Multi-Agent Chance-Constrained Stochastic Shortest Path with Application to Risk-Aware Intelligent Intersection
Khalifa University（哈利法大学）；University of Oxford（牛津大学）；Massachusetts Institute of Technology（麻省理工学院）
在交通网络中，交通信号灯传统上用于车辆协调，交叉路口是天然的瓶颈。现有的自动交叉口的一个巨大挑战在于检测和推理的不确定性，从操作环境和人类驾驶的车辆。在本文中，我们提出了一个具有风险意识的智能交叉口系统的自动驾驶汽车（AV）以及人类驾驶的车辆（HV）。我们将该问题转换为一类新的多智能体机会约束随机最短路径（MCC-SSP）问题，并设计了一个精确的线性规划（ILP）公式，该公式在智能体的交互点（例如，交叉点处的潜在碰撞点）。特别是，当交互点内的代理数量很小时，这通常是在交叉口的情况下，ILP具有多项式数量的变量和约束。为了进一步提高运行时间的性能，我们表明，碰撞风险计算可以离线执行。另外，提供轨迹优化工作流程以生成针对任何给定交叉点的风险感知轨迹。该框架在CARLA仿真器中实现，并在一个完全自主的交叉口下进行评估，只有自动驾驶汽车，以及在一个混合设置与信号交叉口的HV和智能计划的自动驾驶汽车。通过仿真验证，该方法提高了交叉口的效率高达$200\%$，同时也符合指定的可调风险阈值。
2022-10-03 cs.AI
Constrained Shortest Path Search with Graph Convolutional Neural Networks
Safran Electronics & Defense（赛峰电子与防务公司）；LAMSADE, Université Paris-Dauphine（巴黎多芬大学LAMSADE实验室）；Safran SA（赛峰集团）；MACCLIA, Ecoles de Saint-Cyr Coëtquidan（圣西尔军校MACCLIA机构）
自主无人地面车辆（AUGV）的规划仍然是一个挑战，特别是在困难的，越野的，关键的情况下。自动规划可用于达到任务目标，执行导航或机动。大多数情况下，问题在于找到从源到目的地的路径，同时满足一些操作约束。在无负圈的图中，从起始点到结束点的单对最短路的计算在多项式时间内解决。然而，解决方案路径上的额外约束可能会使问题更难解决。当我们需要路径通过几个强制节点而不需要特定的访问顺序时，就会出现这种情况。复杂性随着要访问的强制节点的数量呈指数级增长。在本文中，我们专注于最短路径搜索与强制节点上给定的连通图。我们提出了一个混合模型，结合了基于约束的求解器和图卷积神经网络，以提高搜索性能。在现实的场景中获得了令人满意的结果。
2021-08-02 cs.AI cs.LG cs.RO
Logic-Constrained Shortest Paths for Flight Planning
Zuse Institute Berlin（柏林楚泽研究所）；Lufthansa Systems GmbH（汉莎系统有限公司）
针对带交通流量限制的飞行规划场景，提出适配逻辑约束最短路径问题的分支定界算法，公开含2万条真实限制的数据集，验证合理配置算法组件可带来数量级性能提升。
2025-06-11 cs.AI cs.DM
Shortest-Path Constrained Reinforcement Learning for Sparse Reward Tasks
University of Michigan（密歇根大学）；LG AI Research（LG人工智能研究院）；Yonsei University（延世大学）；Microsoft Research（微软研究院）
我们提出了k-最短路径（k-SP）约束：一种新的约束代理的轨迹，提高了样本效率稀疏奖励MDP。我们证明了任何最优策略必然满足k-SP约束。值得注意的是，k-SP约束防止策略沿着非k-SP轨迹探索状态-动作对（例如，来回的）。然而，在实践中，排除状态动作对可能会阻碍RL算法的收敛。为了克服这一点，我们提出了一种新的成本函数，惩罚违反SP约束的政策，而不是完全排除它。我们的数值实验在一个表格RL设置表明，SP约束可以显着减少策略的轨迹空间。因此，我们的约束通过抑制冗余的探索和利用，使更多的样本有效的学习。我们在MiniGrid、DeepMind Lab、Atari和Fetch上的实验表明，该方法显着提高了近端策略优化（PPO），即使在连续控制任务中也优于现有的新颖性探索方法，包括基于计数的探索，这表明它通过防止代理采取冗余动作来提高样本效率。
2021-07-13 cs.AI cs.LG cs.RO
Grid-based angle-constrained path planning
Institute for Systems Analysis of Russian Academy of Sciences（俄罗斯科学院系统分析研究所）
正方形网格通常用于机器人和游戏开发中作为空间模型，并且在AI社区的启发式搜索算法（例如A*，JPS，Theta* 等）中众所周知。广泛用于网格上的路径规划。大量的研究集中在寻找最短的（在几何意义上）路径，而在许多应用中，寻找平滑的路径（而不是最短的，但包含急转弯）是更可取的。本文研究了光滑路径的生成问题，重点研究了角度约束的路径规划问题。将角度约束路径规划问题形式化，提出了一种新的求解算法-- LIAN算法。我们从理论和实证两个方面对LIAN进行了研究。我们证明它是健全的和完整的（在一定的限制下）。我们还表明，LIAN在解决城市户外导航场景中的众多路径规划任务时优于类似物。
2015-08-25 cs.AI
SciNets: Graph-Constrained Multi-Hop Reasoning for Scientific Literature Synthesis
Jaypee Institute of Information Technology（杰伊佩 Institute 信息科技学院）
SciNets通过图约束多跳推理实现科学文献综合，通过多跳路径连接罕见共现的概念，提升机制解释的稳定性和多样性。
2025-12-28 cs.AI cs.CL cs.IR
S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering
University of Macau（澳门大学）；Xiamen University（厦门大学）；Peking University（北京大学）；Hanyang University（翰阳大学）；University of Liverpool（利物浦大学）；Zhejiang University（浙江大学）
S-Path-RAG通过混合加权k最短路径、束搜索和约束随机游走策略，实现语义感知的多跳知识图谱问答，提升检索效率与生成准确性。
2026-03-05 cs.AI cs.CL cs.IR
Resource Constrained Pathfinding with Enhanced Bidirectional A* Search
RMIT University（皇家墨尔本理工大学）；University of Auckland（奥克兰大学）；Monash University（莫纳什大学）
针对资源受限最短路径（RCSP）问题，提出基于双向A*搜索的增强约束搜索框架，通过高效剪枝策略加速大规模网络搜索，较现有最优方法搜索时间显著减少，速度提升达两个数量级以上。
2024-12-18 cs.AI
Stochastic Shortest Path with Energy Constraints in POMDPs
Masaryk University（马萨里克大学）；IST Austria（奥地利科学技术研究所）；IIT Bombay（印度理工学院孟买分校）
我们考虑部分可观测马尔可夫决策过程（POMDPs）与一组目标状态和正整数成本与每一个过渡。传统的优化目标（随机最短路径）要求最小化期望的总成本，直到达到目标集。我们扩展了传统的框架POMDPs模型的能源消耗，这是一个硬约束。能量水平可以随着转变而增加和减少，并且硬约束要求能量水平必须在所有步骤中保持为正，直到达到目标。首先，我们提出了一种新的算法求解POMDP的能量水平，现有的POMDP求解器的发展，并使用RTDP作为其主要方法。我们的第二个贡献与政策代表性有关。对于较大的POMDP实例，现有求解器计算的策略太大而无法理解。我们提出了一个基于机器学习技术的自动化过程，该技术自动提取策略的重要决策，使我们能够计算简洁的人类可读策略。最后，我们的实验表明，我们的算法表现良好，并计算简洁的政策上的一些POMDP实例从文献中自然增强的能量水平。
2016-05-11 cs.AI
Customizable and Jointly Optimized Route Planning: A Deep Architecture Enabling Differentiable Shortest-Path Search
Alibaba Group（阿里巴巴集团）
针对现有路线规划方法无法兼顾用户偏好和最优性的问题，提出一种联合优化成本函数与路线排序的深度架构，实现可微最短路径搜索，在真实数据集上显著提升路线质量与可定制性。
2026-09-18 cs.AI
Resource Constrained Pathfinding with A* and Negative Weights
School of Engineering, RMIT University（工程学院，皇家墨尔本理工大学）；Department of Engineering Science, University of Auckland（工程科学系，奥克兰大学）
针对资源约束最短路径问题（RCSP），该研究提出基于A*的新型资源约束搜索框架，可处理含负成本、负资源的大型网络RCSP，性能较现有最优算法最高提升两个数量级。
2025-03-14 cs.AI
Multi-dimensional Parametric Mincuts for Constrained MAP Inference
Korea Advanced Institute of Science and Technology（韩国高等科学技术院）；Microsoft Research Cambridge（微软研究院剑桥实验室）
在本文中，我们提出了新的算法推断的最大后验概率（MAP）解的离散成对随机场模型下的多个约束。我们展示了如何约束离散优化问题可以制定为一个多维参数mincut问题，通过其拉格朗日对偶，并证明我们的算法隔离的所有约束的情况下，该问题可以得到准确的解决。这些多个解决方案使我们甚至能够处理"软约束"（高阶罚函数）。此外，我们提出了两个实用的变种，我们的算法来解决问题的硬约束。我们还展示了我们的方法可以应用于解决各种约束离散优化问题，如子模块最小化和最短路径计算。使用前景-背景图像分割问题与统计约束的实验评估表明，我们的方法是更快，其结果是更接近地面真理标记相比，流行的连续松弛为基础的方法。
2013-07-30 cs.AI cs.LG
Logically Constrained Robotics Transformers for Enhanced Perception-Action Planning
Carnegie Mellon University（卡内基梅隆大学）；Scaled Foundations
本文提出将信号时序逻辑规范融入自回归 Transformer 轨迹规划的新方法，并构建预训练数据集，使规范满足率较基线提升 74.3%。
2024-08-09 cs.AI cs.RO
Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios
本文提出一种结合残差增强深度强化学习的动量约束混合启发式轨迹优化框架，用于提升视障场景下的导航鲁棒性与安全性。
2025-12-05 cs.AI cs.RO
eLIAN: Enhanced Algorithm for Angle-constrained Path Finding
Peoples' Friendship University of Russia（俄罗斯人民友谊大学）；National Research University Higher School of Economics（俄罗斯国立研究大学高等经济学院）；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）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文考虑了寻找特殊形状的二维路径的问题，例如由具有任意两个连续段之间的角度不超过预定义阈值的属性的线段组成的路径。这个问题比寻找任何形状的最短路径时的问题更难解决，因为需要考虑对应于同一位置的多个搜索节点，所以平面的搜索空间大得多。减少搜索工作量的一种方法是固定路径段的长度，并修剪违反所施加约束的节点。这导致了不完整性和对所选参数值的性能敏感性。在这项工作中，我们介绍了一种新的技术，通过自动调整的路径的段的长度上的飞行，例如，在搜索过程中，降低这种敏感性。将该技术嵌入到已知的基于网格的角度约束路径查找算法- LIAN中，导致规划器的有效性（例如，成功率）的显著增加，同时将效率（例如，运行时间）、开销保持在合理的水平。实验评估表明，LIAN与建议的增强功能，被称为eLIAN，解决了高达20%的任务相比，前任。同时，eLIAN的解质量与LIAN的解质量几乎相同。
2018-11-02 cs.AI
Enhanced Multi-Objective A* Using Balanced Binary Search Trees
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（得克萨斯农工大学）
这项工作解决了一个多目标最短路径问题（MO-SPP）的目标是找到一组帕累托最优的解决方案，从一个开始节点到图中的目的地。在文献中，已经开发了一系列基于MOA* 的方法来解决MO-SPP。通常，这些方法在搜索过程期间在每个节点处维持“边界”集合，以跟踪到达该节点的非支配部分路径。当目标的数量随着帕累托最优解的数量变大而增加时，这种搜索过程在计算上变得昂贵。在这项工作中，我们引入了一种新的方法，以有效地维护这些边界的多个目标，逐步构建平衡二叉搜索树内的MOA* 搜索框架。我们首先表明，我们的方法正确地找到了帕累托最优的前沿，然后提供了广泛的模拟结果的问题，三个，四个和五个目标，以表明我们的方法比现有的技术运行速度高达一个数量级。
2022-05-28 cs.AI
Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling
University of Maryland（马里兰大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有随机最短路径增量采样方法保守、未考虑尾部风险的问题，提出结合CVaR的风险敏感RRT*算法，在保证复杂度相近的同时提升路径鲁棒性、降低故障率。
2024-08-16 cs.AI cs.RO cs.SY
SenCos-GEM: SENet-Calibrated and Law-of-Cosines-Constrained Geometry-Enhanced Molecular Representation for Property Prediction
研究针对分子属性预测中现有方法的局限，提出SenCos-GEM框架。该框架结合SENet校准和余弦定律约束，采用物理引导几何一致性损失及轻量级SE模块等，在MoleculeNet基准测试中表现出色，降低多种任务误差，提升立体异构体辨别等能力。
2026-07-24 cs.AI cs.LG q-bio.BM
EHL*: Memory-Budgeted Indexing for Ultrafast Optimal Euclidean Pathfinding
Monash University（莫纳什大学）
提出 EHL* 算法，通过构建遵循指定内存预算的索引并利用预知查询分布，在保持超快查询性能的同时将内存消耗降低 10-20 倍，有效解决了内存受限环境下的最优欧几里得寻路问题。
2024-08-21 cs.AI cs.DB
WiSM: Windowing Surrogate Model for Evaluation of Curvature-Constrained Tours with Dubins vehicle
Czech Technical University（捷克技术大学）
Dubins tours表示Dubins旅行商问题（DTSP）的解决方案，DTSP是优化路由问题的变体，以确定访问一组位置的曲率约束最短路径，使得该路径对于Dubins车辆是可行的，其仅向前移动并且具有有限的转弯半径。DTSP将NP难组合优化与位置处的航向角的连续优化相结合，以确定对位置的最优访问序列，如在常规TSP中那样，其中最优航向值取决于访问序列，反之亦然。我们解决了计算上具有挑战性的DTSP的访问序列的快速评估建议的窗口代理模型（WiSM），估计的最佳Dubins路径连接的Dubins旅游的位置序列的长度。估计是加快了回归模型训练使用接近最佳的解决方案的小Dubins旅游，一般化的大规模的实例的解决DTSP利用滑动窗口技术和缓存已经计算的结果。报告的结果支持，建议WiSM使一个相对简单的进化算法的DTSP的高质量的解决方案的快速收敛。我们表明，随着位置数量的增加，我们的算法的规模显着优于其他国家的最先进的DTSP求解器。
2020-02-03 cs.AI cs.NE cs.RO
Enhanced Human-Robot Collaboration using Constrained Probabilistic Human-Motion Prediction
Massachusetts Institute of Technology（麻省理工学院）
针对现有方法未利用人体运动学模型与场景约束的问题，提出融入关节和场景约束的高斯过程回归人体运动预测框架，结合在线上下文感知约束模型，经仿真与实体实验验证可显著提升预测性能，助力高效安全的人机协作。
2023-10-05 cs.AI cs.CV cs.LG
Controllability-Constrained Deep Network Models for Enhanced Control of Dynamical Systems
San Jose State University（圣何塞州立大学）
本文提出一种可控性约束的深度网络模型估计方法，通过惩罚低可控性模型，增强数据驱动模型的可控性，从而提升控制器效率、可解释性和长期预测精度，并在两个图像观测的经典控制系统中验证了其优越性。
2023-11-11 cs.AI cs.SY eess.SY
Enhanced Multi-Objective A* with Partial Expansion
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（德州农工大学）
本文针对多目标A*算法在图分支因子较大时内存占用过高的问题，提出RME-MOA*方法，通过统一多种搜索算法并引入两个可调超参数，在运行时间增加较少的情况下实现运行时与内存效率的平衡。
2023-07-08 cs.AI math.OC
ROMO: Retrieval-enhanced Offline Model-based Optimization
Shanghai Jiao Tong University（上海交通大学）；China Mobile Research Institute（中国移动研究院）；China Mobile (Zhejiang) Research & Innovation Institute（中国移动（浙江）研究院）；ShanghaiTech University（上海科技大学）
本文研究受约束的离线黑盒优化问题，提出检索增强方法 ROMO，通过聚合离线数据集相关样本提供可信预测并用于基于梯度的优化，在多项基准任务上超越现有方法。
2023-10-19 cs.AI cs.LG
