Rapid and Safe Trajectory Planning over Diverse Scenes through Diffusion Composition
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院);University of Michigan(密歇根大学);MIT(麻省理工学院)
针对动态环境规划难题,提出能量参数化扩散规划框架,结合轻量级安全过滤器和场景无关的数据生成管道,实现多样场景下快速安全规划,仿真与真实实验验证了其有效性、鲁棒性和适用性。
2026-07-21 cs.RO cs.SY eess.SY
Safely Probabilistically Complete Real-Time Planning and Exploration in Unknown Environments
UC-Philippine-California Advanced Research Institute(加州-菲律宾-加州高级研究机构);ONR MURI(国防高级研究计划局(ONR)MURI);SRC CONIX Center(SRC CONIX中心)
本文提出了一种新的运动规划框架,该框架围绕现有的动力学规划器构建,在事先未知的静态环境中保证递归可行性。通过利用来自可达性分析的鲁棒控制器,该方法对整体安全性和碰撞避免做出了强保证。运动计划始终保持在初始状态的安全后向可达集内,同时安全地探索空间。这保证了初始状态的安全性,并确保在安全探索过程中最终能找到目标。
2019-03-07 cs.RO cs.SY eess.SY
Energy Aware and Safe Path Planning for Unmanned Aircraft Systems
Technical University of Darmstadt(达姆施塔特工业大学)
本文提出一种基于模型预测控制和混合整数线性规划的多智能体无人飞行器系统能量感知与安全路径规划算法,通过优化能耗、低电量自主返航及动态可行区域防障,实现高效安全的搜索区域覆盖。
2025-04-04 cs.RO cs.SY eess.SY
Safe Motion Planning against Multimodal Distributions based on a Scenario Approach
University of British Columbia(不列颠哥伦比亚大学)
我们提出了一种运动规划算法的设计,以确保安全的自动驾驶汽车。特别是,我们考虑了不确定性的多模态分布;例如,周围车辆未来轨迹的不确定预测反映了离散决策,例如在十字路口转弯或直行。我们开发了一种计算效率高,基于神经网络的方法,解决了运动规划问题,具有较高的置信度,从多模态分布的样本数量可量化。我们的方法基于两个预处理步骤,1)将样本分成不同的聚类,2)为每个聚类计算一个边界多面体。然后,我们重写的运动规划问题近似为一个混合整数问题使用多面体。我们通过nuScenes数据集上的模拟证明,我们的方法在存在多模态不确定性的情况下以高概率确保安全性,并且在计算上比传统的场景方法更有效,更不保守。
2021-08-05 cs.RO cs.SY eess.SY
RTD-RAX: Fast, Safe Trajectory Planning for Systems under Unknown Disturbances
Georgia Institute of Technology(佐治亚理工学院);School of Electrical and Computer Engineering(电子与计算机工程学院);School of Mechanical Engineering(机械工程学院);School of Civil and Environmental Engineering(土木与环境工程学院)
RTD-RAX通过非保守的RTD方法快速生成目标导向候选轨迹,并利用混合单调可达性实现快速扰动感知在线安全认证,确保在实时不确定环境下轨迹安全。
2026-03-23 cs.RO cs.SY eess.SY
Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
Australian Centre for Robotics(澳大利亚机器人中心);School of Aerospace, Mechanical and Mechatronic Engineering(航空航天、机械与机电工程学院)
本文提出了一种基于学习的全对运动规划方法,通过双 Lipschitz 双射构造平滑的目标条件神经ODEs,理论结果表明该模型在任意目标位置下能保证全局指数稳定性与安全性,且提供了收敛速率、跟踪误差和向量场大小的显式界。
2026-09-23 cs.RO cs.SY eess.SY
LLM-Enhanced Path Planning: Safe and Efficient Autonomous Navigation with Instructional Inputs
New York University(纽约大学);Tandon School of Engineering(坦登工程学院);George Mason University(乔治梅森大学)
本文提出融合LLM、二维占据栅格地图与自然语言指令的导航框架,通过结构化任务分解与动态重规划提升动态环境中拾取放置任务的安全性和效率。
2024-12-03 cs.RO cs.SY eess.SY
Online Distributed Trajectory Planning for Quadrotor Swarm with Feasibility Guarantee using Linear Safe Corridor
Seoul National University(首尔大学);Automation and Systems Research Institute(自动化与系统研究所)
本文提出了一种新的在线多智能体轨迹规划算法,保证在混乱的环境中生成安全,动态可行的轨迹。该算法利用线性安全走廊(LSC)将分布式轨迹优化问题转化为仅含可行约束的问题,避免了采用松弛变量或软约束来避免优化失败。我们采用一种基于优先级的目标规划方法来防止死锁,而不需要额外的过程来决定哪个机器人让步。该算法可以计算60代理的轨迹平均15.5毫秒每个代理与英特尔i7笔记本电脑,并显示了类似的飞行距离和距离相比,基线的基础上软约束。验证了所提方法在随机森林和室内空间均能无死锁地达到目标,并通过迷宫环境下10个四旋翼飞行器的实际飞行试验验证了所提方法的安全性和可操作性。
2022-01-03 cs.RO cs.SY eess.SY
Safe and Robust Motion Planning for Dynamic Robotics via Control Barrier Functions
University of Southern California(南加州大学)
控制障碍函数(CBF)被广泛应用于非线性系统的安全临界约束。最近,这些功能被纳入到一个路径规划框架,设计安全关键路线规划。然而,这些方法未能提供一个现实的路径,同时考虑到算法的运行时的复杂性和执行的安全关键的约束。本文提出了一种新的运动规划方法,使用著名的快速探索随机树(RRT)算法,强制CBF和机器人Kinodynamic约束,以产生一个安全的关键路线。该算法还输出相应的控制信号,导致无障碍路径。该方法还允许考虑模型的不确定性,将鲁棒CBF约束到所提出的框架。因此,所得到的路径没有任何障碍物,并考虑了来自机器人动力学和感知的模型不确定性。结果分析表明,所提出的方法优于传统的基于RRT的路径规划器,保证了安全的关键路线以最小的计算开销。我们提出了数值验证的算法上的CNOV7机器人车,一个微型自主无人地面车辆,执行动态导航的障碍重重的路径与各种不确定性的感知噪声和机器人动力学。
2021-10-22 cs.RO cs.SY eess.SY
Safe Robust Predictive Control-based Motion Planning of Automated Surface Vessels in Inland Waterways
Dept. of Mechanical Engineering, Clemson University(机械工程系,克莱姆森大学)
针对内河航道自主水面船舶导航面临的狭窄通道、高交通密度和水动力扰动挑战,提出结合鲁棒模型预测控制与控制屏障函数的运动规划方法,以安全约束确保碰撞避免,仿真验证了其有效性和安全性。
2025-09-08 cs.RO cs.SY eess.SY
Safe and Scalable Real-Time Trajectory Planning Framework for Urban Air Mobility
George Washington University(乔治华盛顿大学)
本文提出一个用于城市空中交通的实时轨迹规划框架,采用分散式自由飞行概念,结合数据驱动可达性分析与基于MDP的决策器,并通过奖励塑形和动作屏蔽增强安全性,仿真验证了其安全性和可扩展性。
2023-06-20 cs.RO cs.SY eess.SY
Learning How to Trade-Off Safety with Agility Using Deep Covariance Estimation for Perception Driven UAV Motion Planning
Istanbul Technical University(伊斯坦布尔理工大学);Turkish-German University(土耳其-德国大学)
针对敏捷无人机导航任务,研究了如何利用预测模型选择基于感知不确定性估计的运动规划策略。虽然有各种各样的运动规划和感知算法,这样的任务,感知的不确定性的影响是没有明确地处理在许多当前的运动算法,这导致在现实生活中的情况下,测量往往是嘈杂的,由于外部干扰的性能损失。我们开发了一个新的框架嵌入感知不确定性的高层次运动规划管理,以选择最好的可用运动规划方法,目前估计的感知不确定性。我们使用深度神经网络(CovNet)来估计视觉输入的不确定性,该深度神经网络明确预测当前测量的协方差。接下来,我们训练一个高级机器学习模型,用于在给定协方差的当前估计以及UAV状态的情况下预测最低成本的运动规划算法。我们证明了现实生活中的数据和无人机竞赛模拟,我们的方法,命名为不确定性驱动的运动规划切换器(UDS)产生的最安全和最快的轨迹之间比较的替代品。此外,我们表明,开发的方法学习如何权衡安全与敏捷性切换到运动规划,导致更敏捷的轨迹时,估计的协方差是高的,反之亦然。
2020-12-11 cs.RO cs.SY eess.SY
Reliable and Real-Time Highway Trajectory Planning via Hybrid Learning-Optimization Frameworks
本文提出混合高速公路轨迹规划框架,结合学习方法的适应性和优化方法的正式安全保证,确保在多车交互复杂情况下实现高可靠性和实时性。
2026-04-13 cs.RO cs.SY eess.SY
Safety-aware time-optimal motion planning with uncertain human state estimation
Istituto di Sistemi e Tecnologie Industriali Intelligenti per il Manifatturiero Avanzato, Consiglio Nazionale delle Ricerche(意大利国家研究委员会先进制造智能工业系统与技术研究所);University of Brescia(布雷西亚大学)
机器人运动规划中的人类感知对于与人类的无缝交互至关重要。许多现有的技术减慢、停止或局部改变机器人的轨迹,以避免与人类碰撞。虽然在路径规划阶段使用关于人的状态的信息可以减少未来对人的移动的干扰并且使安全停止不那么频繁,但是这样的方法不太普遍。本文提出了一种新的方法来嵌入人体模型的机器人的路径规划。该方法明确地解决了最小化路径执行时间的问题,包括由于人类接近而导致的减速和停止。为此,它将安全速度限制转换为驱动路径优化的配置空间成本函数。可以基于观察到的或预测的人类状态来更新成本图。该方法可以处理人类状态的确定性和概率表示,是独立的预测算法。工业协作单元上的数值和实验结果表明,所提出的方法一致地减少了机器人的执行时间,避免了不必要的安全速度降低。
2022-10-21 cs.RO cs.SY eess.SY
Probabilistic Guaranteed Path Planning for Safe Urban Air Mobility Using Chance Constrained RRT
University of California San Diego(加州大学圣地亚哥分校);San Diego State University(圣地亚哥州立大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
安全是城市空中交通成功的关键因素,特别是在动态和不确定的环境中。提出了一种基于RRT和机会约束的不确定障碍物路径规划算法。通过将概率约束转化为确定性约束,建立了高斯分布障碍物的机会约束模型。通过对系统状态的模拟和凸约束的评估,可以确定每个时间步的概率可行域。通过建立机会约束RRT,该算法不仅享有基于采样的算法的好处,但也纳入了不确定性的制定。仿真结果表明,利用该算法可以规划出符合概率避障要求的连接起点和目标点的轨迹。
2022-03-12 cs.RO cs.SY eess.SY
Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
Daniel Guggenheim School of Aerospace Engineering(丹尼尔·古根海姆航空航天工程学院);Georgia Institute of Technology(佐治亚理工学院)
针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题,提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法,可将轨迹风险降低约97%。
2026-08-12 cs.RO cs.SY eess.SY
Probabilistic Recursively Feasible Motion Planning Under Uncertain Environments
School of Electrical Engineering, Korea Advanced Institute of Science(韩国科学技术院电气工程学院)
本文提出了一种概率递归可行模型预测控制框架,通过保证递归可行性概率来解决不确定环境中安全运动规划的挑战,主要贡献是通过闭式表达式计算轨迹的均值和协方差,并构建安全约束以确保递归可行性。
2026-05-18 cs.RO cs.SY eess.SY
Safety-Oriented Dynamic Path Planning for Automated Vehicles
Department of Aerospace Engineering, University of the Bundeswehr Munich(航空航天工程系,联邦国防军大学穆恩市)
针对动态环境下自动驾驶的安全路径规划问题,提出含NMPC主回路与备用回路的双层控制框架,结合同伦约束松弛与障碍物时变投影,提升了规划的实时性、鲁棒性与安全性。
2025-10-04 cs.RO cs.SY eess.SY
From Low to High Order Motion Planners: Safe Robot Navigation using Motion Prediction and Reference Governor
Eindhoven University of Technology(埃因霍温理工大学);Eindhoven AI Systems Institute(埃因霍温人工智能系统研究所)
安全地绕过障碍物是高度动态机器人面临的一个根本挑战。使用轨迹优化和跟踪控制使简单参考路径规划器适应复杂机器人动力学的现有方法是脆弱的,并且需要显著的重新规划周期。在本文中,我们介绍了一种新的反馈运动规划框架,该框架将低阶(例如位置/速度控制)参考运动规划器的适用性扩展到高阶(例如,加速度/急动控制的)机器人模型。我们使用预测的机器人运动范围进行安全评估,并建立一个双向的接口之间的高层次的规划和低层次的控制,通过一个参考总督。我们描述了我们的反馈运动规划框架的通用基本构建块,并给出了运动控制,预测和参考规划的具体示例结构。我们证明了我们的规划框架的正确性,并在数值模拟中展示了其性能。我们的结论是,准确的运动预测是至关重要的高层次的规划和低层次的控制之间的差距。
2022-02-25 cs.RO cs.SY eess.SY
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University(奥托·冯·格里克大学);German Aerospace Center (DLR)(德国航空航天中心(DLR));Technical University of Darmstadt(达姆施塔特工业大学)
自动驾驶车辆的规划和控制通常是分层分离的。然而,不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划,并将控制和规划紧密集成,以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式,以增加灵活性和性能,而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性,但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性,而问题的分层分解降低了计算成本,并使实时实现。我们推导出递归可行性的条件,以确保约束满足和避障,以保证安全,并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO cs.SY eess.SY
Safe Planning through Incremental Decomposition of Signal Temporal Logic Specifications
Carnegie Mellon University(卡内基梅隆大学);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出通过时间分解信号时态逻辑规范为可达性和不变性约束并顺序调度,以提升轨迹规划效率,在线性和非线性系统上优于现有方法。
2024-03-19 cs.LO cs.RO cs.SY
Reactive motion planning with probabilistic safety guarantees
California Institute of Technology(加州理工学院)
多智能体环境中的运动规划对于许多重要的自主应用(如自主车辆和辅助机器人)至关重要。研究了受控智能体与多个不受控智能体共享环境的运动规划问题。首先,训练不受控制的代理的预测模型,以基于场景在短时间内预测所有可能的轨迹。然后将预测馈送到基于模型预测控制的运动规划模块。我们使用三种不同的方法,后膨胀,支持向量机(SVM),和共形分析,所有能够生成随机保证的预测模型的预测的正确性证明了泛化界。所提出的方法在模拟自动驾驶公路的情况下进行了仿真。
2020-11-26 cs.LG cs.RO cs.SY
Limiting Computation Levels in Prioritized Trajectory Planning with Safety Guarantees
RWTH Aachen University(亚琛工业大学);University of the Bundeswehr Munich(慕尼黑联邦国防军大学)
针对并行优先级规划难保证安全、顺序规划计算层级随车辆数增长的问题,本文结合可达性分析与图划分选择部分车辆顺序规划,在保证无碰撞和求解质量的同时将计算层级降低约64%。
2024-09-08 cs.MA cs.RO cs.SY
Uncertainty-Aware Constraint Learning for Adaptive Safe Motion Planning from Demonstrations
University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
我们提出了一种学习的方法,以满足不确定的约束,从示范。我们的方法使用强大的优化,以获得一个信念,在潜在的无限的可能的约束与示威一致,然后使用这个信念计划的轨迹,权衡性能与满足可能的约束。我们在一个闭环策略中使用这些轨迹,该策略使用信念更新来执行和重新运行,其中包含执行过程中收集的数据。我们得到保证我们的约束信念和概率保证计划的安全性的准确性。我们提出了一个7自由度的手臂和12维四旋翼的结果,表明我们的方法可以学习,以满足高维(高达30 D)的不确定性约束,并优于基线的安全性和效率。
2020-11-09 cs.LG cs.RO cs.SY
Safe Motion Planning for Autonomous Driving using an Adversarial Road Model
ETH Zurich(苏黎世联邦理工学院);Katholieke Universiteit Leuven(鲁汶大学)
本文提出了一种博弈论的路径跟踪公式,对手是一个对手的道路模型。这个公式使我们能够使用可行性理论的工具来计算安全集,这些工具可以用作基于优化的运动规划器中的终端约束。基于对手道路模型,我们首先推导出一个分析判别域,该域甚至可以在考虑转向速率约束的情况下保证安全。其次,我们计算的判别核,并表明,输出的网格为基础的算法可以准确地近似由一个完全连接的神经网络,它可以再次被用作终端约束。最后,我们表明,通过使用我们提出的安全集,基于优化的运动规划器可以成功地在城市和乡村道路上行驶,预测范围太短,其他基线无法完成任务。
2020-05-15 cs.RO cs.SY eess.SY
Case Studies for Computing Density of Reachable States for Safe Autonomous Motion Planning
Massachusetts Institute of Technology(麻省理工学院);Ford Motor Company(福特汽车公司)
可达状态的密度可以帮助理解安全关键系统的风险,特别是在最坏情况可达性过于保守的情况下。最近的工作提供了一个数据驱动的方法来计算自治系统的前向可达状态的密度分布在线。在本文中,我们研究使用这种方法结合模型预测控制可验证的安全路径规划的不确定性。我们首先使用学习到的密度分布来在线计算碰撞风险。如果这种风险超过可接受的阈值,我们的方法将围绕先前的轨迹规划一条新的路径,碰撞风险低于阈值。我们的方法非常适合处理具有不确定性和复杂动态的系统,因为我们的数据驱动方法不需要系统动态的解析形式,并且可以估计具有任意初始不确定性分布的前向状态密度。我们设计了两个具有挑战性的场景(自动驾驶和气垫船控制)的安全运动规划的环境下,系统的不确定性障碍。我们首先表明,我们的密度估计方法可以达到类似的精度,基于蒙特卡罗的方法,而只使用0.01X的训练样本。通过利用估计的风险,我们的算法在执行高于0.99的安全率时达到了最高的成功率。
2022-09-16 cs.AI cs.RO cs.SY
Safe and Dynamically-Feasible Motion Planning using Control Lyapunov and Barrier Functions
University of California, San Diego(加利福尼亚大学圣迭戈分校);DEVCOM US Army Research Laboratory(美国陆军DEVCOM研究实验室)
本文提出C-CLF-CBF-RRT算法,结合RRT、CLF和CBF为控制仿射系统生成安全且动态可行的无碰撞路径,并证明其计算高效性与概率完备性。
2025-03-12 cs.RO cs.SY eess.SY
SwarmGPT: Combining Large Language Models with Safe Motion Planning for Drone Swarm Choreography
Learning Systems and Robotics Lab(学习系统与机器人实验室);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所);Technical University of Munich(慕尼黑技术大学)
SwarmGPT利用大语言模型生成无人机编舞,并通过安全过滤器确保可部署性,实现非专家自然语言迭代设计,仿真与真实实验验证了其可扩展性和安全性。
2025-10-10 cs.AI cs.RO cs.SY
CIAO$^\star$: MPC-based Safe Motion Planning in Predictable Dynamic Environments
University of Freiburg(弗赖堡大学);Robert Bosch GmbH(罗伯特·博世有限公司)
几十年来,机器人一直在动态环境中运行并共享机器人。然而,大多数基于优化的运动规划方法不考虑其他代理(例如,人类或其他机器人)的移动,因此在这种情况下不能保证避免碰撞。本文基于凸内近似(CIAO)方法,提出了一种运动规划算法,保证在可预测的动态环境中避免碰撞。此外,它推广了CIAO的自由区域的概念,以任意的规范,并提出了一个成本函数近似的时间最优运动规划。所提出的方法,CIAO $^\star$,发现kinodynamically可行的和无碰撞的轨迹约束的单体机器人使用模型预测控制(MPC)。它优化一个代理的运动,并考虑周围代理和障碍物的预测运动。实验评估表明,CIAO $^\star$达到接近时间最优的行为。
2020-05-25 cs.RO cs.SY eess.SY
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
Safe planning and control under uncertainty for self-driving
Manipal Institute of Technology(马尼帕尔理工学院);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
不确定条件下的运动规划对于安全自动驾驶至关重要。在本文中,我们提出了一个统一的避障框架,处理1)自我车辆运动的不确定性;和2)来自环境的动态障碍物的预测不确定性。在规划层中使用包括短期和长期预测的两阶段交通参与者轨迹预测器来为自我车辆生成安全但不过于保守的轨迹。预测模块与现有的规划方法配合良好。我们的工作展示了它的有效性在一个弗伦内框架规划。使用管MPC的鲁棒控制器保证了在存在状态噪声和动态模型不确定性的情况下轨迹的安全执行。高斯过程回归模型用于在线识别的不确定性的界限。我们证明了我们的框架在CARLA模拟器的有效性,安全性和实时性能。
2020-10-21 cs.RO
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan(密歇根大学)
本文报道了一个集成的框架,安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图,而安全约束通过控制障碍函数(CBF)来执行。该规划器是基于增量探索信息收集(IIG)算法,并允许使用模型预测控制(MPC)的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说,沿着路径收集的信息取决于状态和观察历史。因此,仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG,这是一种综合信息运动规划算法,它考虑到:1)经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场,2)经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束,以及3)通过设置信息论规划视野的自动停止准则。仿真结果表明,SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 cs.RO
Towards Safe Autonomous Driving: A Real-Time Safeguarding Concept for Motion Planning Algorithms
Technical University of Munich(慕尼黑工业大学)
本文提出一种运动规划保障概念,通过引入时间保障监控规划输出的时间一致性,在实时操作系统上结合约束与成本指标评估轨迹,有效检测不安全轨迹,为运行时轨迹验证提供模块化框架。
2025-07-10 cs.RO
Task-Motion Planning for Safe and Efficient Urban Driving
SUNY Binghamton(纽约州立大学宾汉姆顿分校)
自动驾驶汽车需要在任务级别进行规划,以计算一系列符号动作,例如向左合并和向右转弯,以满足人们的服务请求,其中效率是主要关注的问题。与此同时,车辆必须计算连续的轨迹,以在运动级别执行动作,其中安全是最重要的。自动驾驶中的任务-运动规划面临着在保证运动级安全的同时最大化任务级效率的问题。为此,我们开发的算法任务-运动规划的城市驾驶(TMPUD),第一次,使任务和运动规划者沟通的安全水平的驾驶行为。TMPUD已使用现实的城市驾驶模拟平台进行了评估。结果表明,TMPUD在效率方面明显优于文献中的竞争基线,同时确保驾驶行为的安全性。
2020-10-13 cs.RO
Towards Safe Autonomous Driving: A Real-Time Motion Planning Algorithm on Embedded Hardware
Technical University of Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所(MIRMI))
本文提出一种在嵌入式硬件上实时运行的轻量级轨迹规划算法,用于提升自动驾驶系统在故障情况下的安全性和可靠性。
2026-01-07 cs.RO
Safe POMDP Online Planning among Dynamic Agents via Adaptive Conformal Prediction
School of Engineering and Applied Science, University of Virginia(弗吉尼亚大学工程与应用科学学院);University of Oxford(牛津大学)
针对多动态智能体环境下 POMDP 在线规划的安全问题,提出利用 ACP 量化轨迹预测不确定性并即时构建安全屏障,在真实行人数据实验中兼顾回报与概率安全保证。
2024-09-06 cs.RO
Motion Planning with Safety Constraints and High-Level Task Specifications
University of California, Merced(加州大学默塞德分校)
我们提出了一种方法来解决规划问题,涉及在不可预测的环境中的顺序决策,同时完成一个高层次的任务规范表示使用线性时序逻辑的形式主义。我们的方法通过引入修剪步骤来改进现有技术,该修剪步骤在保持正确性的同时显着减少计算最优策略所需的时间。我们的理论贡献是再加上模拟证实所提出的方法的价值。
2015-06-14 cs.RO
Enhancing Lattice-based Motion Planning with Introspective Learning and Reasoning
Linköping University(林雪平大学)
基于格的运动规划是一种混合规划方法,其中由离散动作同时组成的规划是物理上可行的轨迹。规划考虑离散和连续方面,例如动作先决条件和配置空间中的无冲突动作持续时间。安全运动规划依赖于用于碰撞检查的校准良好的安全裕度。轨迹跟踪控制器还必须能够在该安全裕度内可靠地执行运动,以便执行是安全的。在这项工作中,我们关注的是随着时间的推移对控制器性能的内省学习和推理。不同动作的正常控制器执行是使用可靠的和不确定性感知的机器学习技术来学习的。通过校正执行偏差,我们设法大大减少运动动作的安全裕度。进行推理以验证学习的模型保持安全,并通过使用具有较小安全裕度的更准确的执行预测来提高运动规划器中的碰撞检查有效性。所提出的方法允许在正常情况下控制器性能的明确意识,并在异常情况下及时检测不正确的性能。采用仿真方法对四轴飞行器的非线性动力学进行了三维评估。视频:https://youtu.be/STmZduvSUMM
2021-12-06 cs.AI cs.LG cs.RO
Probabilistically Safe Corridors to Guide Sampling-Based Motion Planning
Cornell Tech(康奈尔理工学院);University of Pennsylvania(宾夕法尼亚大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
在本文中,我们引入了一个新的概率安全的本地转向原语采样为基础的运动规划在复杂的高维配置空间。我们的本地转向过程是基于一个新的概念,凸概率安全走廊,构造周围的配置使用切线超平面的置信度椭球高斯混合模型从以前的碰撞历史。因此,我们建议扩展一个随机的运动规划图向一个样本目标使用其投影到概率安全走廊,有效地利用配置空间的局部几何形状选择适当的转向方向和适应转向步长。我们观察到,建议的本地转向过程产生有效的转向运动周围的困难区域的配置空间,如狭窄的通道,同时尽量减少碰撞的可能性。我们评估了建议的转向方法与随机运动规划器在一些规划方案,无论是在模拟和物理7自由度机械臂,证明了我们的安全指导本地规划器的有效性超过标准的直线规划器。
2019-01-01 cs.RO
Safe Interval Randomized Path Planning For Manipulators
FRC CSC RAS(俄罗斯科学院控制科学研究所);MIPT(莫斯科物理技术学院);AIRI(人工智能研究所)
针对高自由度机械臂在动态障碍环境下的三维路径规划难题,提出结合安全区间路径规划与RRT-Connect的SI-RRT规划器,在运行时间和解代价上均优于现有最优方法,且代码已开源。
2025-01-17 cs.RO
CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems
Jet Propulsion Laboratory(喷气推进实验室)
本文提出分层分布式 CaRT 框架,通过安全滤波器认证学习策略并由鲁棒滤波器跟踪安全轨迹,在确定性与随机扰动下保证多智能体非线性系统的安全及误差指数有界。
2023-08-13 cs.LG cs.MA cs.RO
Safe and Personalizable Logical Guidance for Trajectory Planning of Autonomous Driving
University of Science and Technology of China(中国科学技术大学)
本文提出逻辑引导层(LGL),通过场景推理与RSS模型,在高速公路自动驾驶中平衡安全、效率与用户偏好,实现形式化安全保证。
2024-05-22 cs.LO cs.RO
Risk-Aware Motion Planning with Learned Trajectory Primitives and Probabilistic Safety Assessment
本文提出由径向基函数网络指导的运动规划框架,结合RBFN候选轨迹生成、碰撞概率评估与轨迹优化,在城市驾驶场景中提升风险感知并减少车辆限制违规,确保安全与可解释性。
2026-07-30 cs.RO
Safe multi-agent motion planning under uncertainty for drones using filtered reinforcement learning
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室);Mitsubishi Electric Corporation(三菱电机株式会社)
本文提出一种结合强化学习与机会约束凸优化的多无人机运动规划方法,在不确定杂乱环境中以高概率保证安全避碰,且训练简单、可实时实施。
2023-10-31 cs.AI cs.LG cs.MA
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院);DJI(大疆创新)
面向自由空间的路线图通常会生成一系列凸几何图元,这些图元构成了运动规划的安全区域。然而,对于这种路线图,假设是静态环境。这一假设使其无法处理动态障碍,限制了其应用。在本文中,我们提出了一个动态的自由空间路线图,它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境,我们逐步将与障碍物相交的多面体分解为无障碍区域,同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明,我们的方法是实用和有效的。
2022-04-20 cs.RO
Safe Motion Planning and Control Using Predictive and Adaptive Barrier Methods for Autonomous Surface Vessels
SENSEable City Laboratory, Massachusetts Institute of Technology(麻省理工学院可感知城市实验室)
针对自主水面船舶传统运动规划方法计算量大或过于保守的问题,本文结合MPC与自适应膨胀椭圆障碍物表示的高阶CBFs,提出安全运动规划策略,经仿真与实船实验验证可在保障安全的同时实现狭窄空间实时通行与死锁解决。
2025-10-01 cs.RO
FaSTrack: a Modular Framework for Fast and Guaranteed Safe Motion Planning
University of California, Berkeley(加州大学伯克利分校)
动力系统快速安全地穿越先验未知的复杂环境对于自治系统的许多应用都是至关重要的。然而,自主系统的轨迹规划是计算密集型的,通常需要简化的动力学,牺牲安全性和动态可行性,以有效地规划。相反,可以使用更复杂的动态模型来计算安全轨迹,但这通常太慢而不能用于实时规划。我们提出了一个新的算法FaSTrack:快速和安全跟踪高维系统。使用简化动力学快速规划的路径或轨迹规划器可以并入FaSTrack框架,该框架为车辆提供安全控制器以及保证的跟踪误差范围。这个界限捕获了由于高维动力学和外部干扰而导致的所有可能的偏差。请注意,FaSTrack是模块化的,可用于大多数当前的路径或轨迹规划器。我们证明了这个框架使用10维非线性四旋翼模型跟踪从RRT规划器获得的3D路径。
2021-02-14 cs.RO
FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking
Simon Fraser University(西蒙菲莎大学);Princeton University(普林斯顿大学);University of Melbourne(墨尔本大学);California Institute of Technology(加州理工学院)
实时的【形】有保证的安全轨迹规划对于未知环境中的导航至关重要。然而,实时的【形】导航算法通常为了计算速度而牺牲鲁棒性。可替代地,可证明安全的轨迹规划对于实时的【形】重新规划而言往往是计算密集型的。我们提出了快速和安全的跟踪,一个框架,实现了实时的【形】重新规划和保证安全。在这个框架中,通过允许任何轨迹规划器使用系统的简化\textit{planning model}来实现实时的【形】计算。该计划由系统跟踪,由更真实、更高维的\textit{tracking model}表示。我们预先计算的跟踪误差界(TEB)由于两个模型之间的不匹配,由于外部干扰。我们还得到了相应的跟踪控制器用于停留在TEB。预先计算不需要环境的先验知识。我们使用Hamilton-Jacobi可达性进行预计算,并使用三种不同的跟踪规划模型对进行三种不同的实时的【形】轨迹规划。
2021-03-13 cs.RO math.OC
Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example
State Key Laboratory of Industrial Control Technology, Zhejiang University(浙江大学工业控制技术国家重点实验室);Professorship of Autonomous Vehicle Systems, Technical University of Munich(慕尼黑工业大学自主车辆系统教授职位)
提出一种结合预测安全滤波器的安全强化学习运动规划器,通过在线调整智能体动作确保自动驾驶漂移的安全与稳定,仿真显示其在跟踪误差和计算效率上优于传统方法。
2025-06-28 cs.RO
SAFE--MA--RRT: Multi-Agent Motion Planning with Data-Driven Safety Certificates
Department of Mechanical Engineering, Michigan State University(机械工程系,密歇根州立大学)
针对无显式模型的共享空间多智能体运动规划问题,提出SAFE--MA--RRT框架,通过数据驱动生成不变椭球安全证书,结合采样规划与时空预留表实现可证明安全的动态可行轨迹,仅用数据和凸优化即可完成多智能体同步安全规划。
2025-09-04 cs.LG cs.MA cs.RO
Safe Bubble Cover for Motion Planning on Distance Fields
University of California San Diego(加利福尼亚大学圣迭戈分校);University of Technology Sydney(悉尼科技大学)
研究距离场上无碰撞轨迹规划问题,提出基于safe bubbles的三种算法(BRM、RBG、EBG)并结合分层规划方法,相比传统基线显著降低成本与计算量。
2024-08-23 cs.RO
Trajectory Planning for Safe Dual Control with Active Exploration
Department of Robotics, University of Michigan(密歇根大学机器人学系);Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系)
本文研究了一种受预算约束的双控问题,通过整合鲁棒规划与主动探索,在保证安全性和预算可行性的同时,平衡即时任务性能与长期不确定性降低。
2026-11-18 cs.RO
SafeMove-RL: A Certifiable Reinforcement Learning Framework for Dynamic Motion Constraints in Trajectory Planning
Sino-German College of Intelligent Manufacturing, Shenzhen Technology University(深圳技术大学中德智能制造学院);Faculty of Science and Technology, University of Macau(澳门大学科技学院)
本研究提出名为SafeMove-RL的可认证强化学习框架,结合实时轨迹优化与自适应间隙分析,通过增强在线学习机制动态修正轨迹以保障安全,经多类评估及虚实平台验证,在成功率与计算效率上优于现有算法。
2025-05-19 cs.RO
NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
Department of Computer Science at Purdue University(普渡大学计算机科学系)
提出基于神经Hamilton-Jacobi可达性学习的方法,学习安全值函数以捕获最坏情况下的臂间安全约束,并开发分散式轨迹优化框架,实现可扩展、数据高效的多臂运动规划。
2026-07-03 cs.RO