨迹。
2019-05-12 cs.RO
Traversability-aware path planning in dynamic environments
Instituto de Investigaci\'on en Ingenier\'ia de Arag\'on (I3A), University of Zaragoza, Spain
本文提出Tr-FMM路径规划方法，通过离散化环境并计算区域可通行性，引导波前避开拥挤区域，在动态环境中减少障碍风险与目标偏离，实验验证其安全性提升。
2025-06-19 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
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
Sampling-free obstacle gradients and reactive planning in Neural Radiance Fields (NeRF)
ETH Zurich（苏黎世联邦理工学院）
这项工作研究了神经隐式表示（特别是神经辐射场（NeRF））在几何查询和运动规划中的使用。我们表明，通过将推断半径内占用的能力添加到预先训练的NeRF中，我们有效地学习了对欧几里得符号距离场（ESDF）的近似。使用后向差分的增强网络，我们得到一个障碍梯度，集成到一个避障策略的基础上的黎曼运动策略（RMP）的框架。因此，我们的研究结果允许非常快速的采样自由避障规划的隐式表示。
2022-05-03 cs.CV cs.RO
Space Filling Curves for Coverage Path Planning with Online Obstacle Avoidance
Autonomous Robotics Research Center, Technology Innovation Institute（自主机器人研究中心，技术创新研究院）；Indian Institute Of Technology Bombay（印度理工学院孟买分校）
本文提出一种基于空间填充曲线（SFC）的机器人探索策略，通过在线确定替代路径避开未知障碍物，确保完全覆盖可达区域，并证明了该策略的完备性。
2024-03-23 cs.RO
Dynamic Obstacle Avoidance of Unmanned Surface Vehicles in Maritime Environments Using Gaussian Processes Based Motion Planning
Department of Mechanical Engineering, University College London（机械工程系，伦敦大学学院）；Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
本文提出 Dynamic Gaussian process motion planner 2，通过实时 Gaussian 安全区域与因子图优化处理静态和动态障碍，并融合国际海上避碰规则，经仿真和高保真任务验证有效。
2025-06-07 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
Occlusion-Aware Path Planning for Collision Avoidance: Leveraging Potential Field Method with Responsibility-Sensitive Safety
The University of Tokyo（东京大学）
针对传统势场路径规划未考虑遮挡导致的瞬时力干扰问题，提出融合责任敏感安全的遮挡感知路径规划方法，经仿真验证可消除横向振荡、生成更平滑路径。
2023-06-12 cs.RO
Smooth Path Planning with Subharmonic Artificial Potential Field
针对移动机器人使用人工势场（APF）规划路径时易陷入局部极小点和导数在障碍物附近激增的问题，提出利用指数函数修改势场公式构建次调和函数，并结合圆形采样技术，仿真证明该方法能有效避开局部极小点并生成平滑路径。
2024-08-28 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA（英伟达）；University of Southern California（南加州大学）；Amazon（亚马逊）
针对含交互动态障碍的杂乱环境，本文提出DREAM去中心化异步概率多机器人轨迹规划器，仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Local Path Planning and Obstacle Avoidance for an Omnicopter Platform
Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Center for Artificial Intelligence and Robotics, New York University Abu Dhabi（纽约大学阿布扎比分校人工智能与机器人中心）
本文针对全向多旋翼无人机，将动态窗口法扩展为6D-DWA并引入敏捷模式，实现了实时局部规划与避障，仿真验证其路径跟踪精度及避障性能良好。
2026-09-04 cs.RO
Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments
University of Verona（维罗纳大学）
本文提出融合MCTS与VO的在线运动规划方法，仅依赖障碍物当前位置和最大速度，在多达40个动态障碍物场景中提升安全性、效率与任务表现。
2025-01-16 cs.AI cs.RO
A Circle Grid-based Approach for Obstacle Avoidance Motion Planning of Unmanned Surface Vehicles
Intelligent Transportation System Research Center, Wuhan University of Technology（武汉理工大学智能交通系统研究中心）；National Engineering Research Center for Water Transport Safety（国家水运安全工程技术研究中心）；School of Navigation, Wuhan University of Technology（武汉理工大学航运学院）
针对具有动态约束的水面无人机避障问题，提出了一种基于圆网格轨迹元的避障方法。首先，建立船舶模型和标准化规则，分别开发和约束的轨迹。其次，通过分析圆网格的特性，生成圆网格树，指导无人艇的运动。然后，运动学和动力学的USV被认为是通过在线轨迹发生器，通过设计一个关系函数，连接舵角，航向角，和圆网格的中心角。最后，避障是通过利用在线轨迹生成器来选择一个安全，平滑，高效的路径为USV。实验结果表明，该方法能同时避开静态和动态障碍物，在距离代价和转向代价方面均优于相关方法，且转向代价仅为基于网格方法的50%;避碰路径既符合无人艇的动态特性，又为无人艇转向指令提供了参考。
2022-02-09 cs.RO
Potential Field-based Path Planning with Interactive Speed Optimization for Autonomous Vehicles
The University of Tokyo（东京大学）
针对现有势场路径规划未考虑自车势场对障碍车辆影响的问题，提出基于V2V共享局部路径的交互式速度优化势场规划方法，可提升双方行驶安全舒适性并减少振荡。
2023-06-12 cs.RO
Sampling-based Path Planning Algorithms: A Survey
WPI（伍斯特理工学院）
本文综述自主机器人路径规划领域的基于采样算法，介绍地图表示类型，重点分析PRM、RRT及其优化版本PRM*、RRT*的优化实现与优势。
2023-04-23 cs.RO
Pushing Through Clutter With Movability Awareness of Blocking Obstacles
TU Delft（代尔夫特理工大学）
提出SVG-MPPI框架，结合语义可见性图与模型预测路径积分，考虑障碍物可移动性连续范围，通过物理引擎模拟生成低接触力轨迹，在NAMO任务中优于二元可移动性规划，提高成功率并减少累积接触力。
2025-02-27 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
DPMPC-Planner: A real-time UAV trajectory planning framework for complex static environments with dynamic obstacles
Carnegie Mellon University（卡内基梅隆大学）
由于环境结构复杂、动态障碍物、测量噪声和不可预测的移动障碍物行为等不确定性，无人机的安全导航具有挑战性。虽然最近的大量工作实现了复杂的静态环境中的安全导航与复杂的映射算法，如占用地图和ESDF地图，这些方法不能可靠地处理动态环境中由于移动障碍物的映射限制。为了解决这个问题，本文提出了一个轨迹规划框架，以实现安全导航，考虑复杂的静态环境与动态障碍。为了可靠地处理动态障碍物，我们将环境表示分为静态映射和动态对象表示，这可以通过计算机视觉方法来获得。我们的框架首先生成一个静态轨迹的基础上提出的迭代走廊收缩算法。然后，反应机会约束模型预测控制与时间目标跟踪应用于避免动态障碍物的不确定性。在各种环境下的仿真结果表明，我们的算法在复杂的静态环境中的动态障碍物的安全导航的能力。
2022-03-12 cs.AI cs.RO
Rapid Collision Detection for Multicopter Trajectories
University of California, Berkeley（加州大学伯克利分校）
我们提出了一种连续时间碰撞检测算法，用于快速检测某些多项式轨迹是否与凸障碍物相交。该算法与现有的多旋翼机轨迹生成方法结合使用，以实现快速，障碍感知运动规划的环境中的静态凸障碍和动态凸障碍，其边界不旋转。在一般情况下，这个问题是困难的，因为凸障碍的存在使可行空间的轨迹非凸。该算法的性能是基准使用Monte Carlo模拟，实验结果表明，使用该方法来规划无碰撞多旋翼机轨迹在毫秒的环境中，静态和动态的障碍。
2019-07-19 cs.RO
Physics Residual Dynamics and Reduced Order Whole-Body Planning for Obstacle Aware Human Robot Cloth CoTransportation
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；Technical University of Munich (TUM)（慕尼黑工业大学）；Tampere University（坦佩雷大学）；Aalto University（阿尔托大学）
提出分层规划框架，结合物理残差条件循环变分自编码器与降阶全身模型，实现人机布料协同运输中的障碍物规避，显著减少计算时间并降低布料变形。
2026-10-06 cs.RO
OkayPlan: Obstacle Kinematics Augmented Dynamic Real-time Path Planning via Particle Swarm Optimization
Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）；Hanyang University（汉阳大学）
针对现有全局路径规划算法多适用于静态环境、难以满足无人水面艇动态航行需求的问题，提出OkayPlan算法，通过构建障碍物运动学增强优化问题、结合PSO优化与动态优先级初始化等机制，实现动态环境下125Hz实时的安全短路径规划，性能优于现有方法。
2024-04-12 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
Modelling and Path Planning of Snake Robot in cluttered environment
Visvesvaraya National Institute of Technology（维斯瓦拉亚国家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Inbitorobotics（Inbitorobotics公司）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
研究蛇类机器人在杂乱环境中的运动一直是一项复杂的任务，因为运动模型是不连续的，由于与障碍物的物理接触，接触力不能单独确定的接触位置。我们提出了一个独特的数学模型的机器人与障碍物的接触力映射的基础上的粘性摩擦模型。还介绍了一种运动规划策略，该策略有助于导出最简单的路径，以确保机器人与到达目标位置所需的障碍物的足够数量的接触。数值模拟和实验结果验证了理论方法。
2018-05-15 cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside（加州大学河滨分校）
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变，即可以利用而不是完全避免与环境的潜在碰撞。为此，我们引入了一种新的基于采样的在线规划算法，可以明确地处理与环境碰撞的风险，并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能，使用反射模型评估可能的碰撞的影响。通过这种方式，规划者可以做出与环境碰撞的深思熟虑的决定，如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线，我们提出了一个状态扩展修剪技术，显着减少了搜索空间，同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人，可以承受碰撞。我们进行了广泛的参数研究，以调查（用户调整）的风险水平之间的权衡，故意碰撞决策，和轨迹统计，如时间，以达到目标和路径长度。
2020-09-04 cs.RO
Obstacle Aware Sampling for Path Planning
University of Haifa（海法大学）
许多路径规划算法都是基于状态空间的采样。虽然这种方法非常简单，但当障碍物未知时，它可能会变得昂贵，因为击中这些障碍物的样本会被浪费。本文的目标是有效地识别地图中的障碍物，并将它们从采样空间中移除。为此，我们提出了一个预处理算法的空间探索，使更有效的采样。我们表明，它可以提高其他空间采样方法和路径规划器的性能。我们的方法是基于这样一个事实，即一个凸的障碍物可以近似证明以及由其最小体积封闭椭球（MVEE），和一个非凸的障碍物可以被分割成凸的形状。我们的主要贡献是一个算法，战略上找到一个小样本，称为\emph{active-coreset}，自适应采样的空间，通过成员资格预言，使MVEE的coreset近似MVEE的障碍。实验结果证实了我们的方法在多个规划器的基础上快速探索随机树的有效性，在时间和路径长度方面显着改善。
2022-03-08 cs.LG cs.RO
Safety-Critical Planning and Control for Dynamic Obstacle Avoidance Using Control Barrier Functions
Boston University（波士顿大学）；University of Maryland（马里兰大学）
本文提出一种结合MPC与离散时间高阶控制屏障函数的框架，通过网格映射生成凸多面体构建安全约束，无需已知障碍物边界方程，并集成路径规划保证全局最优性，在动态狭窄环境中实现独轮机器人的高效安全避障。
2025-02-07 cs.RO math.OC
Path planning for unmanned naval surface vehicles
Department of Computer Science, Florida State University（计算机科学系，佛罗里达州立大学）
针对无人水面航行器（USV）的固定和移动障碍物避碰问题，提出结合全局与局部路径规划器的新方法，全局规划器融合三种算法，局部规划器基于障碍物运动方向决策，仿真验证了有效性。
2026-07-03 cs.RO
Provably Safe Trajectory Optimization in the Presence of Uncertain Convex Obstacles
Massachusetts Institute of Technology（麻省理工学院）
现实世界的环境本质上是不确定的，为了在这些环境中安全运行，机器人必须能够围绕这种不确定性进行规划。在运动规划的上下文中，我们希望系统能够在机器人移动时保持可接受的安全水平，即使不知道附近障碍物的确切位置。在本文中，我们解决这个机会约束运动规划问题，使用顺序凸优化框架。为了约束碰撞的风险所产生的计划运动，我们采用几何对象称为$ε$ -阴影计算机器人和不确定的障碍物之间的碰撞风险的上限。我们使用这些$ε$阴影为基础的估计约束的非线性轨迹优化问题，然后我们解决迭代线性化的非凸风险约束。这种顺序优化方法可以快速找到完成所需运动的轨迹，同时保持用户指定的碰撞风险限制。我们的方法可以应用于具有任意凸几何形状的机器人和环境;即使在复杂的环境中，它也能在不到一秒的时间内运行，并为规划轨迹的安全性提供可证明的保证，从而实现在现实环境中快速，反应和安全的机器人运动。
2020-03-17 cs.RO
