A Multi-stage Probabilistic Algorithm for Dynamic Path-Planning
Universidad Técnica Federico Santa María(费德里科·圣玛丽亚技术大学);INRIA(法国国家信息与自动化研究所);LORIA(洛林计算机科学及其应用实验室)
概率抽样方法已经成为解决单次射击路径规划问题的一种非常流行的方法。特别是快速探索随机树(RRT)已被证明是有效的解决高维问题。尽管已经提出了几种RRT变体用于动态重新规划,但这些方法仅在不频繁变化的环境中表现良好。本文针对动态路径规划问题,结合简单的技术,在多阶段的概率算法。该算法使用RRT进行初始规划和知情的本地搜索导航。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
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
Behavior and path planning for the coalition of cognitive robots in smart relocation tasks
Federal Research Center “Computer Science and Control” of RAS(俄罗斯科学院联邦研究中心“计算机科学与控制”)
在本文中,我们概述了解决机器人系统的特殊类型的导航任务的方法,当一个联盟的机器人(代理)的行为在2D环境中,它可以被修改的行动,并共享相同的目标位置。后者最初对于联盟的一些成员来说是不可到达的,但是由于代理可以互相帮助(例如通过修改环境),因此仍然可以完成共同的任务。我们称这种任务为智能重定位任务(因为不能用纯路径规划方法解决),并研究了机器人的空间和行为的相互作用,同时解决他们。我们使用认知的方法,并引入符号知识表示-符号世界模型,强调行为规划方法。规划被看作是一个递归搜索过程中的分层状态空间所诱导的标志与路径规划标志驻留在最低级别。达到这一水平触发路径规划,这是由最先进的基于网格的规划者集中在生产顺利的路径(例如LIAN),从而间接验证该路径的可行性对代理的动态约束。
2016-07-27 cs.AI cs.RO
Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
UC San Diego(加州大学圣地亚哥分校)
基于采样的运动规划是机器人技术中一种在连续空间中寻找路径的常用方法。碰撞检测是该过程中的主要计算瓶颈。我们提出了新的基于学习的方法,通过训练执行路径探索和路径平滑的图神经网络来减少碰撞检查以加速运动规划。给定从批量采样生成的随机几何图(RGG),路径探索组件迭代地预测无冲突边缘以优先考虑它们的探索。路径平滑组件然后优化从探索阶段获得的路径。该方法受益于GNN通过批量采样从RGG捕获几何图案的能力,并更好地推广到不可见的环境。实验结果表明,学习组件可以显着减少碰撞检查,提高整体规划效率,在具有挑战性的高维运动规划任务。
2022-10-17 cs.AI cs.RO
Differential Evolution for Efficient AUV Path Planning in Time Variant Uncertain Underwater Environment
Flinders University(弗林德斯大学);University of Washington(华盛顿大学);Seattle Children's Research Institute(西雅图儿童研究所)
研究了复杂湍流水下环境下AUV三维路径规划问题,其中考虑了静止的海流图数据和不确定的静-动时变障碍物。AUV路径规划对这种强可变性的鲁棒性被认为是一个复杂的NP难问题,并且被认为是确保车辆安全部署的关键问题。有效的进化技术有很大的潜力,处理NP难复杂性的路径规划问题,作为更强大和快速的算法在其他方法中提到的问题。本文将差分进化技术应用于水下机器人路径规划问题的研究。本文所设计的路径规划器能够从实际地图中提取可行区域,并考虑沿海地区、岛屿、静态/动态障碍物和洋流等因素,以较小的计算时间提供有效的路径。实验结果表明,该方法具有较强的鲁棒性和高效性,能够有效地利用有用电流,实时避免碰撞边界,提高了车辆路径规划能力。所提出的方法也是灵活的,严格尊重车辆的运动约束抵抗当前的不稳定性。
2016-12-04 cs.AI cs.RO
Online Concurrent Multi-Robot Coverage Path Planning
Department of Computer Science and Engineering, Indian Institute of Technology Kanpur(计算机科学与工程系,印度理工学院坎浦尔)
针对滚动时域多机器人覆盖路径规划中规划与执行交错导致的资源浪费问题,提出一种非时域集中式并发规划算法,经证明可实现完全覆盖,实验验证其相较现有方法速度最高提升1.6倍。
2025-07-28 cs.AI cs.RO
Post Triangular Rewiring Method for Shorter RRT Robot Path Planning
Dongguk University(东国大学)
本文提出了一种后三角重布线方法,该方法最大限度地减少了规划时间的牺牲,并克服了快速探索随机树(RRT)算法等基于采样的算法的最优性限制。通过三角不等式原理,提出的“后三角重布线”方法比应用前的RRT算法更接近最优路径。进行了实验,以验证所提出的方法的性能。当本文提出的方法应用于RRT算法,最优性效率提高相比,规划时间。
2021-07-12 cs.AI cs.RO
Two Techniques That Enhance the Performance of Multi-robot Prioritized Path Planning
Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(卢蒙巴大学));Federal Research Center ``Computer Science and Control'' of Russian Academy of Sciences(俄罗斯科学院计算机科学与控制联邦研究中心);National Research University Higher School of Economics(国立研究型大学高等经济学院)
我们介绍和经验评估两种技术,旨在提高多机器人优先路径规划的性能。第一种技术是重新调度的确定性过程(与基于随机重新启动的众所周知的方法相反),第二种是启发式过程,该过程修改了优先路径查找中涉及的个体规划器的搜索空间。
2018-05-03 cs.AI cs.RO
Embodied AI in Mobile Robots: Coverage Path Planning with Large Language Models
The University of Western Australia(西澳大利亚大学)
本文提出一种结合大语言模型与低层执行器的多层具身路径规划框架,并设计覆盖加权指标评估性能,实验表明其能提升LLMs空间推理能力,其中claude-3.5表现最优。
2024-07-04 cs.AI cs.RO
Path Planning Games
Vanderbilt University(范德堡大学)
路径规划是机器人控制中的一个基本和广泛探索的问题。我们提出了一个新的经济角度的路径规划。具体来说,我们研究战略之间的互动路径规划代理使用博弈论路径规划框架。我们的重点是两个重要目标之间的经济紧张关系:代理人实现其目标的效率和安全性。我们首先开发一种新的数学公式的路径规划,权衡这些目标,当其他代理的行为是固定的。然后,我们使用这个公式近似纳什均衡的路径规划游戏,以及开发一个多智能体合作的路径规划制定。通过几个案例研究,我们表明,在一个路径规划游戏,安全性往往是显着妥协相比,合作的解决方案。
2019-10-30 cs.AI cs.GT cs.MA
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
Dynamic Curvature Constrained Path Planning
本研究开发并评估了二维空间下的动态曲率约束路径规划算法DCCPPA,通过与RRT、PRM对比验证其性能与适应性,展现了其在多领域实际路径规划问题中的应用潜力。
2024-10-04 cs.RO
Fault-Tolerant Offline Multi-Agent Path Planning
Tokyo Institute of Technology(东京工业大学);Sorbonne University(索邦大学);CNRS(法国国家科学研究中心);Institut Universitaire de France(法国大学研究院)
我们研究了一种新的图形路径规划问题的多个代理,可能会在运行时崩溃,并阻止部分工作空间。在我们的设置中,代理可以检测相邻的崩溃代理,并在运行时改变所遵循的路径。然后,目标是为每个代理准备一组路径和切换规则,确保所有正确的代理到达目的地而不会发生冲突或死锁,尽管其他代理发生意外崩溃。这样的规划对于建立可靠的多机器人系统是有吸引力的。我们提出了问题的形式化、理论分析(例如计算复杂性)以及如何解决这个离线规划问题。
2022-11-25 cs.AI cs.MA cs.RO
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
Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision Avoidance
Technion(以色列理工学院)
我们介绍了合作多智能体路径寻找(Co-MAPF)问题,经典的MAPF问题的扩展,其中合作行为被纳入。在这种设置中,一组自主智能体在共享环境中操作,并且必须完成协作任务,同时避免与组中的其他智能体发生冲突。这个扩展自然地模拟了许多现实世界的应用程序,其中需要多组代理进行协作以完成给定的任务。为此,我们对Co-MAPF问题进行了形式化,并引入了基于冲突的协作搜索(Co-CBS),这是一种基于CBS的算法,用于为广泛的Co-MAPF问题最佳地解决该问题。Co-CBS使用集成到CBS中的协作规划模块,使得协作规划与路径规划解耦。最后,我们提出了实证结果几个MAPF基准证明我们的算法的属性。
2021-05-23 cs.AI cs.MA cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology(波兹南理工大学)
在本文中,我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外,规划者应该检查多个约束,如静态稳定性,自碰撞,与地形的碰撞,以及腿的工作空间。结果,检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中,我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后,我们提出了一种新的规划方法,提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Planning the path with Reinforcement Learning: Optimal Robot Motion Planning in RoboCup Small Size League Environments
Centro de Informática, Universidade Federal de Pernambuco(佩德罗·本杰明大学计算机中心)
本研究利用强化学习结合启发式控制方法,在RoboCup小型组联赛环境中实现高效路径规划,较基线算法在无障碍场景下节省60%时间,并具备动态避障能力。
2024-04-23 cs.AI cs.LG cs.RO
Efficient Path Planning In Manipulation Planning Problems by Actively Reusing Validation Effort
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
在操纵规划和任务及运动规划设置中出现的路径规划问题通常是重复的:同一操纵器在仅轻微改变的空间中移动。尽管有这种信息再利用的潜力,但很少有规划者充分利用现有的信息。为了更好地实现这种重用,我们将碰撞检查分解为可重用和不可重用的部分。然后,我们把操作规划中的路径规划问题的序列作为一个多查询路径规划问题。这允许使用规划器,主动地最小化多个查询的规划工作,并且通过这样做,主动地重用先前的知识。我们实现了这种方法在ESTO * 和努力有序LazyPRM*,并在多个模拟机器人的例子基准。此外,我们还表明,分解冲突检查的方法还可以在同一问题的多个不同实例上重用所获得的知识,即,在多查询操作规划场景中。规划者使用分解碰撞检查优于其他规划者在初始解决方案的时间高达两个因素,同时提供了类似的解决方案的质量。
2023-03-01 cs.RO
Optimal Vehicle Path Planning Using Quadratic Optimization for Baidu Apollo Open Platform
路径规划是自主车辆运动规划的关键组成部分。路径规定了车辆将行驶的几何形状,因此,它对车辆安全和舒适的运动至关重要。对于城市驾驶场景,自动驾驶车辆需要能够在混乱的环境中导航,例如,道路被一些车辆/障碍物部分堵塞。如何在复杂的环境中生成运动学上可行的、平滑的、能够避免碰撞的路径,使得路径规划成为一个具有挑战性的问题。在本文中,我们提出了一种新的二次规划方法,产生最佳路径的分辨率完全避免碰撞的能力。
2021-12-03 cs.RO
A Novel Knowledge-Based Genetic Algorithm for Robot Path Planning in Complex Environments
University of Guelph(圭尔夫大学)
提出了一种新的基于知识的遗传算法用于非结构化复杂环境中移动机器人的路径规划,该算法设计了5个针对具体问题的算子,以实现高效的机器人路径规划。建议的遗传算法将机器人路径规划的领域知识纳入其专门的运营商,其中一些还结合了局部搜索技术。提出了一种独特而简单的机器人路径表示方法,并提出了一种简单而有效的路径评价方法,该方法能准确地检测出碰撞,并能很好地反映机器人路径的质量。该算法能够找到一个接近最优的机器人路径在静态和动态的复杂环境。仿真研究表明了该算法的有效性和效率。通过比较研究,证明了专用遗传算子在解决机器人路径规划问题的遗传算法中不可替代的作用。
2022-09-03 cs.AI cs.RO cs.SY
PPNet: A Two-Stage Neural Network for End-to-end Path Planning
Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Tsinghua University(清华大学)
本文提出一种名为PPNet的两阶段神经网络用于端到端路径规划,将问题分为路径空间分割和路径点生成两步,并设计了高效数据生成方法EDaGe-PP,实验证明PPNet能在15.3ms内快速找到近似最优解。
2024-04-23 cs.AI cs.LG cs.RO
Conditional Generative Adversarial Networks for Optimal Path 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 of the Chinese University of Hong Kong(香港中文大学深圳研究院)
路径规划在自主机器人系统中起着重要的作用。对周围环境的有效理解和最优无碰撞路径的有效生成是解决路径规划问题的关键。传统的基于采样的路径规划算法,如快速探索随机树(RRT)及其改进的最优算法(RRT*),因其在复杂环境下也能找到可行路径而被广泛应用于路径规划问题,但它们不能有效地找到最优路径。为了解决这一问题并满足上述两个要求,我们提出了一种新的基于学习的路径规划算法,该算法由一种新的基于条件生成对抗网络(CGAN)的生成模型和一种改进的RRT* 算法(CGANRRT*)组成。给定地图信息,我们的CGAN模型可以生成一个有效的可行路径的可能性分布,它可以被CGAN-RRT* 算法用来找到最优路径与非均匀采样策略。CGAN模型是通过从地面实况地图学习来训练的,每个地图都是通过将RRT算法执行50次的所有结果放在一个原始地图上来生成的。通过在两组地图上的测试以及CGAN-RRT* 算法与传统RRT* 算法的比较,我们证明了CGAN模型的有效性能。
2020-12-06 cs.AI cs.RO eess.IV
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
PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms
Imperial College London(伦敦帝国理工学院);Ryerson University(瑞尔森大学)
路径规划是移动机器人技术中的一个重要组成部分。存在各种各样的路径规划算法,但很少有人尝试对算法进行整体基准测试或统一它们的接口。此外,随着深度神经网络的最新进展,迫切需要促进这种基于学习的规划算法的开发和基准测试。本文介绍了PathBench,一个平台,用于开发,可视化,培训,测试和基准测试现有和未来的,经典的和学习的2D和3D路径规划算法,同时提供支持机器人操作系统(ROS)。支持许多现有的路径规划算法;例如A*,波前,快速探索随机树,值迭代网络,门控路径规划网络;并且集成新算法很容易并且明确指定。我们通过比较实现的经典和学习算法的指标,如路径长度,成功率,计算时间和路径偏差的基准测试能力的PathBench。这些评估是在内置的PathBench地图和来自视频游戏和现实世界数据库的外部路径规划环境中完成的。PathBench是开源的。
2021-05-04 cs.LG cs.RO
Planning and Learning: Path-Planning for Autonomous Vehicles, a Review of the Literature
Safran(赛峰集团);Ecoles Saint-Cyr(圣西尔军校)
本文综述了自动驾驶汽车路径规划领域的规划、调度与学习技术,涵盖规划算法、神经网络、图神经网络、强化学习及处理不确定性的时序规划。
2023-10-17 cs.AI
Monte-Carlo Robot Path Planning
Technische Universität Darmstadt(达姆施塔特工业大学);Aalto University(阿尔托大学)
路径规划是机器人行为设计的重要算法。基于采样的方法,如快速探索随机树(RRT)或概率路线图,是路径规划问题的主要算法解决方案。尽管它的指数收敛速度,RRT只能找到次优路径。另一方面,$\textrm{RRT}^*$,一个广泛使用的RRT的扩展,保证概率的完整性,找到最佳路径,但在实践中遭受在复杂的环境中缓慢的收敛。此外,现实世界的机器人环境往往是部分可观察的或描述不佳的动态,铸造应用程序的$\textrm{RRT}^*$在复杂的任务次优。研究了机器人路径规划中常用的蒙特卡罗树搜索(MCTS)算法。值得注意的是,我们研究蒙特卡罗路径规划(MCPP)的分析和证明,一方面,它的指数收敛速度的最优路径完全可观察的马尔可夫决策过程(MDP),另一方面,它的概率完备性,找到可行的路径在部分可观察的MDP(POMDP)假设有限的距离可观察性(证明草图)。我们的算法的贡献,使我们能够采用最近提出的MCTS的变种,不同的探索策略,机器人路径规划。我们的实验评估在模拟的2D和3D环境与7自由度(DOF)的机械手,以及在现实世界的机器人路径规划任务,证明了优越性的MCPP POMDP任务。
2022-08-04 cs.RO
Optimized Path Planning for Logistics Robots Using Ant Colony Algorithm under Multiple Constraints
Peking University(北京大学)
本文针对物流车辆在多约束下的路径规划问题,提出基于蚁群优化算法的方法,优化路径长度、任务完成时间、转弯次数和运动平滑性,实验证明其在效率和适应性上优于传统方法。
2025-04-06 cs.RO
A Reinforcement Learning based Path Planning Approach in 3D Environment
Innopolis University(Innopolis大学)
最佳运动规划涉及障碍物规避,其中路径规划是最佳运动规划成功的关键。由于计算量大,大多数路径规划算法不能用于实时应用。用于路径规划的基于模型的强化学习方法在最近的过去已经获得了一定的成功。然而,由于随机性,大多数这样的方法不具有确定性输出。分析了几种基于强化学习的路径规划方法。其中一种是基于确定性树的方法,另外两种方法分别基于Q-学习和近似策略梯度。我们在两个不同的模拟器上测试了前面的方法,每个模拟器都由一组可以动态改变或移动的随机障碍物组成。在分析结果和计算时间后,我们得出结论,确定性树搜索方法提供了高度稳定的结果。然而,计算时间比其他两种方法高得多。最后,在精度和计算时间方面提供了比较结果作为证据。
2022-02-12 cs.RO
Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle among Multiple Task Points
Beihang University(北京航空航天大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
全局路径规划是水面无人艇设计的关键技术。本文建立了基于电子海图和六边形网格的全球环境建模方法,证明了六边形网格在有效性、安全性和快速性方面优于正方形网格。此外,我们引入立方体坐标系来简化六边形算法。在此基础上,提出了一种改进的A* 算法来实现两点间的路径规划。在此基础上,建立了多任务点全局路径规划模型,并提出了一种改进的蚁群算法来精确实现。仿真结果表明,该全局路径规划系统能够安全、快速地规划出一条最优路径,实现对多个任务点的安全巡视,在安全性、快速性和路径长度等方面均优于传统方法。此外,规划的路径可以直接应用于USV的实际应用。
2018-07-21 cs.RO
Unmanned Surface Vehicle Path Planning from the Perspective of Multi-Modality Constraints: A Comprehensive Analysis
Wuhan University of Technology(武汉理工大学);Delft University of Technology(代尔夫特理工大学)
本文从多模态约束视角系统梳理无人水面艇路径规划,将其分为航线、轨迹和运动规划三个阶段,综述各阶段方法与经典算法,并指出存在问题与未来研究方向。
2025-03-09 cs.RO
Ray-based Interference Free Workspace Analysis and Path Planning for Cable-Driven Robots
The Chinese University of Hong Kong(香港中文大学)
本文采用基于光线的方法研究了任意缆索驱动机器人在缆索和障碍物作用下的无干涉工作空间。从这一点继续,点到点的路径规划和验证技术,以确保所产生的运动是在工作空间内进行了研究。
2022-09-23 cs.RO
SPADE: Towards Scalable Path Planning Architecture on Actionable Multi-Domain 3D Scene Graphs
Robotics and AI, Luleå University of Technology(机器人与人工智能,卢勒奥技术大学)
针对现有场景图路径规划方法遇障需全图重规划效率低的问题,提出结合分层规划与局部几何感知的SPADE框架,通过可通行边有信息采样降复杂度,经仿真与四足机器人实机验证可高效处理动态场景导航。
2025-07-30 cs.RO
Motion Planning in Irreducible Path Spaces
National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所)
机械系统的运动可以定义为通过其构形空间的路径。计算这样的路径具有随着配置空间的维度指数地缩放的计算复杂性。我们建议通过引入不可约路径--具有最小扫掠体积的路径来降低位形空间的维数。本文由三个部分组成:第一部分,我们定义了所有不可约路径的空间,并证明了在不可约路径空间中规划路径保持了任何运动规划算法的完备性。在第二部分中,我们在一定的假设下构造了一个串联运动链不可约路径空间的近似。在第三部分中,我们进行运动规划使用的不可约路径空间的机械蛇在涡轮机的环境中,一个机械章鱼与八个手臂在管道系统和侧向运动的人形机器人移动通过一个房间的门,并通过一个洞在墙上。我们证明了一个不可约路径的概念可以应用到任何运动规划算法考虑曲率约束。
2018-09-14 cs.RO
Learning-based Fast Path Planning in Complex Environments
The Chinese University of Hong Kong(香港中文大学);Baidu Research(百度研究院);Tencent Robotics X(腾讯机器人X实验室);Soochow University(苏州大学);Southern University of Science and Technology(南方科技大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
本文提出了一种新的路径规划算法,以实现在复杂环境中的快速路径规划。现有的大多数路径规划算法都难以在复杂环境中快速找到可行路径甚至失效。然而,我们提出的框架可以通过使用基于学习的预测模块和基于采样的路径规划模块来克服这个困难。预测模块利用自动编码器-解码器类卷积神经网络(CNN)来输出可行路径可能所在的有希望区域。在这个过程中,环境被视为RGB图像输入我们设计的CNN模块,输出也是RGB图像。不需要额外的计算,因此我们可以保持每秒60帧(FPS)的高处理速度。结合基于采样的路径规划器,我们可以从输出图像中提取可行路径,以便机器人可以从开始到目标跟踪它。为了证明所提出的算法的优势,我们比较了它与传统的路径规划算法在一系列的仿真实验。结果表明,该算法可以实现更好的性能,规划时间,成功率和路径长度。
2021-10-19 cs.RO
Capability Iteration Network for Robot Path Planning
Shanghai Jiao Tong University(上海交通大学)
路径规划是机器人领域的一个重要课题。最近,基于值迭代的深度学习模型已经取得了良好的性能,例如值迭代网络(VIN)。然而,以前的方法收敛速度慢,精度低,在大地图上,因此限制在智能体与复杂的运动学,如足式机器人的路径规划。因此,我们提出了一种新的价值迭代的路径规划方法称为能力迭代网络(CIN)。CIN利用稀疏奖励映射,并使用状态-动作转移概率对代理的能力进行编码,而不是以前模型中的卷积核。提出了端到端训练和单独训练能力模块两种训练方法,大大加快了收敛速度。在不同的场景下,包括2D,3D网格世界和真实的机器人与不同的地图大小的路径规划实验进行。结果表明,CIN具有更高的精度,更快的收敛速度,和更低的随机种子的敏感性相比,以前的VI为基础的模型,因此更适用于实际的机器人路径规划。
2021-04-29 cs.RO
Optimizing Space Utilization for More Effective Multi-Robot Path Planning
Rutgers University(罗格斯大学)
我们进行了系统的探索的原则,空间利用优化(SUO)作为一种启发式规划更好的个人路径在一个解耦的多机器人路径规划器,与应用程序的一次性和终身多机器人路径规划问题。我们发现,分散的启发式集,SU-I,保持单一路径的最优性,并显着减少自然发生的拥塞时,许多路径规划没有协调。SU-I集成到完整的规划器带来了显着减少的计算时间,由于显着减少冲突的数量,并导致相当大的解决方案的最优收益在不同的评估方案与中型和大型地图,一次性和终身的问题设置。
2021-09-10 cs.RO
Optimal tool path planning for 3D printing with spatio-temporal and thermal constraints
Kansas State University(堪萨斯州立大学);University of Wisconsin, Madison(威斯康星大学麦迪逊分校)
在本文中,我们解决的问题,综合最佳路径计划在一个2D的时空和热约束。我们的解决方案包括减少路径规划问题的混合线性规划(MILP)问题。挑战是在编码的含义约束的路径规划问题,只使用合取,允许的MILP制定。我们的实验分析使用的编码在Python工具箱中的实现证明了我们的方法在生成最优计划的可行性。
2020-07-19 cs.RO
A path planning and path-following control framework for a general 2-trailer with a car-like tractor
Embark Trucks Inc.(Embark卡车公司);Scania CV(斯堪尼亚CV公司);Autonomous Transport Solutions(自主运输解决方案部门)
操纵一个普通的2拖车与一个汽车一样的牵引车在向后运动是一项任务,需要大量的技能来掌握,毫无疑问是一个卡车司机必须执行的最复杂的任务之一。本文提出了一种路径规划和路径跟踪控制解决方案,可用于自动规划和执行困难的停车和避障机动相结合的向后和向前运动。为了生成运动学上可行且无碰撞的路径,设计了一种基于网格的路径规划框架,并设计了一种路径跟踪控制器,以稳定路径执行过程中的横向和角向路径跟踪误差状态。为了估计控制所需的车辆状态,开发了一种非线性观测器,该观测器仅利用安装在汽车式拖拉机上的传感器的信息,使得系统独立于附加的拖车传感器。建议的路径规划和路径跟踪控制框架上实现了全尺寸的测试车辆和模拟和现实世界的实验结果。
2019-06-25 cs.RO
Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search
Safran Electronics & Defense(赛峰电子与防务公司);LAMSADE, Paris-Dauphine University(巴黎多芬大学LAMSADE实验室);CREC Saint-Cyr, Coetquidan School Campus(圣西尔军校科埃基当校区研究中心)
基于深度学习的方法在规划方面越来越重要。在本文中,我们提出了一种混合规划器,结合了图机器学习模型和基于分支和边界树搜索的路径规划任务的最佳求解器。更具体地,使用图神经网络来辅助分支定界算法处理与期望解路径相关联的约束。有多个下游实际应用,例如自主无人地面车辆(AUGV),通常部署在救灾或搜索和救援行动中。在越野环境中,AUGV必须在各种操作约束下动态优化源-目的地路径,其中一些操作约束难以提前预测并且需要在线解决。我们进行实验,现实的情况下,并表明,图神经网络的支持,使大量的加速和更平滑的扩展到更难的路径规划问题。此外,由图神经网络提供的信息使该方法能够优于特定问题的手工算法,突出了潜在的图神经网络持有的路径规划任务。
2022-04-03 cs.AI cs.LG cs.RO
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University(贾达沃普尔大学)
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段,最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题,因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题,其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置,而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的,因为路径规划问题的精确解并不总是预先可用的,并且必须动态地确定。实验表明,基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 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
Clustering in Discrete Path Planning for Approximating Minimum Length Paths
University of Waterloo(滑铁卢大学)
在本文中,我们考虑离散机器人路径规划问题的度量图。我们提出了一种聚类方法,伽玛聚类的规划图,显着减少了可行的解决方案的数量,但保留了一个恒定的因素内的最佳解决方案。通过增加输入参数Gamma,可以减小常数因子,但是在搜索空间中具有较少的减小。我们提供了一个简单的多项式时间算法寻找最佳的伽玛集群,并表明,对于一个给定的伽玛,这个最佳的是唯一的。我们证明了旅行推销员实例的聚类方法的有效性,表明在许多情况下,我们获得了显着减少计算时间很少或没有减少解决方案的质量。
2017-03-01 cs.RO
Continuous-Curvature Target Tree Algorithm for Path Planning in Complex Parking Environments
Seoul National University(首尔大学);Advanced Institutes of Convergence Technology(融合技术高等研究院)
快速探索随机树(RRT)由于能够快速求解高维运动规划,且易于反映约束,已被应用于自主泊车。然而,规划时间增加了向狭窄的停车位延伸而不发生碰撞的可能性。为了减少规划时间,提出了目标树算法,用一组向后停车路径(目标树)代替RRT中的停车目标。然而,它由圆形和直线路径组成,由于曲率不连续,自动驾驶车辆无法准确停车。此外,在复杂的环境中,规划时间会增加;向后的路径可能会被障碍物阻挡。因此,本文提出了一种适用于复杂停车环境的连续曲率目标树算法。首先,目标树包括回旋曲线路径以解决这种曲率不连续性。其次,为了进一步减少规划时间,定义了一个成本函数来构建考虑障碍物的目标树。该算法结合最优变量RRT算法,在到达的反向路径中搜索最短路径,随着采样时间的增加,该算法可以获得一条接近最优的路径。真实环境下的实验结果表明,与其他基于采样的算法相比,车辆可以更准确地停车,并且更快、更高地获得连续曲率路径。
2022-01-19 cs.RO
Robotic Path Planning Implementation using Search Algorithms
本文介绍利用Dijkstra和A*算法,在Gazebo环境中使TurtleBot3机器人在崎岖多障碍地形上实现最优路径规划。
2024-05-26 cs.RO
Integrating asymptotically-optimal path planning with local optimization
许多机器人在不可预测的环境中运行,需要一个在线的路径规划算法,可以快速计算高质量的路径。渐近最优规划器能够找到最优路径,但收敛速度较慢。局部优化算法能够快速改进解,但不能保证收敛到最优解。在本文中,我们开发了一种新的方法来整合一个渐进最优规划与局部优化。我们使用RRTConnect* 和一个捷径本地优化器测试我们的方法。与最先进的RRTConnect* 渐进最优规划器相比,我们的方法可以显著提高性能,并且当两者都有3秒的规划时间时,计算路径的执行速度要快31%。
2017-08-21 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
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics(国立信息学研究所);Hunan University(湖南大学)
在自主应用的路径规划问题中,现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑,很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白,本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
TMSTC*: A Turn-minimizing Algorithm For Multi-robot Coverage Path Planning
Guangdong University of Technology(广东工业大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
覆盖路径规划是移动机器人的一个主要应用,它要求机器人沿着规划的路径移动以覆盖整个地图。对于大规模的任务,覆盖路径规划大大受益于多个机器人。在本文中,我们描述了回合最小化多机器人生成树覆盖星(TMSTC*),一个改进的多机器人覆盖路径规划(mCPP)算法的基础上MSTC*。该算法将地图划分为最小的砖块作为树的分支,从而将问题转化为求二部图的最大独立集。实验结果表明,该方法能够减少多机器人的转弯次数,从而比其他算法更快地完成地形覆盖任务.
2022-12-05 cs.RO
3D Path Planning and Obstacle Avoidance Algorithms for Obstacle-Overcoming Robots
Inner Mongolia University of Technology(内蒙古工业大学);Yanshan University(燕山大学)
本文介绍了一种多模式运动规划(MMP)算法,结合三维(3-D)路径规划和DWA避障算法。该算法的目的是规划的路径和运动的越障机器人在复杂的非结构化场景。提出了一种新的A-star算法,结合非结构化场景的特点,并将其转换为贪婪最佳优先策略算法。同时,将路径规划算法与DWA算法相结合,使机器人在沿全局规划路径运动的过程中能够进行局部动态避障,并将全局路径规划算法与局部避障算法相结合,使机器人在避障和越障后能够对路径进行修正。在具有多种复杂环境的工厂中进行的仿真实验验证了算法的可行性和鲁棒性。该算法能在充分考虑场景和运动障碍物特点的前提下,快速生成合理的越障机器人三维路径,并进行可靠的局部避障。
2022-09-02 cs.RO
Coverage Path Planning using Path Primitive Sampling and Primitive Coverage Graph for Visual Inspection
A*STAR Artificial Intelligence Initiative (A*AI)(新加坡科技研究局人工智能计划(A*AI));Institute of High Performance Computing(高性能计算研究所);Carnegie Mellon University(卡内基梅隆大学)
对于无人机视觉检测应用来说,规划路径以收集目标物体的表面信息对于提高效率和降低总体成本至关重要。覆盖路径规划(CPP)的问题往往是制定这些检测应用程序,因为覆盖的要求。传统上,研究人员通常首先规划和优化视点以捕获表面信息,然后优化访问所选视点的路径。在本文中,我们提出了一种新的规划方法,直接采样和规划的检测路径的摄像机配备的无人机,以获取视觉和几何信息的目标结构作为视频流设置在复杂的3D环境。该规划方法首先通过体素膨胀和减法的基础上使用采样方法生成的目标对象周围的通路点和路径基元。然后提出了一种新的基元覆盖图(PCG)编码的拓扑信息,飞行距离和可见性信息,与采样的途经点和路径基元。最后进行图搜索,在PCG中找到结果路径,完成具有覆盖要求的检测任务。通过仿真和现场试验验证了该方法的有效性。
2019-08-08 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
Solution Space Path Planning: A Real-Time Human-Centered Path Planning Algorithm for En-Route Air Traffic Control
Delft University of Technology(代尔夫特理工大学)
提出一种基于解空间的冲突避免路径规划算法,集成三种意图冲突检测方法,通过顶点和边搜索节点实现高效计算,在MUAC Delta扇区测试中平均计算时间3.69毫秒。
2026-08-03 cs.AI cs.RO cs.SY
Solutions for Practice-oriented Requirements for Optimal Path Planning for the AUV "SLOCUM Glider"
本文提出了几个重要的面向实践的要求,最优路径规划的AUV“SLOCUM滑翔机”,以及解决方案,使用快速图为基础的算法。这些算法建立在TVE(时变环境)搜索算法的基础上。该算法的经验,沿纽芬兰和拉布拉多大陆架的实际任务的要求和想法,找到最佳的出发时间的动机,以解决该领域的研究,这是本文所描述的。本文的主要重点是讨论可能的方法来加速路径规划算法,而不会恶化的结果。
2017-02-26 cs.RO
Towards Map-Agnostic Policies for Adaptive Informative Path Planning
针对未知地形信息收集中单一地图表示限制策略适用性的问题,提出一种跨地图表示统一的自适应信息路径规划新方法,使规划策略能高效在线重规划并广泛部署于多样化监测任务。
2025-04-07 cs.RO