A Survey on Large Language Models for Automated Planning
George Mason University(乔治梅森大学)
该综述批判性梳理 LLM 在自动化规划中的研究,指出其不宜独立承担规划器,但与传统方法结合可发挥显著价值。
2025-02-18 cs.AI cs.CL
TripTide: A Benchmark for Adaptive Travel Planning under Disruptions
School of Electrical and Computer Sciences, IIT Bhubaneswar(电子与计算机科学学院,印度理工学院Bhubaneswar分校);Microsoft(微软)
TripTide提出首个评估大模型在现实中断下修订旅行计划能力的基准,通过自动指标、LLM评判和专家评估,发现模型顺序与语义稳定但长计划空间偏差小、中断处理能力下降。
2025-10-24 cs.AI cs.CL
ItinBench: Benchmarking Planning Across Multiple Cognitive Dimensions with Large Language Models
University of Virginia(弗吉尼亚大学)
本文提出ItinBench,通过整合空间推理和传统语言推理任务,评估大语言模型在多认知维度上的规划能力,发现模型在同时处理多个维度时性能不稳定。
2026-03-19 cs.AI
An Extensive Evaluation of PDDL Capabilities in off-the-shelf LLMs
Huawei Research Ltd.(华为研究有限公司);University of Edinburgh(爱丁堡大学)
本研究广泛评估了20个跨7个LLM家族的模型在零样本条件下解析、生成和推理PDDL的能力,发现部分模型有效但复杂场景下存在局限,为AI规划应用提供见解。
2025-02-27 cs.AI cs.CL
PlaSma: Making Small Language Models Better Procedural Knowledge Models for (Counterfactual) Planning
Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Washington(华盛顿大学);University of Southern California(南加州大学);Tohoku University(东北大学)
针对大语言模型用于程序性规划成本高、可复现性差的问题,提出双管齐下的PlaSma方法,通过符号化知识蒸馏与推理时算法赋能小模型,新增重新规划任务,证明小模型可媲美甚至超越大模型,并在具身环境中成功应用。
2024-09-18 cs.AI cs.CL cs.LG
Handling abort commands for household kitchen robots
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学);University of Bremen(不来梅大学)
本文提出一种处理机器人中止命令的解决方案,以家用厨房机器人为例,利用PDDL结合在线知识图谱建模厨房活动,通过规划生成动作序列以优雅取消先前命令,并验证了多场景下的结果。
2024-08-16 cs.AI cs.RO
Robot Planning and Situation Handling with Active Perception
SUNY Binghamton(纽约州立大学布法罗分校);CMU(卡内基梅隆大学);Ford Research(福特研究);Agility Robotics(敏捷机器人)
本文提出VAP-TAMP框架,通过主动感知和情境评估提升机器人在动态环境中执行任务的能力,结合场景图进行任务与运动规划,通过仿真和移动机械臂平台验证有效性。
2026-04-28 cs.RO
LLM-based Robot Task Planning with Exceptional Handling for General Purpose Service Robots
Southeast University(东南大学)
针对通用服务机器人任务规划中语言歧义和幻觉问题,提出基于受限提示方案的任务规划方法及异常处理模块,确保生成动作序列可执行,并在RoboCup@Home命令上验证了卓越性能。
2024-05-24 cs.RO
Uncertainty-aware Planning with Inaccurate Models for Robotized Liquid Handling
Department of Electronics, Information and Bioengineering, Politecnico di Milano(电子、信息与生物工程系,米兰理工大学)
针对机器人液体处理中模型因认知不确定性和 sim-to-real 差距而不准确的问题,提出不确定性感知 MCTS,使搜索偏向低不确定性动作,在少数据训练的倾倒任务中提升成功率与鲁棒性。
2025-07-28 cs.RO
Driving Style Encoder: Situational Reward Adaptation for General-Purpose Planning in Automated Driving
Volkswagen AG(大众汽车公司);Technische Universität Darmstadt(达姆施塔特工业大学)
自动驾驶的通用规划算法结合了任务、行为和局部运动规划。这种规划算法将环境和驾驶运动学的特征映射到复杂的奖励函数中。为了实现这一目标,规划专家通常依赖于线性奖励函数。这些奖励函数的规范和调优是一个繁琐的过程,需要大量的经验。此外,手动设计的线性奖励函数不能在不同的驾驶情况下推广。在这项工作中,我们提出了一种基于逆强化学习的深度学习方法,该方法可以生成依赖于情境的奖励函数。我们的神经网络提供了一个基于模型预测控制的规划器的采样驾驶策略的特征和动作之间的映射,并预测即将到来的规划周期的奖励函数。在我们的评估中,我们将深度网络预测的奖励函数的驱动风格与聚类和线性奖励函数进行了比较。我们提出的深度学习方法优于集群线性奖励函数,并且与具有有关情况的先验知识的线性奖励函数相当。
2020-09-13 cs.AI cs.LG cs.RO
Adaptive Trajectory Planning and Optimization at Limits of Handling
KTH Royal Institute of Technology(KTH皇家理工学院);University of California Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
在本文中,我们解决的问题的轨迹规划和控制的车辆在当地变化的牵引力限制,在突然出现的障碍物的存在。我们采用自适应模型预测控制运行时的自适应轮胎力的约束,由当地的牵引条件的概念。为了解决这种时变约束下的实时控制综合优化问题,我们提出了一种基于实时的形迭代序列二次规划(RTI-SQP)的新的数值方法,我们称之为采样增广自适应RTI(SAA-RTI)。常规RTI-SQP的采样增强为热启动优化过程提供了额外的可行候选轨迹。因此,所提出的SAA-RTI算法能够实时约束自适应,并降低对局部极小值的敏感性。通过大量的数值模拟,我们证明了我们的方法增加了车辆的能力,以避免意外的障碍物和局部变化的牵引力的情况下,相当于非自适应控制方案和传统的规划和跟踪方法。
2019-12-10 cs.RO
Traction Adaptive Motion Planning at the Limits of Handling
KTH Royal Institute of Technology(瑞典皇家理工学院);University of California Berkeley(加州大学伯克利分校);Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
在本文中,我们解决的问题,运动规划和控制的限制处理,在局部变化的牵引条件。我们提出了一种新的解决方案,其中牵引力的变化超过预测地平线表示随时间变化的轮胎力的约束,来自预测摩擦估计。一个有限时间的约束最优控制问题是解决在一个滚动时域的方式,施加这些时变约束。此外,我们的方法具有集成的采样增强过程,该过程解决了在突然的约束改变时出现的不可行性和对局部最小值的敏感性问题,例如,由于摩擦力的突然变化我们验证了所提出的算法在沃尔沃FH16重型车辆,在一系列的关键场景。实验结果表明,牵引力自适应运动规划和控制提高了车辆的能力,以避免事故,当适应于低局部牵引力,通过确保动态可行性的计划运动,当适应高局部牵引力,通过实现高牵引力利用率。
2021-11-18 cs.RO cs.SY eess.SY
Large Scale Robotic Material Handling: Learning, Planning, and Control
NCCR digital fabrication(数字制造联合研究中心);Liebherr-Hydraulikbagger GmbH(利勃海尔液压挖掘机有限公司)
本文提出了一种基于强化学习的框架,实现了大规模物料搬运任务的自动化,包括堆体攻击点规划和鲁棒轨迹控制,展示了高精度和安全性。
2026-03-01 cs.RO cs.SY eess.SY
Importance Filtering with Risk Models for Complex Driving Situations
Honda Research Institute Europe GmbH(本田欧洲研究院有限公司)
自动驾驶汽车在拥挤的城市中行驶时面临着复杂的驾驶情况,有大量的代理。然而,一些智能体实际上并没有影响自动驾驶汽车的行为。过滤掉不重要的代理将固有地简化系统的行为或运动规划任务。然后,规划系统可以专注于更少的代理,以找到自我代理的最佳行为解决方案。这在计算效率方面尤其有用。因此,本文介绍了驾驶风险模型的重要性过滤的研究课题。我们概述了最先进的风险模型,并提出了新适应的风险模型进行过滤。他们的能力,过滤掉周围的不重要的代理商进行了比较,在一个大规模的实验。事实证明,新的轨迹距离很好地平衡了性能、鲁棒性和效率。基于这些结果,我们可以进一步推导出一种具有多个过滤步骤的新型过滤器架构,为每个步骤推荐风险模型,以进一步提高鲁棒性。我们相信,这将使当前的行为规划系统能够更好地解决日常驾驶中的复杂情况。
2023-03-13 cs.AI cs.RO
Planning with Linear Temporal Logic Specifications: Handling Quantifiable and Unquantifiable Uncertainty
University College London (UCL)(伦敦大学学院);University of Oxford(牛津大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
本研究提出一种基于MDPSTs和LDBA的规划方法,通过引入获胜区域概念和鲁棒值迭代算法,解决机器人系统在可量化与不可量化不确定性下满足LTL规格的最优策略综合问题。
2025-02-26 cs.FL cs.RO
DOROTHIE: Spoken Dialogue for Handling Unexpected Situations in Interactive Autonomous Driving Agents
University of Michigan(密歇根大学);U.S. Army Research Laboratory(美国陆军研究实验室)
在现实世界中,自动驾驶智能体在充满意外情况的高度动态环境中导航,其中预先训练的模型是不可靠的。在这些情况下,车辆立即可用的通常只有人类操作员。赋予自动驾驶智能体在连续和动态环境中导航的能力,并通过基于感觉运动的对话与人类进行交流变得至关重要。为此,我们介绍了对话的道路上处理不规则事件(DOROTHIE),一种新型的交互式仿真平台,使意外的情况下创建的飞行,以支持与自动驾驶代理人的经验研究的情况下沟通。基于这个平台,我们创建了情境对话导航(SDN),这是一个导航基准测试,共有183次试验,总共8415个话语,大约18.7小时的控制流和2.9小时的修剪音频。SDN的开发是为了评估智能体预测人类对话动作以及生成自己的对话动作和物理导航动作的能力。我们进一步为这些SDN任务开发了基于变压器的基线模型。我们的实证结果表明,在一个高度动态的环境中,语言引导导航是一个非常困难的任务,端到端的模型。这些结果将为未来强大的自动驾驶代理的工作提供见解。DOROTHIE平台、SDN基准和基线模型的代码可在https://github.com/sled-group/DOROTHIE上获得。
2022-10-22 cs.AI cs.CL cs.CV
Arranging Test Tubes in Racks Using Combined Task and Motion Planning
Graduate School of Engineering Science, Osaka University(大阪大学工程科学研究生院);Miraca Research Institute G. K.(Miraca研究所株式会社)
为了解决临床检验中大量试管搬运的迫切需要,替代或减少人工劳动,研制了一种机器人操作系统。它介绍了该系统的技术细节,该系统在3D视觉和人工智能(AI)推理/规划的帮助下将试管分离和排列在机架上。所开发的系统只需要一个人把一个机架与混合和非排列的管在机器人面前。机器人自主地执行识别、推理、规划、操纵等,并返回具有分离和排列的管的机架。该系统使用简单,不需要机器人方面的专业知识。我们希望这样的系统在帮助管理公共卫生方面发挥重要作用,并希望类似的系统可以扩展到其他临床操作,如处理混合器和移液器。
2020-05-07 cs.RO
Self-reconfiguration Strategies for Space-distributed Spacecraft
Lancaster University(兰卡斯特大学);Northwestern Polytechnical University(西北工业大学)
针对分布式航天器在轨自重构需求,提出模仿学习结合强化学习的模块搬运顺序策略学习方法,设计机械臂运动算法(含A*路径规划、正逆运动学关节规划),并在Unity3D验证,为实现可重构、快响应的航天器结构提供支持。
2024-11-26 cs.AI cs.RO
Toward Generalist Neural Motion Planners for Robotic Manipulators: Challenges and Opportunities
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University(J. Mike Walker ’66 机械工程系,德克萨斯A&M大学);Lab of Biomechatronics and Intelligent Robotics, Department of Biomedical Engineering, Tandon School of Engineering, New York University(生物机械与智能机器人实验室,生物医学工程系,Tandon工程学院,纽约大学);Department of Computer Science, Columbia University(计算机科学系,哥伦比亚大学);Zachry Department of Civil and Environmental Engineering, Texas A&M University(土木与环境工程系,德克萨斯A&M大学)
本文探讨了通用神经运动规划器在机器人机械臂中的挑战与机遇,分析了现有方法的优缺点,并提出了改进方向。
2026-03-25 cs.AI cs.RO
Hybrid Task and Motion Planning with Reactive Collision Handling for Multi-Robot Disassembly of Complex Products: Application to EV Batteries
Extreme Robotics Laboratory, School of Metallurgy and Materials, University of Birmingham(极端机器人实验室,冶金与材料学院,伯明翰大学);Department of Applied Artificial Intelligence and Robotics, Aston University(应用人工智能与机器人学院,阿斯顿大学)
本文提出一种基于视觉的任务与运动规划框架,用于多机器人协同拆解复杂产品,通过学习型RRT规划器和混合安全层提高路径紧凑性和安全性,实验显示在电动汽车电池拆解中显著降低路径长度和扫过体积。
2026-04-20 cs.RO
Near-Optimal Coverage Path Planning with Turn Costs
TU Braunschweig(布伦瑞克工业大学)
本文针对复杂多边形环境中的覆盖路径规划问题,提出基于任意网格的系统化方法,同时考虑转弯代价、部分覆盖和异质通行代价,实现了具有理论保证的近最优高效覆盖。
2023-10-31 cs.CG cs.RO
Autonomous task planning and situation awareness in robotic surgery
University of Verona(维罗纳大学)
机器人在微创手术中的使用提高了标准外科手术的质量。到目前为止,研究人员只研究了简单手术动作的自动化,而执行需要对环境进行推理的结构化任务以及在多个动作中进行选择的任务仍然由人类外科医生管理。在本文中,我们提出了一个框架来实现手术任务自动化。该框架包括一个基于答案集编程的任务级推理模块,一个基于动态运动基元的低级运动规划模块,以及一个态势感知模块。基于逻辑的推理模块生成可解释的计划,并且能够从故障状况中恢复,所述故障状况由与人类监督者接口的情况感知模块识别和解释,以增强安全性。动态运动基元允许复制外科医生的灵活性,并适应环境中的障碍和变化。该框架在不同版本的标准手术培训钉环任务上进行了验证。
2020-04-19 cs.CV cs.RO
Adaptive Planning Framework for UAV-Based Surface Inspection in Partially Unknown Indoor Environments
Carnegie Mellon University(卡内基梅隆大学)
针对部分未知室内环境中基于无人机的表面检测因参考地图过时导致效率低的问题,提出整合全局覆盖规划与局部反应式自适应的框架,实验证明其可提升检测效率与覆盖率。
2025-04-12 cs.RO
Planning on the fast lane: Learning to interact using attention mechanisms in path integral inverse reinforcement learning
Volkswagen AG(大众汽车公司);Technische Universität Darmstadt(达姆施塔特工业大学)
用于自动驾驶的通用轨迹规划算法利用复杂的奖励函数来执行策略、行为和运动学特征的组合优化。单个奖励函数的规范和调整是一项繁琐的任务,并且不能推广到大量的流量情况。基于路径积分逆强化学习的深度学习方法已成功应用于使用一组采样驾驶策略的特征来预测局部情况相关的奖励函数。基于样本的轨迹规划算法能够近似可行的驾驶策略的时空子空间,其可用于对情境的上下文进行编码。然而,与动态对象的交互需要扩展的规划范围,这取决于顺序上下文建模。在这项工作中,我们关注的是在一个扩展的时间范围内的顺序奖励预测。我们提出了一个神经网络架构,使用的政策注意力机制,以产生一个低维的上下文向量集中在轨迹与人类一样的驾驶风格。除此之外,我们提出了一个时间注意力机制,以确定上下文切换,并允许稳定的适应奖励。我们在复杂的模拟驾驶情况下评估我们的结果,包括其他移动车辆。我们的评估表明,我们的政策注意力机制学会专注于配置空间中的无冲突政策。此外,时间注意力机制在扩展的规划范围内学习与其他车辆的持续交互。
2020-09-12 cs.AI cs.LG cs.RO
Object grasping planning for the situation when soft and rigid objects are mixed together
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)
本文提出了一种用旋转限界框表示的目标检测方法,以解决刚性物体和柔性物体混合场景下的抓取难题。与传统的检测方法相比,该方法能够输出旋转对象的角度信息,从而保证每个旋转限界框内只有一个实例。该技术在具有不同取向的物体堆的情况下特别有用。在我们的方法中,当检测到具有特定几何形状(矩形或圆柱形)的未分类对象时,程序将得出结论,一些刚性对象被毛巾覆盖。如果没有检测到被覆盖的物体,则抓取规划基于从2D目标检测结果与其对应的3D点云之间的映射获得的3D点云。基于三维限界框覆盖物体所提供的信息,提出了多个杂乱刚性物体的抓取策略和避碰策略。通过刚性物体和毛巾混合的实验验证了该方法的有效性。
2019-09-20 cs.RO
Prioritized Planning Algorithms for Trajectory Coordination of Multiple Mobile Robots
自主多机器人系统的一个重要性能是防止机器人之间的碰撞。解决这个问题的一种方法是规划无冲突的轨迹,并让每个机器人遵循其预先规划的轨迹。多机器人轨迹规划的一种实用方法是优先规划法,该方法在实践中已被证明是有效的,但在一般情况下是不完整的。通过优先规划可证明可解决的实例的正式分析仍然缺失。此外,优先规划是集中式算法,这在许多情况下可能是不期望的。在本文中,我们a)提出了一个修订版本的优先规划和特征的类的实例,可证明可解决的算法和b)提出了一个异步分散的优先规划的变体,它保持了集中式版本的理想属性,并在同一时间利用分布式计算能力的个人机器人,这在大多数情况下,允许找到关节轨迹更快。在真实室内地图上进行的实验评估表明,a)优先规划的修订版本可靠地解决了经典优先规划和流行的反应式技术ORCA失败的广泛类别的实例,b)异步分散算法提供的解决方案比以前提出的同步分散算法更快。
2014-09-08 cs.AI cs.MA cs.RO
Multilayer Graph-Based Trajectory Planning for Race Vehicles in Dynamic Scenarios
Technical University of Munich(慕尼黑工业大学)
在高速和操纵极限下的轨迹规划是一项具有挑战性的任务。为了满足比赛场景的要求,我们提出了一个有远见的两步,多层基于图的轨迹规划器,能够运行速度高达212公里/小时。该规划器被设计为生成多个可驱动轨迹的动作集,允许相邻的行为规划器为场景中的全局状态选择最合适的动作。该方法用于诸如赛道跟踪、跟随、停止、超车以及能够在摩擦极限下操纵车辆的速度曲线的目标。因此,它提供了一个高的更新率,一个长远的规划视野和解决方案,非凸的情况。所提出的方法的能力,证明在模拟和一个真正的赛车。
2020-05-18 cs.RO cs.SY eess.SY
LAVAPilot: Lightweight UAV Trajectory Planner with Situational Awareness for Embedded Autonomy to Track and Locate Radio-tags
The University of Adelaide(阿德莱德大学)
追踪和定位无线电标记的野生动物是野生动物保护中必要的劳动密集型和耗时的任务。在这篇文章中,我们专注于实现嵌入式自治的资源有限的空中机器人的任务能够避免不良干扰野生动物的问题。我们采用了一个轻量级的传感器系统,能够同时(嘈杂)测量的无线电信号强度信息从多个标签估计对象的位置。我们制定了一个新的轻量级的基于任务的轨迹规划方法-LAVAPilot-与贪婪的评估策略和空函数制定,以实现态势感知,以保持一个安全的距离感兴趣的对象。从概念上讲,我们嵌入我们的直觉移动更近,以减少测量到LAVAPilot的不确定性,而不是采用计算密集型的信息增益为基础的规划策略。我们采用LAVAPilot和传感器来构建一个轻量级的空中机器人平台,该平台具有完全嵌入式的自主性,用于联合跟踪和规划,以跟踪和定位保护生物学家使用的多个VHF无线电项圈标签。使用广泛的Monte Carlo仿真为基础的实验,实现在单板的计算模块,并使用多个VHF无线电项圈标签的空中机器人平台的现场实验,我们评估我们的联合规划和跟踪算法。此外,我们将我们的方法与其他基于信息的规划方法进行了比较,无论有无态势感知,以证明我们的机器人执行LAVAPilot的有效性。我们的实验表明,LAVAPilot显着降低(98.5%)规划的计算成本,使实时规划决策,同时实现类似的定位精度的对象相比,基于信息增益的规划方法,虽然需要稍长的时间来完成任务。
2020-07-31 cs.RO cs.SY eess.SY
Autonomous Situational Awareness for UAS Swarms
University of Alabama(阿拉巴马大学)
本文描述了一种无人机机群自主任务规划技术。给定在已知区域中运行的群,中央命令系统从群生成测量结果。如果这些测量结果表明任务情况发生了变化,如目标移动,则群规划将更新以反映新的情况,并将制导更新广播到群。在这项工作中的主要算法是A* 寻路和广义标记多伯努利多目标跟踪方法。
2021-04-18 cs.MA cs.RO cs.SY
From Real World to Logic and Back: Learning Generalizable Relational Concepts For Long Horizon Robot Planning
针对机器人有限经验泛化能力弱、难迁移到未见环境长时程任务的问题,提出首个从少量无标注原始演示自主学习符号化关系概念与逻辑世界模型的框架,实现零样本复杂任务泛化,性能媲美手工设计模型,可处理18倍于训练的物体数量,推动可解释可泛化机器人规划系统发展。
2025-10-03 cs.AI cs.RO
Multi-Agent Reinforcement Learning for Deadlock Handling among Autonomous Mobile Robots
本文研究多智能体强化学习在自主移动机器人内部物流死锁处理中的应用,提出集成 MARL 的结构化方法,并通过实验证明 PPO 和 IMPALA 结合 CTDE 在复杂拥挤环境中优于传统规则方法。
2025-11-10 cs.MA cs.RO
An Anytime Hierarchical Approach for Stochastic Task and Motion Planning
Arizona State University(亚利桑那州立大学)
为了解决复杂的、长时间的任务,智能机器人需要结合运动规划进行高层次的、抽象的规划与推理。然而,抽象模型通常是有损的,并且使用它们计算的计划或策略可能无法执行。这些问题在机器人需要推理和计划多个意外事件的随机情况下会加剧。我们提出了一种新的方法,在随机设置的集成任务和运动规划。在这个方向的先前工作相比,我们表明,我们的方法可以有效地计算集成的任务和运动策略,其分支结构编码代理的行为,处理多个执行时间的突发事件。我们证明了我们的算法是概率上完整的,可以计算可行的解决方案的政策,在任何时候的方式,使遇到一个未解决的意外事件的概率随着时间的推移而下降。一组具有挑战性的问题的实证结果表明,我们的方法的实用性和范围。
2022-05-26 cs.AI cs.RO
Autonomous Situational Awareness for Robotic Swarms in High-Risk Environments
the University of Alabama(阿拉巴马大学)
本文介绍了一种技术,自主任务规划的机器人群在高风险的环境中,代理禁用是可能的。给定在已知区域中运行的群,中央命令系统从群生成测量结果。如果这些测量结果表明任务情况发生了变化,如目标移动或代理丢失,则群规划将更新以反映新的情况,并将制导更新广播到群。在这项工作中的主要算法是A* 寻路和广义标记多伯努利多目标跟踪方法。
2021-05-11 cs.MA cs.RO cs.SY
Rapid Uncertainty Propagation and Chance-Constrained Path Planning for Small Unmanned Aerial Vehicles
University of Michigan(密歇根大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
随着未来几年国家空域中小型无人机系统(sUAS)的数量预计将增加,人们对能够处理该航空部门需求的交通管理系统的兴趣越来越大。预计这样的系统将涉及轨迹预测、不确定性传播和路径规划算法。在这项工作中,我们使用线性协方差传播结合基于二次规划的碰撞检测算法,以快速验证申报的飞行计划。此外,这些算法结合了动态,知情RRT* 算法,从而在计算效率的算法的机会约束的路径规划。固定翼和四旋翼无人机模型的详细数值例子。
2019-11-06 cs.RO
Self-Supervised Visual Planning with Temporal Skip Connections
UC Berkeley(加州大学伯克利分校);Technical University of Munich(慕尼黑工业大学)
为了自主学习广泛的复杂技能,机器人必须能够在没有人类监督的情况下从自己自主收集的数据中学习。一个始终可用于自主收集数据的学习信号是预测:如果机器人可以学习预测未来,它可以使用此预测模型采取行动以产生所需的结果,例如将对象移动到特定位置。然而,在复杂的开放世界场景中,设计用于预测的表示是困难的。在这项工作中,我们的目标是通过直接视频预测来实现自我监督的机器人学习:我们直接预测机器人接下来会看到什么,而不是试图设计一个好的表示,然后使用这个模型来实现预期的目标。机器人操作视频预测的一个关键挑战是处理复杂的空间布置,如遮挡。为此,我们引入了一个视频预测模型,它可以通过结合时间跳跃连接来跟踪对象。再加上一个新的规划标准和动作空间的制定,我们证明,该模型大大优于以前的工作视频预测为基础的控制。我们的研究结果显示,在训练过程中看不到的对象,处理多个对象,并推动周围的障碍物的对象的操作。这些结果代表了技能的范围和复杂性的重大进步,这些技能可以完全通过自我监督机器人学习来执行。
2017-10-15 cs.AI cs.CV cs.LG
Towards Super-Nominal Payload Handling: Inverse Dynamics Analysis for Multi-Skill Robotic Manipulation
University of Colorado Boulder(科罗拉多大学博尔德分校)
针对机器人受额定负载限制的问题,本文通过 Franka Emika Panda 的逆动力学实证分析,证明其可处理两倍以上额定负载,并指出结合非抓握原语可提升超重操作成功率。
2024-12-01 cs.RO
Event-Adaptive Motion Planning with Distilled Vision-Language Model in Safety-Critical Situations
Southern University of Science and Technology(南方科技大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Manifold Tech Limited(曼孚科技股份有限公司)
提出事件自适应运动规划(EAMP)框架,通过可配置语义事件触发器、蒸馏视觉语言模型和语义模型预测控制,在安全关键场景中实现高层推理与底层控制的协同,提升动态安全裕度并保持实时性。
2026-06-26 cs.RO eess.SP
Motion Planning for Connected Automated Vehicles at Occluded Intersections With Infrastructure Sensors
Ulm University(乌尔姆大学)
城市交叉口的运动规划是城市自动驾驶道路上的一个主要挑战,它需要考虑情境背景、处理遮挡并处理测量和预测的不确定性。在这项工作中,我们解决了这一挑战,基于采样的优化方法。为此,我们制定了一个最优控制问题,优化低风险和高乘客舒适度。使用风险模型基于感知信息和相应的不确定性来计算风险。风险模型结合了基于集合的方法和概率方法。因此,该方法在概率意义上提供了安全保证,而对于消失的风险,继承了基于集合的方法的形式安全保证。通过探索所有可用的行为选项,我们的方法解决了决策和纵向轨迹规划一步到位。可用的行为选项由情境上下文的正式表示提供,这也用于减少计算工作。使用安装在基础设施上的传感器的外部感知来解决阻塞。然而,不是将外部和自我感知与轨道到轨道的融合相结合,而是并行使用信息。运动规划方案通过真实世界的实验进行了验证。
2021-10-21 cs.RO
SDS++: Online Situation-Aware Drivable Space Estimation for Automated Driving
Eindhoven University of Technology(埃因霍温理工大学);TNO(荷兰应用科学研究组织)
本研究提出SDS++框架,通过改进输出表征与几何编码方式,克服了现有SDS框架的局限性,并在仿真和真实车辆数据中验证了其与MPC规划器集成后能显著提升轨迹规划的鲁棒性与情境适应能力。
2024-06-04 cs.RO
Handling Noise in Search-Based Scenario Generation for Autonomous Driving Systems
National Institute of Informatics(国立情报学研究所)
本文介绍了第一次评估的k-最近邻平均(kNN-Avg)在现实世界的案例研究。kNN-Avg是一种新的技术,可以解决噪声多目标优化(MOO)的挑战。现有的研究建议使用重复来克服噪音。相比之下,kNN-Avg近似这些重复并利用以前的执行,从而避免重新运行的成本。我们使用kNN-Avg的场景生成的一个真实世界的自动驾驶系统(ADS),并表明它是优于嘈杂的基线。此外,我们将其与重复方法和大纲指标进行比较,以确定在哪些情况下选择哪种方法。
2021-09-16 cs.RO
Comfortable Priority Handling with Predictive Velocity Optimization for Intersection Crossings
Honda Research Institute (HRI) Europe(本田欧洲研究院(HRI Europe));Honda Innovation Lab (HIL) Tokyo, Honda R&D Co., Ltd.(本田技研工业株式会社本田东京创新实验室(HIL Tokyo))
研究了具有通行权的四向交叉路口的运动规划问题。道路安全通常将责任分配给追尾碰撞中的跟随者和侧面碰撞中需要屈服的接近车辆。作为一种替代以前的模型的启发式状态机的基础上,我们提出了一个规划框架,根据给定的纵向或横向优先级规则改变其他汽车的预测模型(例如,他们的原型加速和减速)。结合最先进的轨迹优化方法ROPT(风险优化方法),这允许找到自我速度曲线,最大限度地减少曲线和所有相关车辆的风险,同时在监管条件下最大限度地提高效用(达到目标所需的时间)和舒适性(加速的变化和持续时间)。分析和统计评估表明,我们的方法是能够遵循的权利的方式为广泛的其他车辆的行为和路径几何。即使其他车辆以不符合优先级的方式行驶,ROPT也能实现良好的风险-舒适度权衡。
2023-03-14 cs.RO cs.SY eess.SY
cpRRTC: GPU-Parallel RRT-Connect for Constrained Motion Planning
针对 GPU 上基于采样的约束运动规划不足及 pRRTC 在复杂模型与环境中的局限,提出利用 NVRTC 运行时编译的 cpRRTC 并行框架,以高效支持高复杂度约束规划并提升性能。
2025-05-11 cs.RO
MAGIC: Learning Macro-Actions for Online POMDP Planning
National University of Singapore(新加坡国立大学)
部分可观测马尔可夫决策过程(POMDP)是机器人在不确定性条件下进行决策的基本框架,但当需要进行长期规划时,POMDP规划具有较高的计算复杂性。虽然时间扩展的宏动作有助于减少有效的规划视野和显着提高计算效率,我们如何获得良好的宏动作?本文提出了Macro-Action Generator-Critic(MAGIC),它对针对在线POMDP规划优化的宏动作进行离线学习。具体来说,MAGIC端到端地学习宏动作生成器,使用在线计划器的性能作为反馈。在在线规划过程中,生成器根据机器人的信念和环境上下文生成动态的情境感知宏动作。我们评估了MAGIC在模拟和真实机器人上的几个长期规划任务。实验结果表明,与原始动作和手工宏动作相比,学习的宏动作在在线规划性能方面具有显着优势。
2021-07-01 cs.AI cs.LG cs.RO
DEC-LOS-RRT: Decentralized Path Planning for Multi-robot Systems with Line-of-sight Constrained Communication
University of California at Berkeley(加州大学伯克利分校)
多智能体系统的分散规划,例如搜索和救援行动中的机器人舰队,通常受到智能体如何相互通信的限制。一个这样的限制是当代理只能在视线(LOS)中时才能彼此通信的情况。在这种情况下,开发分散的规划方法来保证安全是很困难的,因为相互封闭的代理可能无法通信,直到为时已晚才能避免违反安全规定。在本文中,我们开发了一个分散的规划方法,明确避免的情况下,缺乏其他代理的可见性将导致不安全的情况。建立在现有的快速探索随机树(RRT)为基础的方法之上,我们的方法保证在每次迭代的安全性。仿真研究表明,我们的方法的有效性,并比较性能退化方面的千里眼分散规划算法,代理可以进行通信,尽管没有在LOS的对方。
2022-03-04 cs.RO cs.SY eess.SY
Path Planning on Multi-level Point Cloud with a Weighted Traversability Graph
School of Mechatronics Engineering and Automation, Shanghai University(上海大学机械与自动化工程学院);Shanghai Key Laboratory of Intelligent Manufacturing and Robotics, Shanghai University(上海大学智能制造与机器人重点实验室);Areaspace Information Research Institute, Chinese Academy of Sciences(中国科学院空域信息研究所)
提出一种基于加权可通行性图的多层点云路径规划方法,通过多层跳跃表预处理、交互分析直接获取可通行性指标并改进A*算法,有效解决地面车辆在多种复杂环境下的3D路径规划问题。
2026-10-16 cs.RO
PALMER: Perception-Action Loop with Memory for Long-Horizon Planning
Swiss Federal Institute of Technology (EPFL)(瑞士联邦理工学院(洛桑联邦理工学院))
为了在先验未知的现实世界场景中实现自主性,智能体应该能够:i)根据高维感官观察(例如,图像),ii)从过去的经验中学习以适应和改进,以及iii)能够进行长期规划。经典规划算法(例如PRM,RRT)擅长处理长期规划。基于深度学习的方法反过来可以通过对观测之间的统计偶然性进行建模来提供必要的表示来解决其他问题。在这个方向上,我们引入了一个通用的规划算法,称为PALMER,结合经典的基于采样的规划算法与基于学习的感知表示。为了训练这些感知表示,我们将Q学习与对比表示学习相结合,以创建一个潜在空间,在这个空间中,两个状态的嵌入之间的距离可以捕获最佳策略在它们之间遍历的容易程度。对于这些感知表示的规划,我们重新设计了经典的基于采样的规划算法,从重放缓冲区中检索先前观察到的轨迹段,并将它们重新拼接成连接任何给定的起始和目标状态对的近似最佳路径。这在表示学习、记忆、强化学习和基于采样的规划之间创建了一个紧密的反馈循环。最终的结果是一个经验框架的长期规划,是显着更强大的和样本效率相比,现有的方法。
2022-12-08 cs.AI cs.CV cs.LG
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University(德克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
提出基于经验的子问题规划方法,通过构建低维子问题解的数据库并应用于大规模场景,解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
A Goal-Oriented Reinforcement Learning-Based Path Planning Algorithm for Modular Self-Reconfigurable Satellites
State Key Laboratory of Micro-Spacecraft Rapid Design(微航天快速设计国家重点实验室);Intelligent Cluster, Harbin Institute of Technology, Harbin(哈尔滨工业大学)
本文提出一种面向目标的强化学习路径规划算法,首次解决模块化自重构卫星的多目标构型问题,并结合后见经验回放与无效动作掩码,在四单元和六单元集群中分别实现95%和73%的成功率。
2025-07-22 cs.AI cs.LG cs.RO
Hybrid Systems Differential Dynamic Programming for Whole-Body Motion Planning of Legged Robots
University of Notre Dame(圣母大学)
提出了一种基于状态切换的混杂系统轨迹优化的微分动态规划框架。建议的混合系统DDP(HS-DDP)的方法被认为是应用到全身运动规划与足式机器人。具体来说,HS-DDP结合了三个算法的进步:一个影响感知DDP步骤解决的影响事件在腿运动,一个增广拉格朗日(AL)方法处理的开关约束,和开关时间优化(STO)算法,优化开关时间,通过利用DDP的结构。此外,松弛障碍(ReB)的方法被用来管理不等式约束,并集成到HS-DDP的运动规划。所开发的算法的性能基准上的麻省理工学院迷你猎豹执行跳跃步态的仿真模型。我们证明了AL和ReB处理开关约束,摩擦约束和扭矩限制的有效性。通过与以前的解决方案相比,我们表明,STO算法实现了2.3倍以上的减少总开关时间,证明了我们的方法的效率。
2020-08-11 cs.RO
Trajectory Planning of a Curtain Wall Installation Robot Based on Biomimetic Mechanisms
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(深圳先进技术研究院,中国科学院)
针对建筑机器人能耗问题,提出融合人体举重能量转换原理的仿生轨迹规划框架,结合EMG信号与PSO动态载荷分配,使幕墙安装机器人仿真能耗降低48.4%。
2025-07-22 cs.RO
An Autonomous Driving Framework for Long-term Decision-making and Short-term Trajectory Planning on Frenet Space
University of California, Santa Cruz(加州大学圣克鲁兹分校)
在本文中,我们提出了一个层次结构的决策和规划的高速公路驾驶任务。我们利用智能驾驶模型(IDM和MOBIL)根据自我周围的交通状况生成长期决策。这些决定既能最大限度地提高自我性能,又能尊重其他车辆的目标。短期轨迹优化是在Frenet空间上进行的,以使计算对道路的三维曲率不变。针对运动障碍物,提出了一种新的基于Frenet框架的避障方法.优化探索驾驶走廊,以生成时空多项式轨迹,安全地通过交通导航,并服从BP命令。该框架还引入了一个启发式管理程序,用于识别意外情况,并在潜在紧急情况下重新计算每个模块。CARLA仿真实验表明,该框架在实现符合人类行为的各种驾驶风格方面具有潜力和可扩展性。
2020-11-26 cs.RO cs.SY eess.SY
Combining Safe Interval Path Planning and Constrained Path Following Control: Preliminary Results
National Research University Higher School of Economics(国家研究型高等经济大学);Moscow Institute of Physics and Technology(莫斯科物理技术学院);Peoples’ Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN大学));Bauman Moscow State Technical University(鲍曼莫斯科国立技术大学)
本文研究了机器人在静态和动态障碍物中的导航问题,并采用分层的方法进行了求解。首先,采用能够处理任意角度平移和旋转的安全区间路径规划算法规划参考轨迹。其次,路径跟踪问题被视为有约束的控制问题,并提出了原来的基于平坦性的方法来产生控制。我们提出了一些增强的路径规划算法,旨在寻找轨迹,更有可能被机器人没有碰撞。进行的实验评估的结果表明,成功解决的导航实例的数量显着增加时,使用建议的技术。
2019-06-17 cs.RO math.OC
Workspace monitoring and planning for safe mobile manipulation
Fraunhofer IOSB(弗劳恩霍夫IOSB研究所);Fraunhofer Institute of Optronics, System Technologies and Image Exploitation(弗劳恩霍夫光电、系统技术与图像开发研究所)
为了实现物理人机交互,人类和(移动)机械手共享他们的工作空间并一起工作,机器人必须配备重要的功能,以保证人类的安全。机器人必须识别与人类同事可能发生的碰撞,并在执行任务时通过调整运动来避免危险情况。因此,已经开发了允许使用多个深度传感器来监测移动操纵器的工作空间以收集关于机器人环境的信息的方法。这包括有关机器人附近环境中障碍物的3D信息以及整个监控空间中障碍物运动的预测。基于该信息,规划无碰撞的机器人运动,并且在执行期间,机器人通过调整其规划的运动、减速或停止来连续地对不可预见的危险情况作出反应。对于制造场景的演示,所开发的方法已实施的原型移动机械手。该算法以统一的方式处理机器人平台和机械手,从而可以对路径和防撞行为进行整体优化。通过集成监控、规划和交互控制组件,演示了在共享工作空间中抓取、放置和向人类交付对象的任务。
2020-06-02 cs.RO
Average Case Constant Factor Time and Distance Optimal Multi-Robot Path Planning in Well-Connected Environments
Rutgers University at New Brunswick(罗格斯大学新布朗斯维克分校)
多机器人最优路径规划的快速算法在实际应用中备受关注。然而,已知的方法通常不能同时保证良好的解最优性和良好的(例如,多项式)运行时间。在这项工作中,我们开发了第一个低多项式的运行时间算法,称为SplitAngGroup(SaG),解决了网格和网格状环境中的多机器人路径规划问题,并在所有问题实例中平均产生恒定因子的最大完工时间最优解。也就是说,SaG是平均情况O(1)-近似算法,并且计算具有次线性最大完工时间的解。SaG能够处理机器人密度极高的情况-在图论设置中,该算法支持底层图的所有顶点都被占用的情况。SAG达到其理想的性能,通过一个新的分而治之的技术,我们表示为全球解耦,和网络流为基础的方法路由机器人的精心组合。在较弱的意义上,SaG的解也是总距离最优性的常数因子近似。
2019-05-10 cs.RO