Integrating Fast Regional Optimization into Sampling-based Kinodynamic Planning for Multirotor Flight
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The University of Hong Kong（香港大学）
对于实时多旋翼运动动力学运动规划，基于采样的方法的效率通常受到难以采样的同伦类（如狭窄通道）的阻碍。在本文中，我们解决这个问题的混合计划。我们首先提出了一个快速的区域优化器，利用局部环境的信息，然后将其集成到一个全局采样过程，以确保更快的收敛。在不同的基于采样的方法上结合局部优化，在各种具有挑战性的环境中显着提高了成功率和减少了规划时间。我们还提出了一个细化模块，充分调查所产生的轨迹的全球采样，大大提高了其平滑性，可以忽略不计的计算工作。基准测试结果表明，与最先进的方法相比，我们提出的方法可以更好地利用以前的轨迹。应用该规划方法生成了一个仿真的四旋翼系统的轨迹，并在实时应用中验证了其能力。
2021-03-09 cs.RO
FASTER: Fast and Safe Trajectory Planner for Flights in Unknown Environments
Aerospace Controls Laboratory, MIT（麻省理工学院航空航天控制实验室）
通过未知环境的高速轨迹规划需要算法技术，该算法技术能够在获得关于操作环境的新信息时实现快速反应时间，同时保持安全性。计算易处理性的要求通常会导致优化问题，不包括障碍物约束（碰撞检查的解决方案）或使用凸分解的自由空间，然后强加一个特设的时间分配方案的轨迹的每个间隔。此外，安全保证通常通过具有局部规划器来获得，该局部规划器在自由已知空间中规划具有最终“停止”条件的轨迹。然而，这两个决定通常会导致缓慢和保守的轨迹。我们提出了FASTER（快速和安全的轨迹规划器）来克服这些问题。FASTER通过使本地规划器能够在自由已知和未知空间中进行优化来获得高速轨迹。通过在每个重新规划步骤开始时在自由已知空间中始终具有可行的、安全的备用轨迹来确保安全保证。此外，我们提出了一个混合二次规划公式，其中求解器可以选择的轨迹间隔分配，并有效地使用先前的重新规划迭代的结果计算的时间分配启发式。该算法在仿真和实际硬件中进行了广泛的测试，在未知的杂波环境中显示出敏捷的飞行速度高达3.6米/秒。
2020-05-13 cs.RO
Automatic Generation of Aerobatic Flight in Complex Environments via Diffusion Models
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院智能系统与控制研究所）
提出一种基于扩散模型的框架，通过分解特技基元并利用历史轨迹先验，自动生成复杂环境中的长时域特技轨迹，经优化后可在真实无人机上部署。
2025-04-21 cs.RO
Distributed Swarm Trajectory Optimization for Formation Flight in Dense Environments
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
对于空中机群，在各种情况下广泛实践以规定编队的导航。然而，相关的规划策略通常缺乏在杂乱环境中避开障碍物的能力。为了解决这个问题，我们提出了一种基于优化的方法，以确保无碰撞轨迹生成编队飞行。本文提出了一种新的可微度量来量化地层之间的总体相似距离。然后，我们制定这个指标到一个优化框架，实现时空规划使用多项式轨迹。最小化碰撞惩罚也被纳入框架，使编队保持和避障可以同时处理。为了验证我们的方法的效率，我们进行基准比较与其他尖端的作品。结合自主分布式空中集群系统，该方法在现实世界的实验中，障碍物丰富的环境中证明了其效率和鲁棒性。我们将发布源代码供社区参考。
2022-04-21 cs.RO
Experiments in Adaptive Replanning for Fast Autonomous Flight in Forests
University of Pennsylvania（宾夕法尼亚大学）
在森林等非结构化、杂乱的环境中进行快速自主飞行是一项挑战，因为它需要机器人在计算受限的平台上实时计算新的计划。在本文中，我们使这一能力与基于搜索的规划框架，适应采样密度实时找到动态可行的计划，同时保持计算易处理。基于搜索的规划中的一个最大挑战是，密集的障碍既需要大型图（以保证完整性），又降低了图搜索的效率（因为搜索变得不那么准确）。为了解决这个问题，我们开发了一个规划框架，有两个部分：一个是最大限度地提高计划的完整性，对于一个给定的图形大小，第二，动态最大化图形大小的计算约束。该框架通过运动规划图来实现，所述运动规划图由单个参数离散度定义，离散度量化从图到达任意状态的最大轨迹成本。我们通过真实和模拟实验展示了分散如何实时适应不同的环境，允许在不同密度的环境中操作。仿真实验表明，改进的性能基线搜索为基础的规划算法。我们还在现实世界杂乱的松林中展示了高达2.5米/秒的飞行速度。
2022-03-02 cs.RO
Teach-Repeat-Replan: A Complete and Robust System for Aggressive Flight in Complex Environments
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个完整的和强大的运动规划系统的自主四旋翼的侵略性飞行。所提出的方法是建立在一个经典的教学和重复的框架，这是广泛采用的基础设施检查，空中运输，搜索和救援。对于这些应用，人的意图是至关重要的，以决定无人机的飞行轨迹的拓扑结构。然而，不良的教学轨迹和不断变化的环境阻止了一个简单的教和重复系统被灵活和稳健地应用。在本文中，而不是命令无人机精确地遵循教学轨迹，我们提出了一种方法来自动转换一个人类驾驶的轨迹，这可以是任意的颠簸，拓扑等价的。生成的轨迹保证是平滑的，安全的，和kinodynamically可行的，与人类优选的侵略性。此外，为了避免在飞行过程中的未映射或动态障碍物，滑动窗口的本地感知和重新规划方法引入到我们的系统，以生成安全的本地轨迹板载。我们将我们的系统命名为teach-repeat-replan。它可以捕获用户的飞行任务的意图，将任意颠簸的教学路径转换为平滑的重复轨迹，并生成安全的局部重新规划，以避免未映射或移动的障碍物。建议的规划系统集成到一个完整的自主四旋翼与全球和本地的感知和定位子模块。我们的系统通过在具有挑战性的室内/室外环境中进行激进的飞行进行验证。我们将四旋翼系统中的所有组件作为开源的ros-packages发布。
2019-07-01 cs.RO
Trajectory Planning for Autonomous Driving in Unstructured Scenarios Based on Graph Neural Network and Numerical Optimization
Jilin University（吉林大学）
针对非结构化场景中传统多阶段轨迹规划参数设计繁琐、端到端方法难以满足动力学与避障约束的问题，本文提出一种结合图神经网络初始轨迹预测与数值优化轨迹修正的两阶段方法，仿真实验表明其简化了规划流程并显著提升了规划效率。
2024-06-13 cs.RO
Fast Trajectory Planning for Multiple Quadrotors using Relative Safe Flight Corridor
Seoul National University（首尔国立大学）
提出了一种在障碍物密集环境下多旋翼飞行器的轨迹规划方法。提出了一种相对安全飞行走廊（RSFC）模型来描述智能体之间的安全区域，并利用相对Bernstein多项式的凸包性质生成线性约束以避免碰撞.我们的方法采用了基于图的多智能体寻路算法来生成一个初始轨迹，这是用来构建一个安全的飞行走廊（SFC）和RSFC。我们表示的轨迹作为一个分段伯恩斯坦多项式和制定的轨迹规划问题转化为一个二次规划问题，使用线性约束SFC和RSFC。所提出的方法可以在一秒钟内计算出16个智能体的无碰撞轨迹，在一分钟内计算出64个智能体的无碰撞轨迹，并通过仿真和室内飞行试验进行了验证。
2019-09-06 cs.RO cs.SY eess.SY
High-Speed Motion Planning for Aerial Swarms in Unknown and Cluttered Environments
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）
本研究针对未知杂乱环境下无人机集群的高速协同飞行需求，提出首个考虑未知环境的去中心化同步运动规划框架HDSM，在成功率、速度和耗时上均优于现有方法，并通过纳米无人机完成概念验证。
2024-07-12 cs.RO
Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
提出一种针对多楼层场景的轨迹规划框架，包括基于广义Voronoi图和多目标算法的任务规划模块，以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块，并通过仿真验证可行性。
2026-06-24 cs.RO
Number Adaptive Formation Flight Planning via Affine Deformable Guidance in Narrow Environments
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院系统与控制研究所）
针对狭窄环境下无人机数量变化时编队规划难以收敛至期望构型的问题，本文提出基于可变形虚拟结构（DVS）的规划方法，结合PAAS算法和轨迹优化实现自适应编队变换，在杂乱环境中验证了15%数量变化下的快速恢复能力与环境适应性。
2025-09-23 cs.RO
Trajectory Optimization with Global Yaw Parameterization for Field-of-View Constrained Autonomous Flight
University of Pennsylvania（宾夕法尼亚大学）
本文提出全局偏航参数化方法，通过补充二次约束实现360度偏航变化，解决视场约束下四旋翼轨迹优化中的奇异性问题，降低控制量并提升可行性，并在仿真与实机实验中验证。
2024-10-03 cs.RO
Neural Motion Prediction for In-flight Uneven Object Catching
State Key Laboratory of Industrial Control and Technology（工业控制技术国家重点实验室）；Institute of Cyber-Systems and Control（网络系统与控制研究所）；Zhejiang University（浙江大学）
飞行中物体的捕获极具挑战性。要求机器人在几十毫秒内依次完成轨迹预测、拦截位置计算和运动规划。由于飞行中的不平整物体受到各种力的影响，加速度时变的运动预测是困难的。为了补偿系统的非线性，我们引入了神经加速度估计器（NAE），它通过观察之前偏转轨迹的一小部分来估计变化的加速度。此外，端到端的可区分滤波器（NAE-DF）训练提供了测量不确定性的监督，并进一步提高了预测精度。实验结果表明，NAE和NAE-DF的运动预测优于其他方法，对不可见对象具有良好的泛化性能。我们测试我们的方法在机器人上，在现实世界中进行速度控制，分别达到83.3%和86.7%的成功率聚氨酯香蕉和葫芦。我们还发布了一个对象动态数据集，其中包含1，500个不均匀对象的属性。
2021-03-15 cs.RO
Adaptive Spatio-Temporal Voxels Based Trajectory Planning for Autonomous Driving in Highway Traffic Flow
University of California, Berkeley（加州大学伯克利分校）
针对高速公路动态车流中静态时空体素可行域难以适应环境变化的问题，提出自适应时空体素轨迹规划方法，在保持二次规划形式的同时实时调整可行域，并在开环与闭环测试中优于现有方法。
2023-10-04 cs.RO
Trajectory-Level Mode Guidance for Controllable Diffusion-Based Multi-Robot Motion Planning
Zhejiang University（浙江大学）
针对多机器人运动规划中融入部分轨迹先验且保持多模态生成的问题，提出在干净轨迹空间进行逐步引导的扩散模型方法，通过时间步依赖的引导强度融合规划代价与先验，实验验证了可控性与安全性。
2026-09-30 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
A Framework for Collision-Tolerant Optimal Trajectory Planning of Autonomous Vehicles
碰撞容限轨迹规划是考虑碰撞，如果规划得当，可以为能够处理碰撞的机器人提供更有效的路径规划。一个混合整数规划（MIP）的优化配方演示了计算的实用性，包括计划的碰撞优化轨迹。提出了一种毁伤量化函数，并通过仿真研究了毁伤函数约束对弹道的影响。使用一个简单的例子，在此模式下实现的性能增加相比，无碰撞的最佳轨迹。
2016-11-23 cs.RO
Perception-Aware Time-Optimal Planning for Quadrotor Waypoint Flight
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所在加拿大）；Robotics and Perception Group（机器人与感知组）
本文提出了一种感知意识时间最优轨迹优化框架，结合动力学、视觉约束和环境几何，提升四旋翼飞行的感知可靠性与效率。
2026-03-04 cs.RO
Trajectory Planning without Trajectory Data: A Manifold-Guided Approach
Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Harvard University（哈佛大学）
提出流形引导的轨迹规划方法，仅用状态观测学习状态空间流形并利用其几何构造轨迹，实现对未见约束的泛化，在基准上表现优异且无需轨迹数据。
2026-10-08 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
Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 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
Planning Optimal Trajectories for Mobile Manipulators under End-effector Trajectory Continuity Constraint
Singapore Centre for 3D Printing (SC3DP)（新加坡3D打印中心）；Nanyang Technological University (NTU)（南洋理工大学）；Eureka Robotics（尤里卡机器人公司）
针对移动操作臂运动规划中因基座冗余带来的挑战，提出将末端执行器轨迹连续性约束下的规划问题解耦为最优基座轨迹规划与操作臂轨迹求解的方法，并通过硬件实验和仿真验证了其在移动打印任务中的有效性。
2024-03-06 cs.RO
Decentralized Spatial-Temporal Trajectory Planning for Multicopter Swarms
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
多旋翼机群具有分散式结构，具有灵活性和鲁棒性，而高效的时空轨迹规划仍然是一个挑战。该报告介绍了分散的时空轨迹规划，它把一个良好的轨迹表示命名为MINCO到多智能体的情况。我们的方法确保高质量的本地规划，每个代理受到任何约束，无论是协调的群体或安全要求在混乱的环境。然后，局部轨迹生成被配制成一个无约束的优化问题，有效地解决了毫秒。此外，一个分散的异步机制的设计，以触发每个代理的本地规划。一个系统的解决方案，详细说明了仔细的工程考虑。大量的基准测试和室内/室外实验验证了其广泛的适用性和高质量。我们的软件将被发布以供社区参考。
2021-06-25 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
Planning Jerk-Optimized Trajectory with Discrete-Time Constraints for Redundant Robots
Delft University of Technology (TU Delft)（代尔夫特理工大学）；INRIA（法国国家信息与自动化研究所）；The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong (CUHK)（香港中文大学）
针对含运动学冗余且刀具路径带大量离散时间路径点的制造机器人，提出一种在制造过程中同步优化运动加加速度的轨迹规划方法，以提高制造质量。
2020-02-15 cs.RO
Learning Minimum-Time Flight in Cluttered Environments
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
我们解决的问题，最小时间飞行的四旋翼通过一系列的航路点的存在下的障碍物，同时利用完整的四旋翼动力学。早期的工作依赖于简化的动力学或多项式轨迹表示，没有充分利用四旋翼的致动器潜力，因此，导致次优的解决方案。最近的工作可以计划最短时间的轨迹，然而，轨迹执行的控制方法，不考虑障碍物。因此，这种轨迹的成功执行容易由于模型失配和飞行中干扰而产生误差。为此，我们利用深度强化学习和经典的拓扑路径规划来训练鲁棒的神经网络控制器，以便在混乱的环境中进行最短时间的四旋翼飞行。由此产生的神经网络控制器表现出更好的性能高达19\%，超过国家的最先进的方法。更重要的是，学习的政策解决规划和控制问题，同时在线占干扰，从而实现更高的鲁棒性。因此，所提出的方法实现了100%的成功率飞行的最小时间的政策，而传统的规划和控制方法只能达到40%。所提出的方法在仿真和现实世界中都得到了验证，四旋翼速度高达42 km/h，加速度为3.6 g。
2022-06-17 cs.RO
Simultaneous learning of state-to-state minimum-time planning and control
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（控制系，电气工程学院，布拉格捷克技术大学）
本文提出一种基于强化学习的框架，同时学习状态到状态的最短时间规划与控制，利用质点模型轨迹作为代理奖励和课程学习实现泛化，并在仿真和真实实验中验证了其鲁棒性。
2025-10-22 cs.RO
Trajectory Planning for Automated Driving in Intersection Scenarios using Driver Models
Ulm University（乌尔姆大学）；Visteon Electronics GmbH Germany（德国伟世通电子有限公司）
城市交叉口的有效轨迹规划是目前自主车辆（AV）最具挑战性的任务之一。对其他交通参与者的礼貌行为，AV的舒适性及其在环境中的进展是决定轨迹规划算法性能的关键方面。为了捕捉这些方面，我们提出了一种新的轨迹规划框架，确保社会的遵守，同时优化AV的舒适性受到运动学约束。该框架结合了局部连续优化方法和高效的驾驶员模型，以确保长期快速的行为预测，机动生成和决策。所提出的框架在不同的情况下进行评估，以证明其能力的轨迹和运行时间。
2020-10-07 cs.RO
Towards Courteous Behavior and Trajectory Planning for Automated Driving
Ulm University（乌尔姆大学）；Visteon Corporation（伟世通公司）
高效的行为和轨迹规划是自动驾驶面临的主要挑战之一。特别是交叉口的情况下，是非常苛刻的，由于其复杂性所产生的各种机动的可能性和其他交通参与者。一个关键的挑战是产生优化自我车辆的舒适性和进度的行为，但同时又不会对其他交通参与者过于咄咄逼人。为了保持礼貌行为和轨迹规划的实时的能力，需要最优控制问题的有效形式和相应的求解算法。因此，提出了一种新的规划框架，它考虑了舒适和进步，以及礼貌的行动，在基于图的行为规划模块。利用低级别轨迹生成，可以进一步优化行为结果以获得驾驶舒适性，同时满足整个规划范围内的约束。实验结果表明，该框架具有较好的实用性和实时的性。
2019-07-23 cs.RO
Long-Horizon Motion Planning via Sampling and Segmented Trajectory Optimization
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种混合机器人运动规划器，产生长期的运动规划机器人导航的环境中的障碍。我们提出了一种混合规划器，RRT* 与分段轨迹优化（RRT*-sOpt），它结合了基于采样的规划，基于优化的规划和轨迹分裂的优点，快速规划无碰撞和动态可行的运动计划。在生成规划时，RRT* 层快速采样出一条半最优路径，并将其设置为初始参考路径。然后，sOpt层将参考路径进行拆分，并对每个分段进行优化。然后，它再次分割新的轨迹，并重复该过程，直到整个轨迹收敛。我们还建议减少收敛前的段数，以进一步减少计算时间。仿真结果表明，RRT*-sOpt受益于混合结构与轨迹分裂，并在各种机器人平台和场景中表现稳健。
2022-04-17 cs.RO
Multi-Robot Trajectory Planning with Feasibility Guarantee and Deadlock Resolution: An Obstacle-Dense Environment
Peking University（北京大学）
提出了一种多机器人轨迹规划方法，既保证了优化的可行性，又解决了障碍物密集环境下的死锁问题。该方法是通过制定一个递归优化问题，其中一个新的安全走廊在线生成，以确保避障轨迹规划。动态优先级机制与右手规则相结合，以处理由于静态障碍而难以解决的潜在死锁。与其他国家的最先进的结果进行比较，以验证提高安全性和成功率。额外的硬件实验进行了多达八个纳米四旋翼在各种混乱的情况下。
2023-02-22 cs.RO
Radar2Plan: Benchmarking 4D Radar for End-to-End Open-Loop Ego-Trajectory Planning
HKUST(GZ)（香港科技大学（广州））；Shanghai Jiao Tong University（上海交通大学）；University of Oxford（牛津大学）
Radar2Plan是首个面向自动驾驶开环自我轨迹规划的四维雷达基准，通过模块化接口比较七种传感器组合和四种规划基线，证明四维雷达单独即可实现竞争性规划且恶劣天气下鲁棒，并凸显其互补价值。
2026-10-06 cs.RO
Disturbance-Aware Flight for Aerial Robots in Narrow Space
School of Robotics and Automation, Nanjing University（南京大学机器人与自动化学院）
针对无人机在狭窄空间自主飞行因干扰和空间受限面临的挑战，提出干扰感知规划与控制框架DAPCF，通过双环观测器估计干扰、引入干扰风险函数及设计MDNMPC，使四旋翼能穿越狭窄隧道，性能优于人类飞行员。
2026-07-21 cs.RO
A Robust and Energy-Efficient Trajectory Planning Framework for High-Degree-of-Freedom Robots
University of Brighton（布莱顿大学）；Jamia Millia Islamia（贾米亚·米利亚·伊斯兰亚大学）
针对高自由度机器人轨迹规划的能耗与平顺性问题，提出融合正弦轨迹生成和速度缩放的框架，仿真验证其可显著节能并保持精度与平顺过渡。
2025-03-13 cs.RO
The ReSWARM Microgravity Flight Experiments: Planning, Control, and Model Estimation for On-Orbit Close Proximity Operations
Massachusetts Institute of Technology（麻省理工学院）；Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（高等技术学院）
本文介绍ReSWARM国际空间站飞行实验，基于Astrobee机器人验证融合动力学感知长时域规划、RATTLE模型学习与鲁棒控制的自主近距离在轨装配方案。
2023-07-16 cs.RO
An Efficient Trajectory Generation for Bi-copter Flight in Tight Space
School of Aerospace Science and Engineering, Beihang University（北京航空航天大学宇航学院）；Tianmushan Laboratory（天目山实验室）；Institute of Unmanned System, Beihang University（北京航空航天大学无人系统研究院）
针对双旋翼穿越狭小空间的运动规划问题，提出一种高效方法，通过全身碰撞检查生成无碰撞路径并联合优化位置与旋转生成轨迹，实现安全导航。
2024-06-02 cs.RO
Stochastic Optimization for Trajectory Planning with Heteroscedastic Gaussian Processes
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
用于运动规划的轨迹优化方法试图生成使合适的目标函数最小化的轨迹。这种方法有效地找到解决方案，即使是高自由度的机器人。然而，全局最优解在实践中通常是难以处理的，并且因此现有技术的轨迹优化方法倾向于局部最小值，特别是在混乱的环境中。在本文中，我们提出了一种新的运动规划算法，采用基于交叉熵方法的随机优化，以解决局部极小值问题。我们表示轨迹作为样本从一个连续时间的高斯过程，并引入异方差生成强大的轨迹先验更适合避免碰撞的运动规划问题。我们的实验评估表明，所提出的方法产生一个更彻底的探索的解决方案空间和更高的成功率在复杂的环境比目前的高斯过程为基础的国家的最先进的轨迹优化方法，即GPMP2，同时具有可比的执行时间。
2019-07-17 cs.RO
Learning to Initialize Trajectory Optimization for Vision-Based Autonomous Flight in Unknown Environments
提出NEO-Planner，利用神经网络规划器直接从原始传感器观测预测时空参数，为轨迹优化提供知情初始值，减少计算时间并保持轨迹质量，适用于未知环境中的自主无人机导航。
2025-08-08 cs.AI cs.RO
Trajectory Tracking and Stabilization of Quadrotors Using Deep Koopman Model Predictive Control
Department of Mechatronics and Robotics Engineering, Egypt-Japan University of Science and Technology (E-JUST)（机电与机器人工程系，埃及-日本科学技术大学）
本文提出深度库普曼算子与模型预测控制相结合的DK-MPC框架，通过将四旋翼非线性动力学线性化，在保证轨迹跟踪精度的同时显著降低计算时间，满足嵌入式实时控制需求。
2025-08-19 cs.RO
STITCHER: Real-Time Trajectory Planning with Motion Primitive Search
VECTR Laboratory, University of California, Los Angeles（UC洛杉矶大学VECTR实验室）
STITCHER通过实时拼接短轨迹段实现高效无碰撞轨迹规划，克服传统优化方法在计算时间和稳定性上的限制。
2025-12-12 cs.RO
Real-Time Motion Planning of a Hydraulic Excavator using Trajectory Optimization and Model Predictive Control
Seoul National University（首尔大学）；Automation and Systems Research Institute（自动化与系统研究院）
挖掘任务的自动化要求满足各种约束的实时的【形】轨迹规划。为了保证约束可行性和实时的【形】轨迹可重规划性，我们提出了一个集成的框架，基于实时的【形】优化的液压挖掘机轨迹规划。该框架由两个主要模块组成：全局规划器和实时的【形】局部规划器。全局规划器考虑挖掘体积和能量最小化来计算整个全局轨迹，而局部规划器以滚动时域的方式跟踪全局轨迹，满足动态可行性、物理约束和干扰感知。我们验证了所提出的规划算法在模拟环境中进行两种类型的操作中存在的仿真干扰液压摩擦和土壤-桶的相互作用：浅，深挖掘。优化的全局轨迹以秒的顺序获得，其由本地规划器以快于30 Hz的速度跟踪。据我们所知，这项工作提出了第一个实时的【形】运动规划框架，满足液压挖掘机的约束条件，如力/扭矩，功率，缸位移和流量限制。
2021-07-08 cs.RO
Three-dimensional Trajectory Optimization for Quadrotor Tail-sitter UAVs: Traversing through Given Waypoints
School of Aeronautics and Astronautics, Zhejiang University（浙江大学航空航天学院）；Zhejiang University（浙江大学）
针对尾座式无人机垂直与水平飞行轨迹分离的问题，提出基于微分平坦性和MINCO的三维轨迹优化方法，将速度约束软化为软约束并用MPC跟踪，性能优于L1制导律和Dubins路径。
2025-01-18 cs.RO
Trajectory Planning for Autonomous Vehicle Using Iterative Reward Prediction in Reinforcement Learning
ThorDrive
针对传统自动驾驶轨迹规划泛化性差、现有强化学习方法学习不稳定且未考虑不确定性的问题，提出带迭代奖励预测与不确定性感知的强化学习轨迹规划方法，在CARLA上验证可显著降碰撞率、提平均奖励。
2024-05-12 cs.RO
Sampling-Based Hierarchical Trajectory Planning for Formation Flight
Tianjin University（天津大学）
针对无人机编队飞行在杂乱环境中难以兼顾安全与编队保持的问题，提出一种基于采样的分层轨迹规划方法，通过SFC信息共享、前端引导路径生成与后端MPPI分布式优化，实现安全且动力学可行的编队飞行。
2024-07-24 cs.RO cs.SY eess.SY
Aerobatic Trajectory Generation for a VTOL Fixed-Wing Aircraft Using Differential Flatness
Massachusetts Institute of Technology（麻省理工学院）
提出了一种新的垂直起降尾翼式飞翼飞机特技飞行轨迹生成算法。该算法不同于现有的固定翼轨迹生成方法，因为它考虑了一个现实的六自由度（6DOF）飞行动力学模型，包括空气动力学方程。使用一个全球性的动力学模型，使生成的特技飞行轨迹，利用整个飞行包线，使敏捷机动通过失速制度，侧身不协调的飞行，倒置飞行等的方法使用的微分平坦性的全球尾座飞翼动力学，这是在这项工作中得出的。通过在差分平坦输出空间中执行快照最小化，获得了适合于在线运动规划的计算高效的算法。该算法被证明在广泛的飞行实验，包括六个特技动作，时间最优的无人机赛车轨迹，和一个类似于飞行表演的特技序列三个tailsitter飞机。
2022-07-07 cs.RO cs.SY eess.SY
How to Drawjectory? -- Trajectory Planning using Programming by Demonstration
Institute of Software Engineering and Programming Languages, Ulm University（乌尔姆大学软件与程序设计语言研究所）
针对自动轨迹规划计算量大和精度不足的问题，提出基于编程演示的手动绘制轨迹方法，在乌尔姆大学四轴飞行器实验室验证，平均快78.7秒且精度无显著损失。
2024-11-06 cs.RO cs.SE
DikpolaSat Mission: Improvement of Space Flight Performance and Optimal Control Using Trained Deep Neural Network -- Trajectory Controller for Space Objects Collision Avoidance
Tod’Aérs - Transparent Organization for Aeronautics and Space Research（Tod'Aérs - 航空航天研究透明组织）；Space Generation Advisory Council（太空世代咨询委员会）；Moscow Aviation Institute（莫斯科航空学院）；Univerité Sultan Moulay Slimane（苏丹穆莱·斯利曼大学）
本文介绍了太空任务DikpolaSat任务，这项研究如何适应任务，以及使用经过训练的DNN模型而不是通常的GN&C功能的重要性。本文展示了如何进行控制器演示航天器按照所需的路径，在参考模型中指定。可以通过检查用于构建DNN的路径并了解各种激活函数对系统效率的影响来提高效率。避障算法被内置到控制特征中，以使用来自神经网络的输入自发地响应，用于避免碰撞，同时优化修改后的轨迹。神经网络控制控制器中的非线性机制的自适应特性的动作将使控制系统能够处理多个非线性事件以及在控制算法中未引入的不确定性。可以使用轨迹中的飞行动力学知识以及在避障事件中实施用于优化飞行控制和燃料消耗的多种算法。本文还解释了DNN如何学习控制飞行路径，并使系统在每次发射时更加可靠，从而提高预测空间物体碰撞的机会。从这项研究中发布的数据被用来设计更先进的DNN模型，能够预测其他轨道事件。
2021-05-30 cs.LG cs.RO
Deep UAV Path Planning with Assured Connectivity in Dense Urban Setting
Sungkyunkwan University（成均馆大学）；Seoul Theological University（首尔神学大学）
针对无人机服务规模化中手动飞行配置和预设路径连通性难维持的问题，提出深度强化学习框架DUPAC，可兼顾距离与信号质量规划路径，在模拟城市场景中路径仅增2%却提升9%连接质量。
2024-06-21 cs.AI cs.RO eess.SP
Efficient and Robust Time-Optimal Trajectory Planning and Control for Agile Quadrotor Flight
Beijing Institute of Technology（北京理工大学）；Beijing Institute of Technology Chongqing Innovation Center（北京理工大学重庆创新中心）；Tongji University（同济大学）
针对敏捷四旋翼时间最优轨迹规划计算慢、跟踪易受扰动的问题，提出固定航点节点+区间独立采样的快速规划方法，结合时间自适应模型预测控制提升跟踪鲁棒性，并通过仿真和动态航点实验验证了性能。
2023-05-04 cs.RO cs.SY eess.SY
Planning in the Backbone: DiffAdapterVLA for Native Continuous Trajectory Generation with Driving VLMs
Wuhan University（武汉大学）；Dongfeng Research & Development Institute（东风汽车研发总院）
DiffAdapterVLA通过将轨迹令牌注入VLM骨干后期层，实现与驾驶条件共同演化的连续轨迹规划，仅用轻量模块即达高效闭环规划。
2026-09-23 cs.AI 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
An Efficient Generation Method based on Dynamic Curvature of the Reference Curve for Robust Trajectory Planning
Meituan Group（美团集团）
轨迹规划是各种自动驾驶平台的基本任务，例如社交机器人和自动驾驶汽车。许多轨迹规划算法使用基于参考曲线的时间Frenet框架来减少规划维度。然而，在经典的轨迹规划方法中有一个共同的隐含假设，即生成的轨迹应该连续地跟随参考曲线。这个假设在实际应用中并不总是正确的，它可能会在规划中引起一些不希望的问题。一个问题是规划轨迹到参考曲线上的投影可能是不连续的。另一个问题是规划路径在连续跟随简单参考曲线时可能会自相交。当这些问题发生时，生成的轨迹是不自然的和次优的。在本文中，我们首先证明了这些问题，然后介绍了一种有效的轨迹生成方法，它使用了一种新的转换从笛卡尔框架到Frenet框架。在模拟街道场景上的实验结果证明了该方法的有效性。
2020-12-29 cs.AI cs.RO
Online Trajectory Planning Through Combined Trajectory Optimization and Function Approximation: Application to the Exoskeleton Atalante
Wandercraft（Wandercraft公司）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine（巴黎多芬大学）
自主机器人需要在线轨迹规划能力才能在现实世界中运行。高效的离线轨迹规划方法已经存在，但计算量大，无法在线使用。在本文中，我们提出了一种新的算法，称为引导轨迹学习，学习通过轨迹优化计算的解决方案的函数近似，同时确保准确和可靠的预测。然后在线使用该函数近似来生成轨迹。该算法被设计为易于实现，并且实用，因为它不需要大量的计算能力。它很容易适用于任何机器人系统，并且由于鲁棒控制策略通常已经可用，因此可以毫不费力地在实际硬件上设置。我们证明了我们的算法的计算性能与自平衡外骨骼Atalante扁平足行走。
2020-03-04 cs.LG cs.RO
