Conflict-Based Search and Prioritized Planning for Multi-Agent Path Finding Among Movable Obstacles
Shanghai Jiao Tong University(上海交通大学)
本文针对可移动障碍物场景下多智能体路径规划(M-PAMO)这一未充分探索的难题,首次融合CBS、PP两种MAPF方法与单智能体规划器PAMO*求解,并通过多组实验验证了不同方法的优劣。
2025-09-30 cs.RO
Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution
Department of Computer Science, University of New Orleans(计算机科学系,新奥尔良大学);Knight Foundation School of Computing and Information Sciences, Florida International University(骑士基金会计算与信息科学学院,佛罗里达国际大学);Providence College, Department of Mathematics & Computer Science(普罗维登斯学院,数学与计算机科学系)
本文提出一种结合约束贝叶斯优化与STL冲突解决的多机器人轨迹规划方法,提升轨迹效率和安全性。
2026-03-06 cs.RO
Multi-objective Conflict-based Search Using Safe-interval Path Planning
Carnegie Mellon University(卡内基梅隆大学);Texas A&M University(德州农工大学)
本文讨论了一个推广的著名的多智能体路径寻找(MAPF)问题,同时优化多个相互冲突的目标,如旅行时间和路径风险。这种概括,被称为多目标MAPF(MOMAPF),出现在几个应用范围从危险材料运输到建筑工地规划。在本文中,我们提出了一种新的多目标冲突为基础的搜索(MO-CBS)的方法,依赖于一种新的多目标安全区间路径规划(MO-SIPP)算法,其低级别的搜索。我们首先开发了MO-SIPP算法,展示了它的性质,然后将它嵌入到MO-CBS中。我们提出了广泛的数值结果表明:(1)有一个数量级的改善,在平均低级别的搜索时间,和(2)一个显着的改善,找到帕累托最优的前沿的成功率可以得到使用所提出的方法相比,以前的MO-CBS。
2022-03-04 cs.AI cs.RO
Conflict-Based Model Predictive Control for Scalable Multi-Robot Motion Planning
Carnegie Mellon University(卡内基梅隆大学)
本文提出CB-MPC算法,借鉴CBS的高层冲突树在连续空间高效解决多机器人冲突,并用MPC处理个体运动学和动力学约束,相比联合、优先级和分布式MPC变体,在多种环境中提升了可执行性、成功率和交互紧密性,同时显著降低计算成本。
2024-04-01 cs.MA cs.RO
Minimum-violation LTL Planning with Conflicting Specifications
Masaryk University(马萨里克大学);Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT))
我们考虑的问题,自动生成的控制策略的机器人车辆给出了一组高层次的任务规范,如“车辆x必须最终访问目标区域,然后返回基地”,“区域A和B必须定期调查,”或“没有车辆可以进入一个不安全的区域。“我们专注于由于不兼容和/或环境限制而无法同时达到所有给定规格的情况。我们的目标是找到最少违反控制策略,同时考虑不同的优先级,满足不同的部分的任务。形式上,我们考虑以线性时序逻辑公式的形式给出的任务,每个任务都被分配了一个奖励,当公式得到满足时就会获得奖励。利用自动机为基础的模型检验的想法,我们提出了一个算法,找到一个最优控制策略,最大限度地提高了回报的总和,如果这个控制策略被应用。我们证明了所提出的算法上的一个说明性的案例研究。
2013-03-15 cs.RO
Repulsive Trajectory Modification and Conflict Resolution for Efficient Multi-Manipulator Motion Planning
Dept. of Electronic Engineering, Sogang University, Korea(电子工程系,ソンガン大学);Dept. of Artificial Intelligence, Sejong University, Korea(人工智能系,世宗大学)
提出基于CBS两层结构的排斥轨迹修改方法,利用人工势场引导冲突机械臂轨迹远离其他机器人,并设计单步直接求解策略,显著减少约束树扩展节点、提升成功率与求解速度。
2025-09-17 cs.MA cs.RO
Walk on Spheres for PDE-based Path Planning
KTH Royal Institute of Technology(皇家理工学院)
本文首次研究了Walk on Spheres算法在机器人配置空间运动规划中的应用,通过将势场定义为屏蔽泊松方程的解,实验验证了该方法具备平凡并行化能力、O(1/N)的维度无关收敛特性及在RR平台上的有效性。
2024-06-03 cs.RO
db-CBS: Discontinuity-Bounded Conflict-Based Search for Multi-Robot Kinodynamic Motion Planning
Technical University of Berlin(柏林工业大学)
提出 db-CBS,融合 CBS 与不连续性有界 A*,经三层冲突约束和轨迹优化实现异构多机器人动力学规划,成功率更高且成本更低。
2025-03-18 cs.RO
Motion Planning of a Spin-Rolling Sphere on a Plane
Tohoku University(东北大学);Ritsumeikan University(立命馆大学);Kyushu University(九州大学)
研究了平面上自旋滚动球体沿直线运动时的运动规划问题。由于球体的运动受到直线的约束,因此球体的自旋运动的控制对于收敛到球体的期望配置是必不可少的。在本文中,我们展示了一种新的基于几何的规划方法,该方法是基于这个非线性系统的全状态描述。首先,提出了运动规划的问题陈述。接下来,我们开发了一个几何控制器实现为一个虚拟的表面,通过使用达布框架运动学。该虚拟表面生成用于控制球体轨迹的基于弧长的输入。然后,迭代算法的设计,以调整这些输入所需的配置。仿真结果验证了该方法的可行性。
2021-11-16 cs.RO math.DG
Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training
DGIST(韩国科学技术院大邱庆北校区);KAIST(韩国科学技术院)
研究社交机器人在拥挤环境中统一预测与规划问题,提出基于模型合并的不相交参数训练框架DPT,通过分布式参数学习减轻技能冲突,稀疏合并提升性能,在标准基准测试中验证其在机器人导航上通用且有效。
2026-08-28 cs.CV cs.RO
Conflict-Based Search as a Protocol: A Multi-Agent Motion Planning Protocol for Heterogeneous Agents, Solvers, and Independent Tasks
Carnegie Mellon University(卡内基梅隆大学);Tongji University(同济大学);UC Berkeley(伯克利大学)
本文提出了一种基于冲突的搜索协议,用于异构智能体的多智能体运动规划,利用多种单智能体规划算法实现无碰撞路径规划。
2026-03-05 cs.MA cs.RO
A Hierarchical Multi-Vehicle Coordinated Motion Planning Method based on Interactive Spatio-Temporal Corridors
Beijing Institute of Technology(北京理工大学)
提出基于交互式时空走廊(ISTCs)的多车协调运动规划分层方法,通过混合整数二次规划构建走廊解耦高维冲突,再用非线性规划生成满足动力学的轨迹,有效降低计算压力并提升真实场景适用性。
2023-04-03 cs.RO
Risk-aware Vehicle Motion Planning Using Bayesian LSTM-Based Model Predictive Control
Rutgers University – New Brunswick(罗格斯大学新布朗斯维克分校)
了解概率交通环境是自动驾驶车辆运动规划的一个重要挑战。为了做出可行的控制决策,预测相邻车辆的未来轨迹对于智能车辆评估潜在冲突并做出反应以降低风险至关重要。本文首先介绍了贝叶斯长短期记忆(BLSTM)模型,以学习人类驾驶员的行为和习惯,从他们的历史轨迹数据。该模型预测周围车辆位置的概率分布,用于估计动态冲突风险。接下来,建立一个混合自动机来模拟汽车的基本运动,并根据环境信息评估实时状态空间转换的冲突风险。最后,基于BLSTM的模型预测控制(MPC)的建立,以最小的预测冲突风险的安全路径导航车辆。通过将BLSTM与MPC相结合,所设计的基于神经网络的MPC克服了传统MPC难以对不确定冲突风险建模的缺陷。仿真结果表明,我们提出的基于BLSTM的MPC性能优于人类驾驶员,因为它可以预见潜在的冲突,并采取行动,以避免他们。
2023-01-15 cs.RO cs.SY eess.SY
Spatial and Temporal Splitting Heuristics for Multi-Robot Motion Planning
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
在这项工作中,我们系统地研究应用时空分裂算法的多机器人运动规划(MRMP)问题的图论设置:一个问题是NP-难的最佳解决方案。遵循分治原则,我们设计了多个空间和时间分裂方案,可以应用于任何现有的MRMP算法,包括整数规划求解器和增强的基于冲突的搜索,在正交的方式。一个良好的基线MRMP算法与适当的分裂启发式的组合证明是非常有效的,允许解决问题的10+倍,比以前可能的,广泛的数值评估证实。值得注意的是,空间分区的问题融合的时间分裂启发式和增强的基于冲突的搜索(ECBS)算法增加了5- 15倍,解决方案的最优性的影响可以忽略不计的大型和具有挑战性的DAO地图上的ECBS的可扩展性。
2021-03-25 cs.RO
SAFE-TAXI: A Hierarchical Multi-UAS Safe Auto-Taxiing Framework with Runtime Safety Assurance and Conflict Resolution
Purdue University(普渡大学);School of Aeronautics and Astronautics(航空航天学院);Polytechnic Institute(理工学院)
本文提出SAFE-TAXI分层框架,结合集中式时空冲突消解与分散式MPC-CBF控制,解决多无人机自动滑行中的侧风扰动、障碍物入侵和交叉口冲突问题,并通过仿真与Night Vapor平台实验验证其有效性。
2025-03-06 cs.RO
Safe Planning for Articulated Robots Using Reachability-based Obstacle Avoidance With Spheres
University of Michigan(密歇根大学)
针对实时运动规划中安全性与实时性的权衡问题,提出基于可达集和精确有符号距离的滚动时域规划器SPARROWS,通过球体过近似扫掠体积生成可证明无碰撞的安全轨迹,降低了保守性并优于现有方法。
2024-02-13 cs.RO
Adaptive-Horizon Conflict-Based Search for Closed-Loop Multi-Agent Path Finding
Laboratory for Information and Decision Systems, Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);Schwarzman College of Computing(施瓦茨曼计算学院)
提出ACCBS算法,通过动态调整规划视界和重用约束树,在有限计算预算下快速生成高质量可行解,兼具渐近最优性和扰动适应性。
2026-06-25 cs.RO
A Human-Oriented Cooperative Driving Approach: Integrating Driving Intention, State, and Conflict
School of Software Engineering, Xi’an Jiaotong University(软件工程学院,西安交通大学);School of Artificial Intelligence, Xi’an Jiaotong University(人工智能学院,西安交通大学);School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学)
本文提出面向人类的协作驾驶方法,通过意图感知轨迹规划和控制权分配策略,提升驾驶性能并减少人机冲突。
2025-12-29 cs.RO
P-ARC: Exploiting Subproblem Independence for Parallel Multi-Robot Motion Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院Parasol实验室)
提出P-ARC并行算法,通过并行化ARC的三个阶段并采用OR并行多启动策略,在多机器人运动规划中实现近4倍加速。
2026-08-07 cs.DC cs.RO
Optimizing Space Utilization for More Effective Multi-Robot Path Planning
Rutgers University(罗格斯大学)
我们进行了系统的探索的原则,空间利用优化(SUO)作为一种启发式规划更好的个人路径在一个解耦的多机器人路径规划器,与应用程序的一次性和终身多机器人路径规划问题。我们发现,分散的启发式集,SU-I,保持单一路径的最优性,并显着减少自然发生的拥塞时,许多路径规划没有协调。SU-I集成到完整的规划器带来了显着减少的计算时间,由于显着减少冲突的数量,并导致相当大的解决方案的最优收益在不同的评估方案与中型和大型地图,一次性和终身的问题设置。
2021-09-10 cs.RO
An accurate and efficient approach to probabilistic conflict prediction
Stellenbosch University(斯泰伦博斯大学)
冲突预测是自主车辆路径规划的重要组成部分。预测方法必须准确可靠的导航,但也计算效率,使在线路径规划。有效的预测方法在测试大量候选轨迹时尤为重要。我们提出了一种预测方法,具有与现有方法相同的精度,但速度快了一个数量级。这是通过使用降维变换重写的首次通过时间分布方面的冲突预测问题。首次通过时间分布的高斯过程描述车辆运动的一个子集解析推导。所提出的方法适用于二维随机过程,其中平均值可以用线段近似,冲突边界可以用分段直线近似。所提出的方法进行了测试,在模拟和比较两个概率流方法,以及最近的瞬时冲突概率方法。结果表明,计算时间显着减少。
2023-02-26 cs.RO cs.SY eess.SY
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
Bubble Planner: Planning High-speed Smooth Quadrotor Trajectories using Receding Corridors
University of Hong Kong(香港大学);Harbin Institute of Technology(哈尔滨工业大学);Zhejiang University(浙江大学);Dji Co.(大疆创新科技有限公司)
四旋翼是灵活的平台。在人类专家的帮助下,它们可以在混乱的环境中进行极高速的飞行。然而,高速全自动飞行仍然是一个重大挑战。在这项工作中,我们提出了一个运动规划算法的基础上,约束的最小控制努力轨迹优化(MINCO)框架。具体来说,我们使用一系列重叠的球体来表示环境的自由空间,并提出了两种新的设计,使算法能够实时规划高速四旋翼轨迹。一种是基于采样的走廊生成方法,该方法生成两个相邻球体之间具有较大重叠区域(因此具有整体走廊大小)的球体。第二种是后退地平线走廊(RHC)策略,其中以前生成的走廊的一部分在每次重新规划中重复使用。这两种设计一起根据四旋翼的当前状态扩大了走廊空间,因此允许四旋翼以高速机动。我们的算法对其他国家的最先进的规划方法进行基准测试,以显示其在仿真中的优越性。本文还对这两种设计的必要性进行了全面的消融研究。所提出的方法最后在树林环境中的自主激光雷达导航四旋翼无人机上进行了评估,在没有任何环境或外部定位设施的情况下实现了超过13.7 m/s的飞行速度。
2022-09-14 cs.RO
Neural Trajectory Model: Implicit Neural Trajectory Representation for Trajectories Generation
IDEA(国际数字经济学院);International Digital Economy Academy(国际数字经济学院)
本文首次将单智能体与多智能体轨迹规划问题重构为隐式神经轨迹表示上的查询问题,提出神经轨迹模型(NTM)。该方法在复杂环境中实现亚毫秒级GPU规划时间,几乎避免所有环境与智能体间碰撞并生成最短路径,还能高效修正低质量轨迹并解决多轨迹冲突。
2024-02-11 cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México(墨西哥自治理工学院)
本文提出了一种多机器人运动规划方法,通过工作空间分解的离散搜索提高规划效率,核心方法是分层子问题扩展和工作空间分解细化,主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Towards Personalized Explanation of Robot Path Planning via User Feedback
University of Virginia(弗吉尼亚大学)
先前的研究发现,解释机器人的决策和行动有助于提高系统的透明度,提高用户的理解,并实现有效的人机协作。在本文中,我们提出了一个系统,通过用户反馈生成个性化的机器人路径规划的解释。我们考虑机器人在建模为马尔可夫决策过程(MDP)的环境中导航,并开发一种算法来自动生成最佳MDP策略的个性化解释,基于用户对四个元素(即,目标、位置、特异性和语料库)。此外,我们设计的系统与用户互动,通过回答用户的进一步的问题,产生的解释。用户可以选择更新他们的偏好以查看不同的解释。该系统能够通过用户交互来检测和解决任何偏好冲突。在线用户研究的结果表明,生成的个性化解释提高用户满意度,而大多数用户喜欢系统的问答和冲突检测/解决的能力。
2021-03-05 cs.AI cs.RO
Task Allocation and Coordinated Motion Planning for Autonomous Multi-Robot Optical Inspection Systems
University of Shanghai for Science and Technology(上海理工大学);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
自主多机器人光学检测系统越来越多地应用于过程监测和质量控制中的在线测量。许多方法的路径规划和机器人协调已开发的静态和动态环境,并应用于不同的领域。然而,这些方法可能不适用于自主多机器人光学检测系统,由于在线优化的快速计算要求,机器人末端执行器方向的独特特性,以及复杂的大规模自由形式的产品表面。提出了一种新的多机器人检测协调运动规划任务分配方法。具体而言,(1)提出了一种局部鲁棒检测任务分配方法,以实现机器人之间高效、均衡的测量分配;(2)通过机器人坐标空间的动态搜索和冲突机器人中探针位姿或局部路径的扰动,实现无碰撞路径规划和协调运动规划。案例研究表明,该方法可以降低机器人与环境之间的碰撞风险,解决机器人之间的冲突,并减少检查周期时间显着和一致。
2021-06-15 cs.RO cs.SY eess.SY
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
Path Planning and Navigation Inside Off-World Lava Tubes and Caves
University of Arizona(亚利桑那大学);Arizona State University(亚利桑那州立大学)
月球和火星的详细表面图像揭示了数百个洞穴状的开口。这些洞穴状的开口理论上是熔岩管的残余,其内部可能处于原始状态。这些地点可能保存了月球和火星的地质记录,包括过去水流和可居住性的证据。使用轮式探测器探索这些洞穴仍然是一个艰巨的挑战。这些洞穴很可能有入口,天花板塌陷,就像亚利桑那州和新墨西哥州的熔岩管一样。因此,即使是有经验的人类徒步旅行者也几乎不可能穿越入口。我们的方法是利用SphereX机器人,这是一个3公斤,30厘米直径的机器人,带有计算机硬件和连接到火箭推进器的智能手机传感器。每个SphereX机器人都可以在低重力、无空气或低压环境中跳跃、滚动或短距离飞行。可能会部署几个SphereX机器人,以最大限度地减少单点故障,并利用合作行为穿越洞穴。在这些洞穴环境中,导航和路径规划面临一些重要挑战。定位系统,如全球定位系统是不可用的,也不容易安装,由于从岩石的信号阻塞。这些洞穴太暗,太大,传统的传感器,如相机和微型激光传感器,执行详细的测绘和导航。在本文中,我们确定了新的技术来映射这些洞穴进行本地化,合作映射和导航。
2018-03-07 cs.RO
DDM: Fast Near-Optimal Multi-Robot Path Planning using Diversified-Path and Optimal Sub-Problem Solution Database Heuristics
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
我们提出了一种新的集中和解耦算法,DDM,解决多机器人路径规划问题的网格图,针对按需和自动化仓库一样的设置。研究了两种设置:一种是传统的,其目标是尽可能快地将一组机器人从它们各自的初始顶点移动到目标顶点,另一种是动态的,其需要频繁地重新规划以适应目标配置调整。在其他技术中,DDM主要通过利用两个创新的算法来实现:路径多样化和最优子问题解决方案数据库。这两种算法攻击基于并行的规划器的两个不同阶段:路径多样化允许更有效地利用整个工作空间进行机器人旅行,最佳子问题解决方案数据库有助于快速解决局部路径冲突。广泛的评估表明,DDM实现了高水平的可扩展性和高水平的解决方案的最优性。
2019-12-15 cs.RO
Attraction-Based Receding Horizon Path Planning with Temporal Logic Constraints
Masaryk University(马萨里克大学)
在本文中,我们的目标是规划一个机器人在分区环境中的运动动态变化,本地感知奖励。我们假设可以给出关于奖励动态的任意假设。该机器人的目标是完成一个高层次的时序逻辑监视任务,并在访问区域的奖励收集本地优化。这两个目标往往相互冲突,只有在两者之间达成妥协。我们通过考虑用户定义的偏好函数来解决这个问题,该函数捕获了收集高奖励的重要性和对调查区域取得进展的重要性之间的权衡。我们的解决方案利用了基于自动机的方法来进行模型检验的想法。我们展示了利用和建议的框架中的一个说明性的例子的好处。
2012-08-29 cs.RO
Joint Communication and Motion Planning for Cobots
Arizona State University(亚利桑那州立大学)
越来越多的机器人部署在与人类共同工作的场景中,揭示了计算机器人行为中复杂的安全和效率挑战。人与人之间的流动是这一前沿领域最基本、也是最关键的问题之一。虽然有几种方法从纯粹的导航角度解决了这个问题,但缺乏与人类沟通的统一范式限制了它们防止死锁和计算可行解决方案的能力。本文提出了一个联合通信和运动规划框架,选择从任意输入集的机器人的通信信号,同时计算机器人的运动计划。它模拟了人类同事的不完美的感知这些通信使用嘈杂的传感器模型,并有利于规范的各种社会/工作场所的合规性优先级与灵活的成本函数。理论结果和基于模拟器的经验评估表明,我们的方法有效地计算运动计划和通信策略,减少代理之间的冲突,解决潜在的死锁。
2022-03-02 cs.RO
Multi-CAP: A Multi-Robot Connectivity-Aware Hierarchical Coverage Path Planning Algorithm for Unknown Environments
Robotics Institute, Carnegie Mellon University(机器人研究所,卡内基梅隆大学)
针对未知环境多机器人覆盖难题,提出连通性感知分层规划算法Multi-CAP,通过动态邻接图和VRP路线分配减少冲突与冗余,显著提升覆盖效率。
2025-09-26 cs.RO
SMAP: Simultaneous Mapping and Planning on Occupancy Grids
Jet Propulsion Laboratory (JPL), California Institute of Technology(喷气推进实验室(JPL),加州理工学院)
在使用机器人创建环境地图时,占领网格是最常见的框架。本文从运动规划的角度研究了占用网格,并提出了一种映射方法,提供更丰富的数据(地图)的规划和避免碰撞的目的。通常,在占用网格映射中,每个单元格包含表示单元格被占用的概率的单个数字。这会导致映射中的冲突,更重要的是,映射误差和报告的置信度值之间的不一致。这种不一致性给依赖生成的地图来规划运动的规划器带来了挑战。在这项工作中,我们在每个体素存储更丰富的数据,包括准确估计占用的方差。我们表明,除了实现地图,往往比传统的方法更准确,建议的过滤方案表现出更高水平的一致性之间的错误和报告的信心。这允许计划者对未来感官信息的获取进行推理。这种规划可以导致主动感知机动,在引导机器人朝向目标的同时,旨在增加与完成任务相关的地图部分的置信度。
2016-09-19 cs.RO
Efficient Multi-Robot Motion Planning with Precomputed Translation-Invariant Edge Bundles
Smead Aerospace Engineering Sciences, University of Colorado Boulder(科罗拉多大学博尔德分校航空航天工程科学系);Department of Computer Science, University of Colorado Boulder(科罗拉多大学博尔德分校计算机科学系);Cherry Creek High School, Greenwood Village, CO, USA(科罗拉多州格里诺村樱桃溪高中)
本文提出KiTE-Extend方法,通过预计算轨迹段提升多机器人运动规划效率,尤其在多智能体场景中显著改善规划性能和可扩展性。
2026-05-10 cs.RO
Hierarchical Search-Based Cooperative Motion Planning
Institute of Cyber-Systems and Control, Zhejiang University(浙江大学控制科学与工程学院 cyber系统研究所);Polytechnic Institute of Zhejiang University(浙江大学理工学院);Shanghai AI Laboratory(上海人工智能实验室)
针对非完整阿克曼UGV协同规划问题,提出无领导者的分层搜索式SCMP方法,高层用二叉冲突搜索树降时耗,低层生成形状约束的无碰撞可行路径,并通过仿真与实车测试验证其在多群体、异常智能体及复杂障碍场景中的有效性。
2024-10-21 cs.RO
Look before you sweep: Visibility-aware motion planning
Massachusetts Institute of Technology(麻省理工学院)
本文讨论的问题规划的机器人与定向障碍物检测传感器,必须通过一个杂乱的环境。规划目标是通过为整个机器人(包括传感器)找到一条路径来保持安全,该路径保证机器人在被传感器看到之前不会移动到工作空间的任何部分。虽然大量的工作已经解决了这个问题的一个版本,其中的“视野”的传感器是一个球体周围的机器人,有很少的工作解决机器人与狭窄或闭塞的视野。我们给出了一个正式的定义的问题,几种解决方案的方法与不同的计算权衡,并在说明域的实验结果。
2019-01-18 cs.RO
ESCoT: An Enhanced Step-based Coordinate Trajectory Planning Method for Multiple Car-like Robots
School of Vehicle and Mobility, Tsinghua University(车辆与移动系统学院,清华大学)
本文提出ESCoT方法,通过局部协同规划和重复配置重规划策略,显著提升了多类车机器人轨迹规划在稀疏和密集场景下的求解质量与成功率,并经实际机器人测试验证了其有效性。
2025-08-13 cs.RO
Model-Based Diffusion Optimal Control for Multi-Robot Motion Planning
针对多机器人运动规划难题,介绍基于模型的扩散最优控制(MDOC),它不依赖数据,通过结合动力学模型与控制障碍函数约束投影,利用基于冲突搜索的安全机制,在模拟实验中展现出优于基线规划器的性能。
2026-10-07 cs.RO
Darboux-Frame-Based Parametrization for a Spin-Rolling Sphere on a Plane: A Nonlinear Transformation of Underactuated System to Fully-Actuated Model
Tohoku University(东北大学);Ritsumeikan University(立命馆大学);Kyushu University(九州大学)
本文提出了一种新的运动学模型的基础上的达布框架的运动控制和规划。在这项工作中,我们证明了一个欠驱动模型的自旋滚动球在一个平面上的五个状态和三个输入可以转化为一个完全驱动的一个给定的达布框架变换。这种非线性状态转换建立了一个不同于传统状态空间的几何模型。首先建立了滚动球体接触点处的达布标架运动学模型。接下来,我们提出了一个虚拟的表面,被困在球体和接触平面之间。该虚拟表面用于生成用于控制球体和平面上的接触轨迹的基于弧长的输入。最后,我们讨论了这个新模型的可控性。在未来,我们将设计一个几何路径规划方法所提出的运动学模型。
2021-06-12 cs.RO math.DG
Virtual Traffic Lights for Multi-Robot Navigation: Decentralized Planning with Centralized Conflict Resolution
Deakin University(德金大学);National Transport Research Organisation (NTRO)(国家交通研究组织)
该研究提出结合去中心化路径规划与中心化冲突解决的混合多机器人协调框架,通过虚拟交通灯式的停止指令减少死锁,在仿真及真实四足机器人、Duckiebots实验中提升了导航成功率。
2025-11-11 cs.RO
pc-dbCBS: Kinodynamic Motion Planning of Physically-Coupled Robot Teams
针对物理耦合多机器人高维运动规划难题,提出三层冲突消解的任意时间规划器 pc-dbCBS,兼具概率完备性与渐近最优性,并显著提升求解率、轨迹速度和规划效率。
2025-05-15 cs.MA cs.RO cs.SY
Verifier-Mediated Multi-LLM Coordination for Multi-Robot Path Planning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Nevada, Reno(内华达大学雷诺分校)
该研究针对多机器人路径规划中独立LLM计划联合不可行的问题,提出验证器介导的多LLM协调架构,通过几何验证器检测冲突并反馈重规划,在CARLA和Crazyflie上验证了其性能与权衡关系。
2026-10-12 cs.RO cs.SY eess.SY
An Efficient Approach to the Online Multi-Agent Path Finding Problem by Using Sustainable Information
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
多智能体路径寻找(MAPF)是移动智能体到目标顶点无碰撞的问题。在在线MAPF问题中,新的代理人可以在任何时候添加到环境中,并且当前代理人没有关于未来代理人的信息。现有的在线方法不能重用以前的规划上下文,导致冗余计算,降低算法效率。因此,我们提出了一个三层的方法来解决在线MAPF利用可持续发展的信息,这可以减少其冗余计算。高级求解器,可持续重新规划算法(SR),管理规划上下文并模拟环境。中层求解器,可持续的基于冲突的搜索算法(SCBS),建立一个冲突树,并保持规划上下文。低级求解器,可持续反向安全间隔路径规划算法(SRSIPP),是一个高效的单智能体求解器,使用以前的规划上下文,以减少重复计算。实验表明,我们提出的方法在计算效率方面有显着的改善。在一个测试场景中,我们的算法在不同的代理数量设置下平均比SOTA快1.48倍。
2023-01-11 cs.AI cs.MA cs.RO
Online Re-Planning and Adaptive Parameter Update for Multi-Agent Path Finding with Stochastic Travel Times
Panasonic Holdings Corporation(松下控股株式会社);Ritsumeikan University(立命馆大学)
本研究探讨多智能体路径搜寻问题,行程时间为连续且随机,且其机率分布未知。我们的目的是管理一组自动化机器人,在行人和各种机器人共存的建筑物中提供包裹递送服务,例如办公楼,医院和公寓的递送服务。在这些现实世界的应用中,机器人穿越走廊所需的时间通常是连续的,并且是随机分布的,并且旅行时间的概率分布的先验知识是有限的。多智能体路径搜索已被广泛研究和应用于机器人管理系统,然而,在这样的环境中,机器人操作自动化仍然是困难的。我们建议1)在线重新规划更新的机器人的行动计划,而它的执行,和2)参数更新估计的概率分布的行程时间使用贝叶斯推理的延迟观察。我们使用一个贪婪的启发式,以获得在有限的计算时间的解决方案。通过模拟,我们经验比较我们的方法的性能,现有的方法在冲突概率和机器人的实际行程时间。仿真结果表明,所提出的方法可以找到至少50%的旅行路径,减少冲突和更短的实际总行程时间比现有的方法。所提出的方法需要少量的试验,以实现性能,因为参数更新的优先级上的重要边缘的路径规划,从而满足快速实施的鲁棒规划的自动化交付服务的要求。
2023-02-03 cs.MA 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
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
Shadoks Approach to Low-Makespan Coordinated Motion Planning
LIMOS, Université Clermont Auvergne(克莱蒙奥弗涅大学利摩斯实验室);LIS, Aix-Marseille Université(艾克斯-马赛大学信息与系统科学实验室)
本文介绍了Shadoks团队在CG:SHOP 2021挑战赛中使用的策略。今年的问题是协调多个机器人的运动,以便在没有碰撞的情况下到达目标,并最大限度地减少完工时间。这是一个经典的多智能体路径寻找问题,其特殊性在于,在无界网格中的实例是高度密集的。使用本文中概述的算法,我们的团队赢得了203个实例中202个实例的最佳解决方案和至少105个实例的最佳解决方案的第一名。主要成分包括几种不同的策略来计算初始解决方案,再加上一个启发式称为冲突优化,以减少现有的解决方案的完工时间。
2022-03-09 cs.CG cs.RO
HINT-Plan: Human Intention-Aware Robot Task Planning in Context-Rich Environments using Vision Language Models
University of Stuttgart(斯图加特大学);University of Luxembourg(卢森堡大学);Bosch Center for Artificial Intelligence(博世人工智能中心)
HINT-Plan利用视觉语言模型预测人类意图并转化为目标状态,结合层次化场景图进行形式化任务规划,在仿真中实现69.71%成功率,显著优于基线,提升主动人机协作决策。
2026-09-17 cs.AI cs.RO
Parametrized motion planning and topological complexity
Queen Mary University of London(伦敦玛丽女王大学);The University of Chicago(芝加哥大学)
在本文中,我们研究的参数化运动规划算法,提供了通用的和灵活的解决方案,以不同的运动规划问题。这种算法旨在在各种外部条件下起作用,这些外部条件被视为参数并用作算法的输入的一部分。继续最近的一篇论文,我们进一步研究了参数化拓扑复杂性的概念。我们详细分析了在欧几里得空间中存在多个障碍物的情况下控制一群机器人的问题,这为我们提供了一个自然的激励例子。我们提出了一个显式参数化的运动规划算法,解决了任何数量的机器人和障碍物的运动规划问题。该算法是最优的,它对任意d个奇数具有最小可能的拓扑复杂度。此外,我们描述了一个修改的算法,这是最佳的d甚至。利用Stiefel-Whitney特征类分析了球丛的参数化拓扑复杂性.
2022-02-23 cs.RO math.AT
Unifying Decision-Making and Trajectory-Planning in Unsignalized Intersections Using Time-Varying Potential Fields
Dipartimento di Elettronica e Telecomunicazioni, Politecnico di Torino(电子工程与电信学院,托斯卡纳理工学院);Dipartimento di Automatica e Informatica, Politecnico di Torino(自动化与信息学院,托斯卡纳理工学院)
针对无信号交叉口自动驾驶车辆,提出用有限时域最优控制问题结合时变人工势场的新框架统一决策与轨迹规划,利用短视运动预测等考虑潜在碰撞,仿真验证了该方法可生成可行安全参考轨迹。
2026-07-23 cs.RO cs.SY eess.SY
P4P: Conflict-Aware Motion Prediction for Planning in Autonomous Driving
Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海期智研究院);Massachusetts Institute of Technology(麻省理工学院)
运动预测对于在交互式场景中实现自动驾驶车辆的安全运动规划至关重要。它允许规划者识别与其他交通代理的潜在冲突并生成安全的计划。现有的运动预测器通常专注于减少预测误差,但它们如何帮助规划器识别冲突仍然是一个悬而未决的问题。在本文中,我们通过新的冲突相关的指标,如识别冲突的成功率,评估国家的最先进的预测。令人惊讶的是,预测遭受低成功率,从而导致很大比例的碰撞时,我们在一个交互式模拟器中测试的预测规划系统。为了填补这一空白,我们提出了一个简单但有效的替代方案,它结合了基于物理的轨迹生成器和基于学习的关系预测器来识别冲突并推断冲突关系。我们证明了我们的预测器P4P在Waymo Open Motion Dataset的现实交互式驾驶场景中比现有的基于学习的预测器具有更好的性能。
2022-11-03 cs.AI cs.CV cs.RO
Ensuring Progress for Multiple Mobile Robots via Space Partitioning, Motion Rules, and Adaptively Centralized Conflict Resolution
Cornell University(康奈尔大学);Rice University(莱斯大学);Pashi Corp.(帕希公司)
在多个机器人必须在共享空间中协调的环境中,分散式方法允许以全局保证为代价进行解耦规划,而集中式方法则进行相反的权衡。这些解决方案做出了一系列假设-通常,所有机器人共享相同的规划策略。在这项工作中,我们提出了一个框架,确保所有机器人的进展,而不假设任何机器人的规划策略(1)生成一个分区的环境到“流”,“开放”和“通道”区域和(2)强加一套规则,机器人运动在这些地区。这些机器人运动规则通过自适应集中式协议来解决机器人之间的空间冲突,从而防止死锁。我们提出的框架,确保所有机器人的进步,没有一个网格样的离散化的环境或机器人通信,协调或合作的强烈要求。每个机器人都可以自由选择如何规划和协调自己,而不会受到其他机器人或机器人组的阻碍,只要他们在必要时遵守规则。我们描述了我们的空间划分和运动规则,证明了运动规则足以保证在分区环境中的进展,并在模拟多边形环境中演示了几种情况。这项工作取得了平衡之间的每个机器人的规划独立性和保证每个机器人总是可以达到任何目标在有限的时间。
2022-03-07 cs.RO
SphereMap: Dynamic Multi-Layer Graph Structure for Rapid Safety-Aware UAV Planning
Czech Technical University in Prague(捷克布拉格技术大学)
提出了一种灵活的拓扑表示方法,该方法由两层图形结构组成,通过在无人机(UAV)上连续填充相交球体的占用图的自由空间来实现。大多数最先进的规划方法都是在使无人机与障碍物保持预定义距离的同时找到最短路径。对拟议结构的规划仅在必要时达到该预定义的距离,否则保持更安全的距离,同时也比其他最先进的方法快几个数量级。此外,我们演示了如何将这种图形表示转换为一个轻量级的可共享的拓扑体积地图的环境,这使得分散的多机器人合作。所提出的方法成功地验证了在几公里的真实地下环境中,如洞穴,破坏的工业建筑,并在DARPA SubT挑战赛的最后一个事件,其目的是模仿真实的搜索和救援任务的条件尽可能接近的苛刻和复杂的设置,我们的方法实现了\nth{2}的地方在虚拟的轨道。
2023-02-03 cs.RO