TAPE: Tether-Aware Path Planning for Autonomous Exploration of Unknown 3D Cavities Using a Tangle-Compatible Tethered Aerial Robot
Createk Design Lab, University of Sherbrooke(谢布克大学Createk设计实验室)
提出一种两级分层路径规划方法,通过全局TSP最小化距离和局部可调决策函数平衡路径成本与系绳长度,实现未知三维空腔的自主探索,仿真和实地测试验证了有效性。
2026-07-01 cs.RO
Assisted Path Planning for a UGV-UAV Team Through a Stochastic Network
Texas A&M University(德克萨斯A&M大学);Air Force Research Laboratory(空军研究实验室);Infoscitex Corporation(Infoscitex公司)
针对随机网络中的UGV-UAV团队,提出D*KSPP与基于RPP的启发式PAA算法,实现UAV辅助UGV实时避障并最小化到达时间。
2023-12-28 cs.RO
Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning
Lincoln Institute for Agri-food Technology, University of Lincoln(林肯大学农业食品技术林肯研究所)
在我们以前的工作中,我们设计了一个系统的政策,优先采样位置,导致空间插值的精度显着提高,通过使用高斯过程回归(GPR)的预测不确定性作为“吸引力”部署机器人的路径规划。虽然与旅行商问题(TSP)求解器的集成也显示出产生相对较短的旅行距离,但我们在这里假设了几个因素,这些因素也可能降低整体预测精度,因为次优位置最终可能包含在其路径中。为了解决这个问题,在本文中,我们首先探索“本地规划”的方法,采用各种空间范围内的下一个采样位置的优先级,调查其对预测性能的影响,以及所产生的旅行距离。此外,基于强化学习(RL)的高级控制器被训练为从特定的局部规划器集合自适应地产生混合计划,以根据最新的预测状态从该选择中继承独特的优势。我们对温度监测机器人用例的实验表明,规划者的动态混合不仅可以生成单个规划者无法单独创建的复杂的、信息丰富的计划,而且还可以确保在不牺牲预测可靠性的情况下显著减少旅行距离,而无需任何额外的最短路径计算模块的帮助。
2021-08-14 cs.AI cs.LG cs.RO
A Lexicographic Search Method for Multi-Objective Motion Planning
Stevens Institute of Technology(史蒂文斯理工学院)
我们提出了一种新的方法,多目标运动规划问题,利用字典优化的范例,并首次将其应用于图搜索概率路线图。在搜索过程中,对感兴趣的竞争资源进行分级处罚。较高等级的资源会导致机器人在所走过的路径上产生非负成本,这些路径有时是零值的。这旨在捕捉机器人必须管理资源的问题,例如威胁的可见性,通信的可用性以及对有价值测量的访问。这为打破低优先级资源的平局留下了自由;在层次结构的底部是机器人消耗的严格的正数量,例如行驶的距离,消耗的能量或消耗的时间。我们比较我们的方法与其他两个多目标的方法,一个天真的加权求和方法和扩展的图搜索方法,表明字典搜索可以有效地解决这样的规划问题,而不需要在不直观的单位参数调整。所提出的方法也证明了硬件上使用激光装备的地面机器人。
2020-08-18 cs.RO
Rationally Inattentive Path-Planning via RRT*
Odyssey Space Research(奥德赛空间研究公司);University of Texas at Austin(得克萨斯大学奥斯汀分校)
我们考虑的路径规划方案的移动机器人在配置空间中的障碍物下存在的随机干扰。在不确定配置空间上提出了一种新的路径长度度量,并与现有的RRT* 算法相结合。该度量是两个项的加权和,这两个项捕获机器人行进的欧几里得距离和感知成本,即,机器人必须感知的环境信息量,以安全地遵循路径。路径长度函数的拓扑结构的总变差度量的连续性示出和最优性的理性疏忽RRT* 算法进行了讨论。三个数值研究显示新算法的实用性。
2020-02-28 cs.RO cs.SY eess.SY
Distributed Infrastructure Inspection Path Planning subject to Time Constraints
在本文中,分布式基础设施的三维结构检测路径规划问题,使用空中机器人是受时间约束的解决。所提出的算法处理不同的空间属性的基础设施,占其不同的重要性和探索功能,并计算高检查奖励的整体检查路径,同时尊重机器人的耐力或任务时间的限制,以及车辆动力学和传感器的限制。为了实现其目标,它采用了迭代,3步优化策略,在每次迭代中,它首先随机抽样一组可能的结构访问,随后解决了派生的旅行商问题,并计算旅行成本,而最后它的样本和分配检查时间到每个结构和评估总检查奖励。对于每个独立设施的检测路径的推导,它与专用于单个结构的3D覆盖的路径规划器接口。使用仿真研究以及实验测试情况下,采用多旋翼微型飞行器的算法性能,计算性能和路径质量进行评估。
2016-12-25 cs.RO
Dynamic UGV-UAV Cooperative Path Planning in Uncertain Environments
Department of Computer Science, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校计算机科学系)
本文提出动态UGV-UAV协同路径规划方法,通过无人机动态检测道路以提高地面车辆路径安全性与效率,实验表明双向策略在多数情况下表现最佳,多无人机可减少地面车辆行驶时间但增加计算时间。
2026-04-28 cs.AI cs.RO
Eva-Tracker: ESDF-update-free, Visibility-aware Planning with Target Reacquisition for Robust Aerial Tracking
Dalian University of Technology(大连理工大学)
Eva-Tracker通过无ESDF更新和基于可见性的路径规划,实现更稳健的空中目标跟踪,降低计算开销。
2026-02-13 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
Free-configuration Biased Sampling for Motion Planning: Errata
本文档包含我们的论文“用于运动规划的自由配置偏置采样“中提出的采样方法的改进和更新的收敛性证明。
2013-11-03 cs.AI cs.RO
Optimal Multi-Robot Path Planning with LTL Constraints: Guaranteeing Correctness Through Synchronization
University of Waterloo(滑铁卢大学);Boston University(波士顿大学)
在本文中,我们考虑的机器人团队满足高层次的任务规范的最佳路径的自动规划。团队中的每个机器人被建模为加权过渡系统,其中权重具有相关的偏差值,该偏差值捕获机器人在其部署期间的行进时间中的非确定性。任务是作为一个线性时序逻辑(LTL)公式在一组命题满足的区域的环境。此外,我们有一个优化命题,它捕获了一些必须由团队重复完成的特定任务。目标是最小化连续满足优化命题的实例之间的最大时间,同时保证即使在不确定的旅行时间下也能满足任务。我们的方法依赖于机器人的通信能力,以保证正确性,并在部署过程中保持性能。在为团队成员计算了一组最佳满意路径后,我们还为每个机器人计算了一组同步序列,以确保在部署过程中不会违反LTL公式。我们实施和实验评估我们的方法,考虑在道路网络环境中的持久性监测任务。
2012-12-17 cs.RO
MC-Swarm: Minimal-Communication Multi-Agent Trajectory Planning and Deadlock Resolution for Quadrotor Swarm
AI Institute of Seoul National University(首尔国立大学人工智能研究所);Carnegie Mellon University(卡内基梅隆大学);Department of Mechanical System Design Engineering, Seoul National University of Science and Technology (SEOULTECH)(首尔科学技术大学机械系统设计工程系)
提出MC-Swarm分布式四旋翼集群轨迹规划算法,仅初始阶段通信,借助协调状态更新与轨迹优化实现异步避碰和无死锁,并通过仿真与真实实验验证。
2025-05-13 cs.RO cs.SY eess.SY
Fast Heuristic Scheduling and Trajectory Planning for Robotic Fruit Harvesters with Multiple Cartesian Arms
Department of Mechanical & Aerospace Engineering University of California, Davis(机械与航空航天工程系加州大学戴维斯分校);Department of Biological and Agricultural Engineering University of California, Davis(生物与农业工程系加州大学戴维斯分校)
针对多笛卡尔机械臂水果采收的耦合调度与轨迹规划问题,提出一种快速启发式算法,可在水果充足时随机械臂数量增加实现线性加速。
2025-05-15 cs.RO cs.SY eess.SY
Informative Path Planning to Explore and Map Unknown Planetary Surfaces with Gaussian Processes
University of Hawaii(夏威夷大学)
针对未知环境探索缺乏最优性保证的问题,研究提出基于高斯过程的信息路径规划算法,对比传统开环覆盖方法,经多场景验证其在模型误差、行进距离和收敛性上更具优势。
2025-03-20 cs.IR cs.LG cs.RO
Toward Crowd-Sensitive Path Planning
如果机器人能够预测其传感器无法到达的环境中的人群,那么它就可以计划避开他们。本文提出了一种快速的在线算法,学习不同地区的平均人群密度。它还描述了如何将这些密度纳入现有的导航架构。在模拟多个具有挑战性的人群场景时,与使用传统A* 算法进行规划相比,机器人可以更快地到达目标,行驶更少,碰撞风险更小。
2017-10-16 cs.AI cs.RO
A Heuristic Informative-Path-Planning Algorithm for Autonomous Mapping of Unknown Areas
University of Sussex(萨塞克斯大学)
针对未知环境中高效信息收集的路径规划难题,提出一种基于子区域建图增益估算的启发式算法,其建图效率可达先验已知地图基准解的70%-80%,路径接近全局最优。
2023-08-23 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
ASAP-MPC: An Asynchronous Update Scheme for Online Motion Planning with Nonlinear Model Predictive Control
KU Leuven(KU Leuven(鲁汶大学));Flanders Make
针对NMPC运动规划求解时间难以满足实时性的问题,本文提出ASAP-MPC异步更新框架,结合线性状态反馈实现轨迹无缝融合,并在四旋翼和卡车-拖车实验中验证其嵌入式适用性。
2024-03-13 cs.RO math.OC
An Enhanced RRT based Algorithm for Dynamic Path Planning and Energy Management of a Mobile Robot
Indian Institute of Technology Bombay(印度理工学院孟买分校)
本文提出一种增强RRT算法,通过持续生成到充电站的路径并结合能量需求判断充电时机,利用先前树信息优化后续路径,实现移动机器人动态路径规划与电池能量管理。
2023-10-31 cs.RO
A Constant-Factor Approximation Algorithm for Online Coverage Path Planning with Energy Constraint
University of North Florida(北佛罗里达大学);Kent State University(肯特州立大学)
在本文中,我们研究的覆盖规划问题的移动机器人与有限的能源预算。机器人的目标是覆盖环境中的每个点,同时最小化行进路径长度。机器人最初对环境是未知的。因此,在探测过程中需要避开飞行环境中的障碍物。由于机器人具有特定的能量预算,它可能无法在一次遍历中覆盖整个环境。相反,它将需要定期访问静态充电站,以便为其充电。为了解决上述问题,我们提出了一个预算的深度优先搜索(DFS)为基础的探索策略,帮助机器人覆盖任何未知的平面环境,同时边界的最大路径长度的最短路径长度的常数因子。我们的$O(1)$ -近似保证推进了这个问题的对数近似的最先进的。仿真结果表明,该算法在所有凹凸障碍物环境中的行进路径长度和运行时间均优于现有的最新算法.
2019-06-27 cs.DS cs.RO
Intractability of Optimal Multi-Robot Path Planning on Planar Graphs
Rutgers University(罗格斯大学)
研究了平面图上多机器人路径规划问题最优解的计算复杂性。对于四个常见的时间和距离为基础的目标,我们表明,多个机器人的相关路径优化问题都是NP完全的,即使底层图形是平面的。在平面图上建立多机器人最优路径规划问题的计算困难性具有重要的实际意义。特别是,我们的研究结果表明,解决这些问题的首选方法,当机器人的数量很大时,是增加平面环境,以减少机器人之间的共享路径在这些路径上的相反方向行驶。事实上,这种提高效率的结构,如高速公路和高架十字路口,在机器人和运输应用中无处不在。
2015-12-06 cs.CC cs.RO
Aerial Path Online Planning for Urban Scene Updation
Shenzhen University(深圳大学);University of Texas at Dallas(德克萨斯大学达拉斯分校);QiYuan Lab(启元实验室)
本文提出面向城市变化更新的UAV在线航线规划算法,利用先验重建、变化概率与动态路径调整,显著降低飞行和计算成本并保持更新质量。
2025-05-13 cs.GR cs.RO
Multi-Waypoint Path Planning and Motion Control for Non-holonomic Mobile Robots in Agricultural Applications
Institute for Applied Artificial Intelligence and Robotics (IKR)(应用人工智能与机器人研究所)
针对农业非结构化环境下非完整移动机器人的多航点导航需求,提出融合DTSP全局规划与NMPC局部控制的集成框架,仿真验证其路径更短更平滑,可高效满足农业自主导航约束。
2025-07-31 cs.AI cs.RO cs.SY
A Prioritized Trajectory Planning Algorithm for Connected and Automated Vehicle Mandatory Lane Changes
我们介绍了一个优先系统优化算法的强制变道(MLC)的连接和自动驾驶汽车(CAV)从专用车道的行为。我们的方法适用于合作的车道变化,优先的车道变化车辆的决定,更接近年底的发散区(DZ),并优化预测的总系统行程时间。我们的实验合成数据表明,该算法提高了交通网络的效率,获得更高的速度在专用车道和更早的MLC位置,同时确保了较低的计算时间。我们的方法优于传统的差距接受模型。
2021-04-21 cs.RO cs.SY eess.SY
An Approximation Approach for Solving the Subpath Planning Problem
Amirkabir University of Technology(阿米尔卡比尔理工大学);University of Waterloo(滑铁卢大学);McMaster University(麦克马斯特大学)
子路径规划问题是路径规划问题的一个分支,在自动化制造过程以及车辆和机器人导航中有着广泛的应用。这个问题是要找到最短的路径或旅游主题的旅行一组给定的子路径。现有的子路径规划方法都是基于元启发式方法。众所周知,基于元启发式的方法具有若干缺陷。为了解决这些问题,我们提出了一种新的近似算法在O(n^3)的时间复杂度类,保证解决任何子路径规划问题的实例与固定的比率界为2。此外,索赔的正式证明,我们的经验评估表明,我们的近似方法的行为比一个国家的最先进的方法,无论是在结果和执行时间。
2016-03-20 cs.AI cs.DS cs.RO
Rao-Blackwellized POMDP Planning
针对 POMDP 求解中 SIRPF 面临的粒子匮乏与高计算成本问题,本研究提出 RB-POMDP 近似求解器,通过 Rao-Blackwellization 优化信念更新与在线规划,实验证明其能以更少粒子维持准确近似并显著提升规划质量。
2025-03-03 cs.AI cs.LG cs.RO
Multi-Robot Path Planning Combining Heuristics and Multi-Agent Reinforcement Learning
School of Artificial Intelligence University of Chinese Academy of Sciences(人工智能学院 中国科学院大学)
本文提出MAPPOHR方法,结合启发式搜索与多智能体强化学习,提升多机器人路径规划效率与性能。
2025-12-11 cs.AI cs.LG cs.RO
CT-CPP: Coverage Path Planning for 3D Terrain Reconstruction Using Dynamic Coverage Trees
University of Connecticut(康涅狄格大学)
这封信解决了三维覆盖路径规划(CPP)问题的地形重建未知的障碍丰富的环境。由于传感器的限制,所提出的方法,称为CT-CPP,执行分层扫描的3D区域收集地形数据,其中的旅行序列是使用的概念,覆盖树(CT)与TSP启发的树遍历策略进行优化。CT-CPP方法在高保真水下模拟器上进行了验证,并将结果与现有的地形跟随CPP方法进行了比较。结果表明,CT-CPP产生的轨迹长度,能量消耗和重建误差显着减少。
2021-12-02 cs.AI cs.RO cs.SY
An Ontology to Support Collective Intelligence in Decentralised Multi-Robot Systems
Universitat Autònoma de Barcelona (UAB)(巴塞罗那自治大学);Univ Bourgogne Franche-Comté(勃艮第-弗朗什-孔泰大学);UTBM(贝尔福-蒙贝利亚技术大学)
在大多数多机器人系统中,地板、电池和机械部件的状况是重要的并且影响成本效率。成本通常通过执行时间来解释。性能时间与这些因素之间的关系无法直接推导,但性能时间与电池放电量直接相关。在路径规划中,一条边的行程时间是执行时间,可能需要多次估计,这些估计的行程时间不同于物流成本,因为它们描述了物流不可能知道的真实状态。这有助于路径规划算法选择具有最少实际旅行时间或成本的边来形成路径。然而,良好的估计依赖于时间上接近的历史数据。但是,有时一个或多个边缘的所有行程时间在MRS对单个机器人的整个操作期间都不可用。然后,机器人必须从系统中的其他机器人那里收集必要的旅行时间作为参考观察。系统中机器人之间的信息共享机制以基于本体的知识共享的形式设计。这种本体有助于获取和共享信息,形成一个集体知识库,促进系统的全面控制和规划。这极大地帮助MR更准确和精确地估计旅行时间。此外,准确的估计影响路线规划,以更精确,降低成本。通过共享估计的旅行时间生成的路径的总成本平均比通过不共享的旅行时间生成的路径的总成本低40%。
2018-05-31 cs.MA cs.RO
Multimodal Fused Learning for Solving the Generalized Traveling Salesman Problem in Robotic Task Planning
Central South University(中南大学);National University of Singapore(新加坡国立大学)
本文提出多模态融合学习框架,通过图和图像表示捕捉问题互补方面,生成高质量实时任务规划方案,实验表明其在各类GTSP实例中性能优于现有方法。
2026-03-20 cs.AI cs.RO
Multi-Tour Set Traveling Salesman Problem in Planning Power Transmission Line Inspection
Czech Technical University(捷克技术大学)
这封信涉及最佳的输电线路检查制定为一个建议的推广旅行推销员问题的多路线一车厂的情况。该问题是针对具有有限旅行预算的检查车辆而制定的。因此,该解决方案可以由多个运行组成,以提供给定电力线的完全覆盖。此外,该解决方案还表明了在一次运行中可以有多少辆车进行检查。该问题的最优解是由建议的非线性规划(ILP)制定,这是,然而,非常计算要求。因此,计算的要求,解决了组合元启发式。所采用的贪婪随机自适应搜索过程是要求不高,同时提供有竞争力的解决方案和规模更好的问题的大小比基于ILP的方法。所提出的配方和算法在现实世界的情况下,在变电站检查电力线段证明。
2023-02-02 cs.AI cs.RO
Proactive Route Planning for Electric Vehicles
School of Computing and Information Systems, The University of Melbourne(墨尔本大学计算与信息系统学院)
本文针对电动汽车充电路线规划问题,提出一种两阶段算法并结合影响因素启发式方法,在真实数据集上相比现有方法将电动汽车总行驶时间降低50%。
2024-03-15 cs.RO
PRO-SPECT: Probabilistically Safe Scalable Planning for Energy-Aware Coordinated UAV-UGV Teams in Stochastic Environments
Khoury Department of Computer Sciences at Northeastern University(东北大学Khoury计算机科学系);The Charles Stark Draper Laboratory, Inc.(查尔斯·斯塔克·德雷珀实验室公司);Department of Mechanical and Industrial Engineering at Northeastern University(东北大学机械与工业工程系);Departments of Mechanical and Industrial Engineering and Electrical and Computer Engineering at Northeastern University(东北大学机械与工业工程系和电气与计算机工程系)
本文提出PRO-SPECT算法,用于在随机环境中实现无人机和无人地面车辆团队的能量感知规划,通过概率安全约束确保任务成功,支持离线和在线重新规划。
2026-07-21 cs.MA cs.RO
Scalable Long-Horizon Planning with Staggered Updates for Lifelong MAPF
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
该研究针对通用地图的终身多智能体路径发现问题,提出PUSH规划器,结合多种框架优势实现可扩展长时程规划,在10k智能体场景下吞吐量优于基线方法
2026-08-10 cs.AI cs.MA cs.RO
Robust Route Planning for Sidewalk Delivery Robots
Division of Transport and Systems Analysis, KTH Royal Institute of Technology(交通与系统分析系,皇家理工学院)
本文研究了人行道配送机器人在动态环境中的鲁棒路径规划问题,通过模拟机器人、行人和障碍物的交互,结合鲁棒优化与仿真生成真实通行时间,评估不同机器人设计和环境条件下的效率。
2026-03-27 cs.RO
Optimal Tourist Problem and Anytime Planning of Trip Itineraries
Massachusetts Institute of Technology(麻省理工学院);Northeastern University(东北大学)
我们介绍和研究的问题,其中一个移动传感机器人(我们的游客)的任务是在一组空间分布的兴趣点(POI)之间旅行和收集情报。在每个POI处收集的信息的质量的特征在于在POI处花费的时间上的某个非递减奖励函数。在有限的时间预算下,机器人必须在花费时间旅行到POI和花费时间在POI处进行信息收集(感测)之间进行平衡,以使总回报最大化。或者,机器人可能需要获得最小数量的奖励,并希望用最少的时间来完成。我们提出了一个基于混合整数规划(MIP)的任意时间算法来解决这两个NP-难优化问题,以任意精度。我们的算法的有效性证明了使用广泛的一组计算实验,包括规划一个现实的行程,首次在伊斯坦布尔的游客。
2014-10-08 cs.RO
SPARK: Graph-Based Online Semantic Integration System for Robot Task Planning
The University of Tokyo(东京大学)
针对机器人任务执行中语义信息在线更新未被探索的问题,提出SPARK框架,通过从环境线索提取语义信息并在线更新场景图以用于任务规划,增强了机器人在动态环境中执行任务及适应非常规空间线索的能力。
2025-06-25 cs.RO
Energy-aware Multi-UAV Coverage Mission Planning with Optimal Speed of Flight
Czech Technical University in Prague(布拉格捷克技术大学)
本文提出一种多无人机覆盖路径规划方法,通过最优飞行速度和精确能耗估计最小化能耗,在计算时间、能耗效率上优于现有方法,并经双无人机实验验证。
2024-02-16 cs.RO
Occlusion-Aware Contingency Safety-Critical Planning for Autonomous Driving
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));School of Engineering(工程学院);Cheng Kar-Shun Robotics Institute(陈家顺机器人研究所)
本文提出一种遮挡感知的应急安全关键规划方法,通过可达性分析和递推规划框架提升自动驾驶在动态遮挡环境中的安全性和效率。
2026-10-06 cs.RO
Scout-Assisted Planning for Heterogeneous Robot Teams under Partially Known Environments
George Mason University(乔治·马歇尔大学)
本文提出了一种Scout-Assisted Planning框架,通过无人机主动收集环境信息来改进地面车辆的导航,通过信息增益引导的行动剪枝减少回溯成本,实验表明其在不同环境中能显著降低地面机器人旅行成本。
2026-05-21 cs.AI cs.RO
Personalized and Context-aware Route Planning for Edge-assisted Vehicles
Politecnico di Torino(都灵理工大学);TU Berlin(柏林工业大学)
本文提出一种基于GNN和DRL的个性化路径规划框架,通过分析驾驶员历史轨迹学习偏好,在真实路网中相比通用规划器提升17%满意度并大幅减少行驶时间。
2024-07-25 cs.AI cs.RO
General Purpose Incremental Covariance Update and Efficient Belief Space Planning via Factor-Graph Propagation Action Tree
Technion - Israel Institute of Technology(以色列理工学院)
对于SLAM(例如,为了解决数据关联)和用于评估置信空间规划(BSP)中的不同候选动作的信息理论项。在本文中,我们做了两个主要贡献。首先,我们开发了一种新的通用增量协方差更新技术,它有效地恢复特定的协方差条目后的任何变化的推断问题,如引入新的观察/变量或重新线性化的状态向量。我们的方法被证明比其他最先进的方法更快地恢复它们。其次,我们提出了一个计算效率高的方法BSP在高维状态空间,利用我们的增量协方差更新方法。现有技术的BSP方法对每个候选动作执行置信传播,然后评估通常包括信息理论项(诸如熵或信息增益)的目标函数。然而,候选动作通常具有相似的部分(例如,共同的轨迹部分),然而,针对每个候选动作单独地评估这些部分。此外,计算信息论项涉及整个信息(协方差)矩阵的昂贵的行列式计算,其为O(n^3),其中n是状态的维数,或者如果仅对某些变量的边际后验协方差感兴趣,则需要昂贵的舒尔补运算。我们的方法,rAMDL-Tree,扩展了我们以前的BSP方法rAMDL,通过利用增量协方差计算和执行非近视候选动作的公共部分之间的计算重用,使得这些部分只被评估一次,与现有的方法相比。
2019-06-05 cs.RO stat.ML
Safe Planning in Interactive Environments via Iterative Policy Updates and Adversarially Robust Conformal Prediction
Automatic Control Laboratory (IfA)(自动控制实验室)
针对交互环境下自主智能体安全规划中分布偏移破坏共形预测假设的问题,本文提出结合迭代策略更新与对抗鲁棒共形预测的框架,提供可收敛的有效安全保证并通过实验验证。
2025-11-13 cs.RO cs.SY eess.SY
Adaptive Probabilistic Planning for the Uncertain and Dynamic Orienteering Problem
Imperial College London(伦敦帝国学院);Dyson School of Design Engineering(戴森设计工程学院)
针对参数未知且时变的不确定动态定向问题,提出ADAPT贝叶斯在线规划框架,并通过无人机充电调度验证其鲁棒性与100%任务成功率。
2025-01-09 cs.RO cs.SY eess.SY