Vertex-based Networks to Accelerate Path Planning Algorithms
Ohio University(俄亥俄大学)
本文提出用基于顶点的网络改进 RRT* 的采样,借助 focal loss 与掩码配置处理不平衡和性能权衡,在随机楼层地图上将速度较基线提升逾 400%。
2023-07-13 cs.AI
Hybrid Planning for Dynamic Multimodal Stochastic Shortest Paths
Stanford University(斯坦福大学)
在诸如仓库操作、多步膳食准备和自动车辆网络中的路由等应用中的顺序决策问题通常涉及对不确定性的推理、对离散模式和连续状态的规划以及对动态更新的反应。为了形式化这些问题一般,我们引入一类马尔可夫决策过程(MDP)称为动态多模态随机最短路径(DMSSP)。这些领域的大部分工作解决了确定性变量,当不确定性具有下游效应时,可能会产生不佳的结果。我们开发了一个混合随机规划(HSP)算法,它使用域不可知的抽象有效地统一启发式搜索规划离散模式,近似动态规划随机规划连续状态,分层交错规划和执行。在自治多模式路由领域,HSP获得了比最先进的上置信树算法和两级滚动时域控制算法更高质量的解决方案。
2019-06-21 cs.AI
Systematic Comparison of Path Planning Algorithms using PathBench
Ryerson University(瑞尔森大学);Imperial College London(帝国理工学院)
路径规划是移动机器人的重要组成部分。经典的路径规划算法,如波前和快速探索随机树(RRT)被广泛应用于自主机器人。随着机器学习的发展,基于学习的路径规划算法得到了快速的发展。一个统一的路径规划接口,促进现有的和新的算法的开发和基准测试是必要的。本文介绍了PathBench,现有的和未来的,经典的和基于学习的路径规划算法在2D和3D网格世界环境中的开发,可视化,培训,测试和基准测试的平台。支持许多现有的路径规划算法;例如,A*,Dijkstra,路点规划网络,值迭代网络,门控路径规划网络;并且集成新算法很容易且明确规定。本文通过比较五种不同硬件系统和三种不同地图类型(包括内置PathBench地图、视频游戏地图和来自真实世界数据库的地图)的算法,探讨了PathBench的基准测试能力。使用路径长度、成功率和计算时间等参数来评估算法。还对真实世界的机器人进行了性能分析,以证明PathBench对机器人操作系统(ROS)的支持。PathBench是开源的。
2022-03-07 cs.AI cs.RO
A Pareto Front-Based Multiobjective Path Planning Algorithm
Carnegie Mellon University(卡内基梅隆大学)
路径规划是移动机器人技术中最重要的环节之一。利用环境的先验知识,全局路径规划提供了通过工作空间的无碰撞路线。全局路径规划可以用各种知情的搜索算法来计算,最值得注意的是A* 搜索方法,保证提供一个完整的最佳解决方案,使路径成本最小化。路径规划优化通常着眼于最小化从起点到目标的距离,但许多移动机器人应用程序需要额外的路径规划目标,提出了多目标优化(MOO)问题。过去的研究已经将遗传算法应用于MOO路径规划问题,但这些方法可能存在计算复杂性和次优解的缺点。或者,本文中的算法接近MOO路径规划与使用帕累托前沿,或寻找非支配的解决方案。该算法将Pareto最优性融入到A* 搜索的每一步中,称为A*-PO算法。仿真结果表明,A*-PO优于几个变种的标准A* 算法的MOO路径规划。增加了一个行星探测车案例研究,以证明A*-PO在现实世界中的应用的可行性。
2015-05-22 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
Simulating Coverage Path Planning with Roomba
覆盖范围路径规划涉及访问在有障碍物的环境中的每个未被占用的状态。在本文中,我们探讨了这个问题,在最初未知的代理环境中,为了模拟真空吸尘机器人的任务。对先前工作的调查显示,在应用学习来解决这个问题方面很少努力。在本文中,我们探索使用深度强化学习对覆盖路径规划问题进行建模,并将其与流行的真空清洁机器人Roomba的内置算法的性能进行比较。
2022-10-10 cs.AI cs.RO
Path planning for Robotic Mobile Fulfillment Systems
University of Paderborn(帕德博恩大学);Leuphana University of Lüneburg(吕讷堡莱法纳大学)
本文提出了一个收集的路径规划算法的实时移动的多个机器人在机器人移动履行系统(RMFS)。机器人被指派将存储单元移动到工作站的拣选员,而不是要求拣选员去存储区域。路径规划算法的目标是为机器人找到路径,以满足没有冲突或死锁的请求。最先进的路径规划算法,包括WHCA*,FAR,BCP,OD&ID和CBS,经过调整以适应RMFS中的路径规划,并集成在仿真工具中,以引导机器人在存储和检索过程中从起点到目的地。在模拟研究中考虑了十种不同的布局,其中包括各种数量的机器人,楼层,吊舱,车站和存储区域的大小。性能指标的吞吐量,路径长度和搜索时间进行了监测。仿真结果表明,最好的算法的基础上,每个性能指标。
2018-11-19 cs.AI cs.RO
Assessing LLM code generation quality through path planning tasks
Duke University(杜克大学);George Mason University(乔治·玛莎姆大学)
研究通过让六个LLM生成三种路径规划算法代码并在三种难度地图上测试,发现其代码存在严重风险,不应在未经严格测试的安全关键场景中使用。
2025-04-30 cs.AI cs.SE
Solving a Path Planning Problem in a Partially Known Environment using a Swarm Algorithm
Ministry of Defence(国防部)
提出了一种在部分已知环境下自主地面车辆(AGV)导航的路径规划策略。通过首先使用包含来自合适的空间数据库的诸如高度数据和土壤信息之类的所选属性的待穿越区域的空间数据库来执行全局路径规划。该数据库使用仿生群算法进行处理,该算法的灵感来自白蚁的筑巢策略。利用来自各种传感器的关于影响AGV安全导航的突发事件的信息在线执行本地路径规划。所讨论的模拟已经在开源的Player-Stage-Gazebo平台上实现。
2019-06-27 cs.AI cs.RO
Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning
Manchester Metropolitan University(曼彻斯特城市大学)
覆盖路径规划(CPP)的目标是找到一条覆盖整个给定空间的最优路径。由于NP难的性质,CPP仍然是一个具有挑战性的问题。生物启发的算法,如蚁群优化(ACO)已被用来解决这个问题,因为他们可以利用启发式信息,以减轻路径规划的复杂性。本文提出了快速生成蚁群优化算法(FaSACO),蚂蚁可以以不同的速度探索环境。通过这种机制,具有较高速度的蚂蚁可以更快地找到目的地或障碍物,并且通过在路径上的信息素踪迹传递这些信息来保持较低速度的蚂蚁被告知。这种机制确保找到(次)最优路径,同时减少总体路径规划时间。实验结果表明,FaSACO是$19.3-32.3\%$更有效的CPU时间方面比ACO,并重新覆盖$6.9-12.5\%$更少的细胞比ACO。这使得FaSACO在实时和能源有限的应用中具有吸引力。
2022-06-20 cs.AI cs.RO
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
Neural Networks for Path Planning
由于神经网络体系结构的进步,科学界能够提出一套新的解决实际问题的方案,这些方案在效率和计算速度方面大大提高了现代技术的性能。我们目前的最新作品考虑利用神经网络在机器人路径规划。我们的调查显示了考虑不同输入,输出和环境的问题的不同公式之间的对比,以及不同的神经网络架构如何能够为所有提出的问题提供解决方案。
2022-07-02 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
Real-time Multi-target Path Prediction and Planning for Autonomous Driving aided by FCN
Tongji University(同济大学);Nanjing University(南京大学)
实时的【形】多目标路径规划是自动驾驶领域的关键问题。虽然利用多项式曲线可以实时的【形】生成多条路径,但是生成的路径不够灵活,无法处理S形道路等复杂道路场景和停车场等非结构化场景。基于搜索和采样的方法,如A* 和RRT及其衍生方法,在为这些复杂的道路环境生成路径方面是灵活的。然而,现有的算法需要大量的时间来规划多个目标,这大大限制了它们在自动驾驶中的应用。提出了一种多目标实时的【形】航迹规划方法。我们首先训练一个全卷积神经网络(FCN)来预测目标的路径区域。通过将预测路径区域作为软约束,然后应用A* 算法来搜索到目标的精确路径。实验表明,FCN可以在很短的时间内(40 ms内50次)进行多次预测,预测的路径区域有效地限制了后续A* 搜索的搜索空间。因此,A* 可以更快地搜索,从而可以实时的【形】实现多目标路径规划(在不到100 ms内搜索3个目标)。
2019-09-17 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
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
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
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
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
Multi-robot Path Planning in Well-formed Infrastructures: Prioritized Planning vs. Prioritized Wait Adjustment (Preliminary Results)
Peoples’ Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN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(高等经济学院国家研究大学)
研究了一类同质机器人的无碰撞路径规划问题。我们提出了一种新的方法,用于将机器人自我中心地规划的路径,例如,不考虑其他机器人的移动,变成无碰撞的轨迹,并根据经验进行评估。建议的算法比最先进的算法快得多(高达一个数量级),但这是以解决方案成本显著下降为代价的。
2018-07-05 cs.AI cs.MA 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
Path Planning using Neural A* Search
OMRON SINIC X(欧姆龙 SINIC X 研究院);DeepMind(深度思维);Tokyo Institute of Technology(东京工业大学)
我们提出了神经A*,一种新的数据驱动的搜索方法的路径规划问题。尽管最近越来越多的关注数据驱动的路径规划,机器学习的方法,基于搜索的规划仍然是具有挑战性的,由于搜索算法的离散性质。在这项工作中,我们重新制定了一个规范的A* 搜索算法是可微的,并将其与卷积编码器耦合,形成一个端到端的可训练神经网络规划器。神经A* 通过将问题实例编码为引导地图,然后使用引导地图执行可微A* 搜索来解决路径规划问题。通过学习将搜索结果与专家提供的地面实况路径相匹配,Neural A* 可以准确有效地生成与地面实况一致的路径。我们的大量实验证实,Neural A* 在搜索最优性和效率权衡方面优于最先进的数据驱动规划器。此外,Neural A* 通过直接对自然图像输入执行基于搜索的规划,成功预测了真实的人体轨迹。项目页面:https://omron-sinicx.github.io/neural-astar/
2021-07-07 cs.AI cs.LG stat.ML
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
CNN Encoder to Reduce the Dimensionality of Data Image for Motion Planning
Universidade de Pernambuco(伯南布哥大学);Istituto Italiano di Tecnologia(意大利理工学院)
许多现实世界的应用需要路径规划算法来解决不同领域的任务,例如社交应用、自动驾驶汽车和跟踪活动。最重要的是运动规划。尽管在大多数运动规划场景中使用路径规划是足够的,但是它们在具有动态变化的大型环境中代表了潜在的瓶颈。为了解决这个问题,可以减少可能的路线的数量,使路径规划算法更容易找到最短路径,以更少的努力。传统的路径规划算法是A* 算法,它使用启发式算法,比其他解决方案更快。在这项工作中,我们提出了一个CNN编码器,能够消除无用的路线运动规划问题,然后我们结合所提出的神经网络输出与A*。为了衡量我们的解决方案的效率,我们提出了一个数据库与不同的情况下的运动规划问题。评估的度量是找到最短路径的迭代次数。A* 与具有A* 的CNN编码器(提案)进行了比较。在所有评估的情况下,我们的解决方案减少了超过60%的迭代次数。
2020-04-10 cs.AI cs.CV eess.IV
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
Performance Improvement of Path Planning algorithms with Deep Learning Encoder Model
Polytechnic School (UPE)(伯南布哥大学理工学院);Istituto Italiano di Tecnologia (IIT)(意大利理工学院)
目前,路径规划算法被用于许多日常任务中。它们与在交通中找到最佳路线并使自主机器人能够导航有关。路径规划的使用在大型和动态环境中存在一些问题。大型环境使得这些算法需要花费大量的时间来寻找最短路径,而动态环境则要求每次环境发生变化时都重新执行算法,从而增加了算法的执行时间。降维似乎是这个问题的解决方案,在这种情况下,这意味着删除这些环境中存在的无用路径。大多数降维算法仅限于输入数据的线性相关。最近,卷积神经网络(CNN)编码器被用来克服这种情况,因为它可以使用线性和非线性信息来减少数据。本文深入分析了使用这种CNN编码器模型消除无用路径的性能。为了衡量上述模型的效率,我们将其与不同的路径规划算法相结合。接下来,在由五个场景组成的数据库中检查最终算法(组合和未组合)。每个场景都包含固定和动态障碍。他们提出的模型,CNN编码器,与文献中其他现有的路径规划算法相关联,与分析的所有路径规划算法相比,能够减少找到最短路径的时间。平均下降时间为54.43%。
2020-08-05 cs.AI cs.CV cs.LG
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
Language-Conditioned Path Planning
University of California, Berkeley(加州大学伯克利分校);Dyson Robot Learning Lab(戴森机器人学习实验室)
针对传统路径规划忽视接触需求的问题,提出语言条件路径规划及LACO方法,利用单视角图像和语言提示预测碰撞,实现灵活的条件路径规划,并在仿真和真实世界中验证其有效性。
2023-08-31 cs.AI cs.CV cs.LG
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong(香港中文大学);University of Cambridge(剑桥大学)
大动态环境中移动机器人的路径规划是一个具有挑战性的问题,因为机器人需要有效地达到其给定的目标,同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下,传统的解决方案通常采用重新规划策略,每当机器人遇到冲突时,重新调用规划算法来搜索替代路径。然而,这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题,我们提出了一种基于学习的技术,利用环境时空信息。与现有的基于学习的方法不同,我们引入了一种全局引导的强化学习方法(G2RL),该方法采用了一种新的奖励结构,可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题,在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型,障碍物密度和机器人的数量。实验结果表明,G2RL的泛化能力很好,优于现有的分布式方法,并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
Quantum Grid Path Planning Using Parallel QAOA Circuits Based on Minimum Energy Principle
School of Economics, Hunan University of Finance and Economics(财经大学经济学院)
本研究提出基于并行QAOA电路的量子网格路径规划方法,通过最小能量映射和经典滤波,在NISQ时代以最高概率求得最优路径。
2025-10-08 cs.AI math-ph math.MP