SCRAMPPI: Contingency-Constrained Planning using Hamilton-Jacobi Reachability
Northeastern University（东北大学）
本文提出SCRAMPPI算法，通过哈密顿-雅可比可达性分析实现移动机器人导航中的应急规划，结合采样基于规划器（MPPI）提升采样效率，实现实时生成主计划和应急计划。
2026-09-22 cs.RO
Fast Path Planning for Autonomous Vehicle Parking with Safety-Guarantee using Hamilton-Jacobi Reachability
State Key Laboratory of Industrial Control Technology, Institute of Cyber-Systems（工业控制技术国家重点实验室，网络系统研究所）
本文提出基于Hamilton-Jacobi的双向A*算法，通过高阶可达性分析与低阶双向A*搜索结合，解决复杂停车场景，实现快速且安全的路径规划。
2026-03-22 cs.RO
ReachVox: Clutter-free Reachability Visualization for Robot Motion Planning in Virtual Reality
Coburg University of Applied Sciences and Arts（科堡应用科学与艺术大学）；University of Birmingham（伯明翰大学）；University of Cambridge（剑桥大学）
本文提出ReachVox极简可达性可视化方法，通过20人用户研究证明其在VR远程人机协作中优于基于点的可达性检查。
2025-08-15 cs.HC cs.RO
Game-Theoretic Safe Multi-Agent Motion Planning with Reachability Analysis for Dynamic and Uncertain Environments (Extended Version)
Department of Electrical and Computer Engineering, National University of Singapore（国立新加坡大学电气与计算机工程系）；Department of Control Science and Engineering, Shanghai Institute of Intelligent Science and Technology（上海智能科学与技术研究院控制科学与工程系）
针对动态不确定环境下多智能体运动规划的安全鲁棒性与可扩展性挑战，提出RE-DPG框架，结合博弈论协调与可达性分析，通过ND-iBR方案实现去中心化执行，集成MA-FRS确保安全，经实验验证有效性。
2025-11-15 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
KCFRC: Kinematic Collision-Aware Foothold Reachability Criteria for Legged Locomotion
State Key Laboratory of Robotics and Systems, Harbin Institute of Technology（机器人系统国家重点实验室，哈尔滨工业大学）
KCFRC通过高效脚部可达性分析提升腿部机器人在复杂环境中的适应性和鲁棒性。
2026-02-24 cs.RO
Parallel Differentiable Reachability for Learning and Planning with Certified Neural Dynamics and Controllers
MIT（麻省理工学院）
提出一种基于JAX的并行可微可达性框架，结合泰勒模型流形构建与CROWN线性界传播，支持GPU批处理和自动微分，并用于认证训练和可达性感知的MPC，在非抓取操作和四旋翼任务中实现在线规划与有界不确定性下的认证可达集过近似。
2026-05-25 cs.AI cs.LG cs.RO
RL-RRT: Kinodynamic Motion Planning via Learning Reachability Estimators from RL Policies
Google AI（谷歌人工智能）；University of New Mexico（新墨西哥大学）
本文解决了基于采样的Kinodynamic运动规划面临的两个挑战：一种方法来确定良好的候选状态的局部过渡和随后的计算棘手的转向这些候选状态之间。通过结合基于采样的规划，快速探索随机树（RRT）和一个有效的Kinodynamic运动规划器通过机器学习，我们提出了一个有效的解决方案，长期规划Kinodynamic运动规划。首先，我们使用深度强化学习来学习避障策略，该策略将机器人的传感器观察映射到动作，该动作在规划期间用作本地规划器，在执行期间用作控制器。其次，我们训练可达性估计在监督的方式，预测RL政策的时间，以达到一个状态的存在障碍。最后，我们引入RL-RRT，它使用RL策略作为局部规划器，并将可达性估计器作为距离函数，以使树的生长偏向有希望的区域。我们评估我们的方法对三个kinodynamic系统，包括物理机器人实验。在所有三个机器人测试的结果表明，RL-RRT优于最先进的kinodynamic规划的效率，也提供了一个更短的路径完成时间比转向功能免费的方法。学习的本地规划器策略和伴随的可达性估计器展示了到先前看不见的实验环境的可转移性，使得RL-RRT快速，因为昂贵的计算被简单的神经网络推理取代。视频：https://youtu.be/dDMVMTOI8KY
2019-07-12 cs.AI cs.LG cs.RO
Hierarchical Motion Planning and Control under Unknown Nonlinear Dynamics via Predicted Reachability
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出一种分层规划-控制框架，通过分步逼近未知非线性系统，利用可达性理论和预测可达性条件保证运动规划的正式可达性。
2026-03-31 cs.RO cs.SY eess.SY
Online, Reachability-Aware, Sampling-Based Motion Planning
本文提出一种在线可达性感知的基于采样的运动规划方法，通过快速区间流水线计算可达集超近似，在无需预计算下达到先进性能，并显著降低安全违规。
2026-09-09 cs.RO cs.SY eess.SY
Motion Planning with Metric Temporal Logic Using Reachability Analysis and Hybrid Zonotopes
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出了一种基于可达性分析和混合容积集的运动规划方法，用于满足时间依赖任务需求，展示了其在处理动态环境和多智能体协调方面的优势。
2026-01-30 cs.RO cs.SY eess.SY
Motion Planning and Control with Unknown Nonlinear Dynamics through Predicted Reachability
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对未知非线性动力学下的自主运动规划挑战，提出一种混合规划-控制框架，通过状态空间划分与PWA系统抽象构建有向加权图，结合系统辨识与预测可达性在线更新图并合成控制器，有效实现了目标轨迹规划。
2025-03-05 cs.RO cs.SY eess.SY
PRISM: Efficient and Locally Optimal Probabilistic Planning with Reachability Guarantees
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）；Draper
提出PRISM算法，通过将信念空间规划分解为确定性均值规划和协方差收缩，并引入在线局部优化，在满足状态和控制约束下实现高覆盖率和低成本，同时提供可达性保证。
2026-06-26 cs.RO cs.SY eess.SY
General Optimization Framework for Recurrent Reachability Objectives
Masaryk University（马萨里克大学）
本文研究了一类循环可达性目标下的移动机器人路径规划问题。这些目标通过从一个位置访问另一个位置所需的预期时间、该时间的预期平方以及两个相邻位置之间的移动频率来参数化。我们设计了一个有效的策略合成算法，经常性的可达性目标，并证明其功能的非平凡的情况下。
2022-05-27 cs.GT cs.RO
iDRM: Humanoid Motion Planning with Real-Time End-Pose Selection in Complex Environments
University of Edinburgh（爱丁堡大学）
在本文中，我们提出了一种新的逆动态可达性地图（iDRM），允许浮动基础系统找到有效的最终姿态在复杂和动态变化的环境中，在实时的【形】。末端位姿规划是一个重要的问题，有效的立场姿态和无碰撞配置的人形应用，如提供目标状态的步行和运动规划。然而，这在复杂的环境中是不平凡的，其中站立位置和到达姿势受到障碍物的限制。我们提出的iDRM自定义的机器人到工作空间的占用列表，并使用在线更新算法，使有效的可达性地图的重建，以保证所选择的最终姿态总是无碰撞。iDRM在各种达到任务中使用38自由度（DoF）的人形机器人Valkyrie进行了评估。我们的研究结果表明，该方法是能够找到有效的结束姿势在一秒钟的一小部分。值得注意的是，我们还证明，运动规划算法集成我们的最终姿态规划方法比那些不利用这种技术更有效。
2016-07-28 cs.RO
Reachability-based Trajectory Design via Exact Formulation of Implicit Neural Signed Distance Functions
University of Michigan（密歇根大学）
提出REDEFINED算法，结合离线可达性分析与在线神经隐式符号距离计算，实现实时滚动时域轨迹规划，确保复杂环境下的安全避碰。
2024-03-18 cs.RO
Manifold-constrained Hamilton-Jacobi Reachability Learning for Decentralized Multi-Agent Motion Planning
Purdue University（普渡大学）
提出流形约束的 HJR 学习框架，通过求解流形约束下的 HJR 问题获取任务感知安全条件，并集成到去中心化轨迹优化规划器中，实现安全且任务可行的多智能体运动规划。
2026-07-02 cs.RO cs.SY eess.SY
Path planning for unmanned surface vehicle based on predictive artificial potential field. International Journal of Advanced Robotic Systems
Beihang University（北京航空航天大学）
本文提出一种结合时间信息和预测势场的改进方法，用于提升无人水面车辆路径规划的效率和避障能力。
2026-02-22 cs.RO
Planning with Learned Dynamics: Probabilistic Guarantees on Safety and Reachability via Lipschitz Constants
University of Michigan（密歇根大学）
我们提出了一种方法，反馈运动规划系统的未知动态提供概率保证的安全性，可达性和目标稳定性。为了找到一个域，在这个域中，可以信任真实动态的学习控制仿射近似，我们估计真实动态和学习动态之间的差异的Lipschitz常数，并确保估计在给定的概率下是有效的。提供的系统至少有尽可能多的控制状态，我们还推导出存在条件的一步反馈法，可以保持真正的系统在一个小范围内的标称轨迹规划与学习动态。我们的方法将反馈律的存在作为基于采样的规划器中的约束，该规划器返回围绕标称规划的反馈策略，确保如果Lipschitz常数估计有效，则真实系统在计划执行期间是安全的，达到目标，并且最终在关于目标的小集合中是不变的。我们通过使用6D四旋翼和7DOF Kuka臂的学习模型进行规划来演示我们的方法。我们表明，使用相同的学习动力学进行规划而不考虑误差范围或反馈法的存在的基线可能无法稳定在计划周围并变得不安全。
2021-10-19 cs.LG cs.RO cs.SY
Opportunistic Qualitative Planning in Stochastic Systems with Incomplete Preferences over Reachability Objectives
University of Florida（佛罗里达大学）
当不能同时满足所有约束时，偏好在确定要满足哪些目标/约束方面起着关键作用。在本文中，我们研究如何合成的偏好满足计划的随机系统，建模为MDP，给定一个（可能不完全）组合偏好模型的时间扩展的目标。我们首先引入新的语义来解释偏好的随机系统的无限播放。然后，我们引入了一个新的概念的改进，使两个前缀之间的比较无限发挥。在此基础上，我们定义了两个解决方案的概念，称为安全和积极改善（SPI）和安全和几乎肯定改善（SASI），执行改进的积极概率和概率分别为1。我们构建了一个称为改进MDP的模型，在该模型中，保证至少有一个改进的SPI和SASI策略的合成减少到计算MDP中的积极和几乎肯定获胜的策略。我们提出了一个算法来合成SPI和SASI策略，诱导多个顺序的改进。我们证明了所提出的方法使用机器人运动规划问题。
2022-10-04 cs.AI cs.GT cs.RO
Technical Report: A Hierarchical Deliberative-Reactive System Architecture for Task and Motion Planning in Partially Known Environments
Computer Science and Artificial Intelligence Laboratory (CSAIL), MIT（麻省理工学院计算机科学与人工智能实验室（CSAIL））；Tagup, Inc.（Tagup公司）；GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
我们描述了一个高度动态系统的任务和运动规划架构，它结合了一个域独立的基于采样的慎思规划算法与全球反应规划。我们利用最近开发的一种反应式矢量场规划器，该规划器即使在面对未知或不可预见的障碍物时也能保证环境的大区域的可达性。可达性保证可以使用合同形式化，该合同允许审慎计划者纯粹根据这些合同进行推理，并通过选择一系列反应行为及其目标配置来合成计划，而无需评估目标之间的特定运动计划。这既减少了找到计划的搜索深度，又减少了确保计划存在所需的样本数量，同时关键地保持了正确性保证。其结果是降低了合成计划的计算成本，并增加了所生成的计划对致动器噪声、模型误指定或未知障碍物的鲁棒性。仿真研究表明，我们的层次规划和执行架构，可以解决复杂的导航和重排任务，即使面对狭窄的通道或不完整的世界信息。
2022-02-03 cs.RO
Density Planner: Minimizing Collision Risk in Motion Planning with Dynamic Obstacles using Density-based Reachability
Technical University of Munich（慕尼黑工业大学）；Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）
本文提出密度规划器，利用神经网络与Liouville方程学习不确定系统密度演化，通过梯度优化最小化碰撞风险，在动态障碍物环境中实现比模型预测控制快100倍的在线规划。
2023-02-27 cs.RO cs.SY eess.SY
Dynamic Grasping with Reachability and Motion Awareness
Columbia University（哥伦比亚大学）
在动态环境中抓取提出了一系列独特的挑战。当目标物体移动时，稳定的和可达的抓取可能变得不可达和不稳定，运动规划需要是自适应的，并且是实时的，计算中的延迟使得预测成为必要。在本文中，我们提出了一个动态抓取框架，是可达性感知和运动感知。具体来说，我们使用一个有符号的距离场，使我们能够快速筛选无法到达的把握机器人的可达性空间建模。此外，我们训练一个神经网络来预测抓取质量的目标的当前运动的条件。使用这些作为排名功能，我们快速过滤一个大的把握数据库中的几个把握在实时的。此外，我们提出了一种播种方法，利用解决方案，从以前的时间步手臂运动生成。这将快速生成一个新的手臂轨迹，该轨迹接近于先前的计划并防止波动。我们实现了一个经常性的神经网络（RNN）的建模和预测对象的运动。我们广泛的实验证明了这些组件中每个组件的重要性，并在真实机器人上验证了我们的管道。
2021-03-18 cs.RO
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University（斯坦福大学）；Simon Fraser University（西蒙弗雷泽大学）
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而，最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器，其作用是确保与外部控制的（例如，人驱动的）对应物，同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时（100 Hz）控制器，该控制器具有双重作用：（i）使用模型预测控制从更高级别的规划算法跟踪输入轨迹，以及（ii）通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性，而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验，其中两辆车，最初并排，必须在有限的时间和距离内交换车道，模拟汽车合并到/关闭高速公路。我们证明，通过我们的控制堆栈，自动驾驶汽车能够避免碰撞，即使另一辆车违背规划者的期望并采取危险行动，无论是不小心还是有意碰撞，否则偏离计划轨迹的程度最小，以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
Robust-RRT: Probabilistically-Complete Motion Planning for Uncertain Nonlinear Systems
Stanford University（斯坦福大学）；Technion（以色列理工学院）
鲁棒运动规划需要计算在所有可能的不确定性实现下都是安全的全局运动计划，无论是在系统动态中，机器人的初始位置，还是相对于外部干扰。目前的鲁棒运动规划方法要么缺乏理论保证，要么对系统动力学和不确定性分布进行限制性假设。在本文中，我们提出了强大的快速探索随机树（Robust-RRT）算法，该算法将前向可达性分析直接集成到基于采样的控制轨迹合成，以解决这些限制。我们证明了Robust-RRT是概率完备的（PC）的非线性Lipschitz连续动力系统的有界不确定性。换句话说，Robust-RRT最终找到在所有可能的不确定性实现下可行的鲁棒运动计划，假设存在这样的计划。我们的分析甚至适用于不稳定的系统，只承认短期可行的计划，这是因为我们明确考虑可达集沿控制轨迹的时间演化。由于在我们的分析中明确考虑了时间依赖性，PC适用于不稳定系统。据我们所知，这是最普遍的PC证明鲁棒采样为基础的运动规划，在类型的不确定性和动力系统，它可以处理。考虑到可达集的精确计算对于某些动力系统来说可能是计算昂贵的，我们将基于采样的可达性分析纳入Robust-RRT中，并在非线性、欠驱动和混合动力系统上展示了我们的鲁棒规划器。
2022-11-01 cs.RO
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics（航空与航天系）；Department of Mechanical Engineering（机械工程系）；School of Computing Science（计算科学学院）
本文提出一种最小干预的安全控制器，用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互，通过实时控制器实现轨迹跟踪和安全保证，展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
RAKOMO: Reachability-Aware K-Order Markov Path Optimization for Quadrupedal Loco-Manipulation
Dynamic Legged Systems Lab, Istituto Italiano di Tecnologia (IIT)（动态腿系统实验室，意大利技术研究院）；Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所）
本文提出 RAKOMO，将神经网络预测的可达性裕度纳入 KOMO，使梯度规划适配四足移动操作，并在 HyQReal 拾取放置仿真中验证其性能。
2025-07-25 cs.RO cs.SY eess.SY
TIE: Time-Informed Exploration For Robot Motion Planning
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）
基于任意时间采样的方法是解决Kino-dynamic运动规划问题的一种有吸引力的技术。这些算法可以很好地扩展到更高的维度，并可以有效地处理状态和控制约束。然而，需要一个智能的探索策略来加速它们的收敛并避免冗余计算。利用可达性分析的思想，本文定义了一个“时间信息集”，即在找到初始解后，集中搜索时间最优的Kino-dynamic规划，这样的时间信息集（TIS）包括所有可能改善当前最佳解的轨迹，因此在这个集合之外的探索是多余的。基准实验表明，基于TIS的探索策略可以加速基于采样的Kino-dynamic运动规划器的收敛。
2021-03-05 cs.RO
Lazy Rearrangement Planning in Confined Spaces
Rutgers University, The State University of New Jersey（罗格斯大学，新泽西州立大学）
对象重排对于许多应用是重要的，但仍然具有挑战性，特别是在诸如货架的有限空间中，其中对象不能从上方访问并且它们阻碍彼此的可达性。这样的约束需要许多运动规划和碰撞检查调用，这在计算上是昂贵的。此外，排列空间随着对象的数量呈指数增长。为了解决这些问题，这项工作引入了一个懒惰的评价框架，局部单调求解器和全局规划器。单调实例是那些可以通过移动每个对象最多一次来解决的实例。一个关键的见解是，在对象的开始和目标的把握可达性约束可以快速揭示对象之间的依赖关系，而不必执行昂贵的运动规划查询。考虑到这一点，局部求解器会延迟地构建一个搜索树，该搜索树遵守这些可达性约束，而不验证臂路径是否无冲突。该框架只在找到有希望的解时进行碰撞检查，如果没有找到单调解，非单调规划器加载惰性搜索树，并探索如何将对象移动到中间位置，从那里可以找到目标的单调解。结果表明，该框架可以解决最多16个对象的受限空间中的困难实例，这是最先进的方法无法解决的。当替代方案找到解决方案时，它也比替代方案更快地解决问题。它还实现了高质量的解决方案，即，对于非单调实例，平均仅需要1.8个附加动作。
2022-10-12 cs.AI cs.RO
Multi-Robot Motion Planning from Vision and Language using Heat-Inspired Diffusion
Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院）；School of Mechanical Engineering, Yonsei University（燕山大学机械工程学院）
提出LHD框架，结合CLIP语义先验与碰撞避免扩散核，实现语言条件化的多机器人无碰撞轨迹规划，在成功率上优于先前方法并降低延迟。
2026-06-16 cs.RO
REFINE: Reachability-based Trajectory Design using Robust Feedback Linearization and Zonotopes
University of Michigan（密歇根大学）；University of Pennsylvania（宾夕法尼亚大学）；Ford Motor Company（福特汽车公司）
为自动驾驶车辆执行实时后退水平运动规划，同时提供安全保证仍然很困难。这是因为现有的方法，以准确地预测自我车辆的行为下选择的控制器使用在线数值积分，需要一个精细的时间离散化，从而不利地影响实时性能。为了解决这个问题，最近的几篇论文提出了应用离线可达性分析来保守地预测自我车辆的行为。这个可达集可以通过利用一个简化的模型来构造，该模型的行为被假定为先验保守地约束全阶模型的动态。然而，保证满足这个假设是具有挑战性的。本文提出了一个名为REFINE的框架，以克服这些现有方法的局限性。REFINE利用参数化的鲁棒控制器，即使在存在建模误差的情况下，也可以部分线性化车辆动力学。然后对闭环全阶车辆动力学进行基于层位的可达性分析，计算相应的控制参数化过近似前向可达集（FRS）。由于对全阶模型进行了可达性分析，避免了使用简化模型可能带来的保守性。然后，在优化框架中在线使用预先计算的控制参数化FRS，以确保安全性。所提出的方法相比，几个国家的最先进的方法在基于仿真的评估全尺寸的车辆模型，并评估1/10赛车机器人在真正的硬件测试。与现有的方法相比，REFINE被证明能够使车辆安全地通过复杂的环境。
2022-11-22 cs.RO
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
Streamlines for Motion Planning in Underwater Currents
University of Technology Sydney（悉尼科技大学）；Defence Science and Technology Group, Department of Defence（澳大利亚国防部国防科学与技术集团）
水下机器人的运动规划必须考虑海流的影响。我们提出了一种有效的方法来计算采样点之间的可达性和成本的采样为基础的运动规划，支持远程规划超过数百公里的复杂流。其思想是搜索由流函数组成的控制输入的缩减空间，流函数的水平集或流线最优地连接两个给定点。这种流函数是通过将控制输入叠加到底层电流上来生成的。流线表示车辆在给定控制输入的情况下被电流携带时将遵循的结果路径。我们提供了严格的分析，表明我们的方法如何避免穷举搜索的控制空间，并演示了模拟的例子，在复杂的流动，包括穿越澳大利亚东海岸，使用实际的电流预测，悉尼和布里斯班之间。
2019-01-28 cs.RO
Sampling-based Reachability Analysis: A Random Set Theory Approach with Adversarial Sampling
Stanford University（斯坦福大学）
可达性分析是许多应用的核心，从神经网络验证到不确定系统的安全轨迹规划。然而，这个问题是众所周知的挑战性，目前的方法往往是过于限制，过于缓慢，过于保守，或近似，因此缺乏保证。在本文中，我们提出了一个简单而有效的基于采样的方法来执行可达性分析的任意动力系统。我们的关键新的想法包括使用随机集理论给出了严格的解释我们的方法，并证明它返回的集合，保证收敛到凸壳的真正的可达集。此外，我们利用最近在鲁棒深度学习方面的工作，提出了一种新的对抗性采样方法来增强我们的算法并加速其收敛。我们证明了我们的方法是更快，更少的保守性比以前的工作，目前的结果近似可达性分析的神经网络和鲁棒轨迹优化的高维不确定非线性系统，并讨论了未来的应用。
2020-11-08 cs.RO cs.SY eess.SY
SL1M: Sparse L1-norm Minimization for contact planning on uneven terrain
The University of Edinburgh（爱丁堡大学）；Ewha Womans University（梨花女子大学）；LAAS-CNRS（法国国家科学研究中心分析与系统结构实验室）；Université de Toulouse（图卢兹大学）；University of Trento（特伦托大学）
在复杂环境中规划腿运动的主要挑战之一是组合接触选择问题。最近的贡献建议使用整数变量来表示选择的接触面，然后依靠现代的混合整数（MI）优化求解器来处理这个组合问题。为了减少MI的计算成本，我们利用L1范数最小化技术的稀疏性，放松接触规划问题成一个可行的线性规划。我们的方法考虑了质心（COM）和接触效应器的运动学可达性。我们确保存在一个准静态COM轨迹限制我们的计划准平面接触。对于规划10个步骤，每个阶段的潜在接触面少于10个，我们的方法比MI方法快50到100倍，这表明在线接触重新规划的潜在应用。该方法在仿真中证明了与人形机器人HRP-2和Talos在各种情况下。
2019-09-19 cs.RO
Estimation and Adaption of Indoor Ego Airflow Disturbance with Application to Quadrotor Trajectory Planning
Hong Kong University of Science and Technology（香港科技大学）
普遍认为，在四旋翼无人机（最广泛采用的无人机（UAV）之一）的自主导航过程中，安全始终具有最高优先级。然而，据观察，自我气流扰动在飞行期间可能是一个显著的不利因素，导致潜在的安全问题，特别是在狭窄和密闭的室内环境中。因此，我们提出了一种新的方法来估计和适应室内自我气流干扰的四旋翼，同时将其应用到轨迹规划。首先，针对邻近效应，对不同四旋翼进行了悬停实验。然后，与收集的加速度方差，干扰建模的四旋翼根据所提出的配方。在悬停条件下，在不同的重建的复杂环境的干扰模型也进行了验证。此外，根据估计的扰动进行Hamilton-Jacobi可达性分析的近似，以便于安全的轨迹规划，包括运动动力学路径搜索和B样条轨迹优化。整个规划框架在不同室内环境下的多个四旋翼平台上进行了验证。
2021-09-10 cs.RO
Bounded Policy Synthesis for POMDPs with Safe-Reachability Objectives
Rice University（莱斯大学）
在不确定性下规划鲁棒执行是构建自主机器人的基本挑战。部分可观测马尔可夫决策过程（POMDP）为许多应用中的不确定性建模提供了一个标准框架。在这项工作中，我们研究POMDPs的安全可达性的目标，这需要一个概率高于一定的阈值，最终达到一个目标状态，同时保持访问不安全状态的概率低于一定的阈值。这POMDP制定是不同于传统的POMDP模型的最优性目标，我们表明，在某些情况下，安全可达性目标的POMDP可以提供更好的保证安全性和可达性比现有的POMDP模型通过一个例子。POMDP的一个关键算法问题是策略综合，这需要在一个巨大的信念空间（概率分布）上进行推理。为了解决这一挑战，我们引入了一个目标约束的信念空间的概念，其中只包含信念可达到的初始信念下所需的执行，可以实现给定的安全可达性目标。我们的方法competently表示这个空间在一个有界的地平线上使用符号约束，并采用增量可满足性模理论（SMT）求解器，有效地搜索一个有效的policy.We评估我们的方法使用的案例研究，涉及部分可观察的机器人领域与不确定的障碍。结果表明，我们的方法可以合成政策在大的信念空间与少量的SMT求解器调用集中在目标约束的信念空间。
2018-05-09 cs.AI cs.RO
FFRob: Leveraging Symbolic Planning for Efficient Task and Motion Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
由于混合配置空间的高维性和多模态性，涉及多个对象的移动操作问题的求解具有挑战性。执行纯几何搜索的planet在解决这些问题时非常慢，因为它们无法分解配置空间。符号任务规划器可以有效地构建涉及许多变量的计划，但不能表示操作所需的几何和运动约束。我们提出了解决任务和运动规划问题的FFRob算法。首先，我们引入扩展动作规范（EAS）作为一个通用的规划表示，支持任意谓词作为条件。我们适应现有的启发式搜索思想解决\proc{strips}规划问题，特别是删除松弛，解决EAS问题的实例。然后，我们将EAS表示和规划者的操作问题，导致FFRob。FFRob迭代离散任务和运动规划问题，使用批量采样的操作原语和多查询路线图结构，可以条件化，以评估可移动物体的不同放置下的可达性。这种结构使EAS规划者能够有效地计算包含几何和运动规划约束的几何学，以给出到目标的距离的严格估计。此外，我们表明FFRob是概率完整的，并有有限的预期运行时间。最后，我们实证证明FFRob的有效性，复杂和多样化的任务和运动规划任务，包括重排规划和可移动物体之间的导航。
2017-12-01 cs.RO
Accelerating Signal-Temporal-Logic-Based Task and Motion Planning of Bipedal Navigation using Benders Decomposition
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）
针对双足导航中信号时序逻辑约束下任务与运动规划的NP难及非凸约束加剧的计算复杂度问题，提出基于Benders分解的迭代割平面方法，将问题划分为主问题与子问题，实验证明其规划速度快于其他算法。
2025-08-20 cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University（克莱姆森大学）；Air Force Research Laboratory（美国空军研究实验室）
机器人符号运动规划是在离散空间中指定和规划机器人任务，然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展，但仍存在许多挑战，包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中，分布式符号运动规划的多机器人系统的发展，以解决可扩展性。更具体地说，组合推理方法的发展，以分解的全局规划问题，原子命题的观察，通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性，一个动态的，定量的，和概率的人对机器人的信任模型的开发，以帮助这种分解。此外，提出了一种基于信任的实时切换框架，用于在自主和手动运动规划之间切换，以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估，证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
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
External Forces Resilient Safe Motion Planning for Quadrotor
Zhejiang University（浙江大学）；University of Pennsylvania（宾夕法尼亚大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
对于复杂未知环境中的四旋翼飞行器，在不需要外界干扰先验知识的情况下进行自适应自主导航具有重要意义。考虑外部干扰的主流方法是实现干扰抑制控制和路径跟踪。然而，鲁棒控制，以补偿跟踪偏差没有很好地考虑到能源消耗，甚至参考路径将成为危险和棘手的干扰。随着最近外力估计的发展，可以结合实时力估计器来开发更强大和安全的规划框架。本文提出了一个系统的（重新）规划框架，可以弹性地产生安全的轨迹在动荡的条件下。首先，前端Kinodynamic路径搜索力偏置运动基元。然后，我们开发了一个非线性模型预测控制（NMPC）作为一个本地规划器与哈密尔顿-雅可比（HJ）前向可达性分析的误差动态外力。它保证避免碰撞的约束椭球的四旋翼机构扩展的前向可达集（FRS）内的安全凸多面体。我们的方法在模拟和现实世界的实验与不同的外力来源进行了验证。
2021-09-29 cs.RO
Reachability-based Trajectory Safeguard (RTS): A Safe and Fast Reinforcement Learning Safety Layer for Continuous Control
School of Mechanical Engineering, University of Michigan（密歇根大学机械工程学院）；Robotics Institute, University of Michigan（密歇根大学机器人研究所）；Stanford University（斯坦福大学）
强化学习（RL）算法在决策和控制任务中取得了显着的性能，因为它们能够使用试错来推理长期累积的奖励。然而，在RL训练期间，将这种试错方法应用于在安全关键环境中操作的真实世界机器人可能会导致碰撞。为了应对这一挑战，本文提出了一种基于可达性的轨迹保障（RTS），它利用可达性分析，以确保在训练和操作过程中的安全。给定一个已知的（但不确定的）模型的机器人，RTS预先计算的机器人跟踪一个连续的参数化轨迹的前向可达集。在运行时，RL代理以滚动时域的方式从这个连续体中进行选择以控制机器人; FRS用于识别代理的选择是否安全，并调整不安全的选择。三个非线性机器人模型，包括一个12-D四旋翼无人机，在仿真和比较国家的最先进的安全运动规划方法，说明了这种方法的有效性。
2021-03-02 cs.RO cs.SY eess.SY
Humanoid Loco-manipulation Planning based on Graph Search and Reachability Maps
CNRS-AIST JRL (Joint Robotics Laboratory)（CNRS-AIST联合机器人实验室）；IRL（机器人研究所）；National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院）
提出一种基于图搜索和可达性地图的人形机器人移动操作规划方法，将脚步与抓取的交替排序构建为图搜索问题，并通过重新定位和切换可达性地图快速评估转移模型，实现自主物体运输与操作。
2025-05-29 cs.RO
Learning What Can Be Picked: Active Reachability Estimation for Efficient Robotic Fruit Harvesting
Washington State University（华盛顿州立大学）
本文提出一种结合RGB-D感知与主动学习的方法，用于高效判断水果可达性，减少标注工作量并提高预测精度，实验表明在低标注情况下，熵和边距采样效果最佳。
2026-05-12 cs.AI cs.RO
Safe Reinforcement Learning Using Black-Box Reachability Analysis
Ain Shams University（艾因沙姆斯大学）；Jacobs University（雅各布大学）；Stanford University（斯坦福大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
强化学习（Reinforcement learning，RL）能够在不确定环境中对机器人进行复杂的运动规划和控制。然而，最先进的深度RL方法通常缺乏安全保证，特别是当机器人和环境模型未知时。为了证明广泛部署的合理性，机器人必须在不牺牲性能的情况下遵守安全约束。因此，我们提出了一个基于黑盒可达性的安全层（BRSL）有三个主要组成部分：（1）数据驱动的可达性分析的黑盒机器人模型，（2）一个轨迹推出规划器，预测未来的行动和观察使用的合奏在线训练的神经网络，和（3）可达集和障碍物之间的可微多面体碰撞检查，使纠正不安全的行动。在模拟中，BRSL在Turtlebot 3，四旋翼，跟踪点质量和风中的六旋翼上优于其他最先进的安全RL方法，其中不安全的集合邻近最高奖励的区域。
2022-11-21 cs.LG cs.RO cs.SY
Complete Motion Planning using Workspace-Fibered Decomposition for nR-Planar Manipulator
Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心）
针对杂乱环境中nR平面冗余机械手的运动规划问题，提出工作空间纤维分解框架，通过递归提升低维子链可达工作空间简化规划，实验显示其可保留无碰撞连通性并降低碰撞检测复杂度。
2026-08-04 cs.RO
Monte-Carlo Tree Search with Prioritized Node Expansion for Multi-Goal Task Planning
Schaeffler Hub for Advanced Research at NTU（南洋理工大学舍弗勒高级研究中心）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）
针对多子目标机器人符号任务规划计算复杂度高的问题，提出带优先节点扩展的蒙特卡洛树搜索规划器，结合动作约简，可高效处理多子目标任务并在真实工业场景验证。
2023-07-24 cs.RO
Safe Planning for Self-Driving Via Adaptive Constrained ILQR
Carnegie Mellon University（卡内基梅隆大学）；Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）
约束迭代线性二次型调节器（CILQR）是ILQR的一种变体，近年来被提出用于自主车辆的运动规划问题，以处理诸如避障和参考跟踪等约束。然而，以前的工作考虑确定性轨迹或持续预测目标动态障碍物。另一个缺点是缺乏通用性-它需要针对不同场景进行手动权重调整。在本文中，实现了两个重大的改进。首先，提出了一种两阶段的不确定性感知预测。基于可达性分析的有安全保障的短期预测，负责处理目标车辆的极端机动。利用自适应最小二乘滤波器的长期预测保持了规划轨迹的长期最优性，因为仅将可达性用于长期预测过于悲观，并且使规划器过于保守。其次，为了更广泛地覆盖不同的场景，避免繁琐的参数调整的情况下，本文设计了一个基于神经网络的分析函数，从自我车辆和目标车辆的状态作为输入，并携带一个成本函数的权重作为输出。它允许自我车辆在单个规划器下执行多个行为（如车道保持和超车）。我们证明了安全性，有效性和实时性能的建议计划在模拟。
2020-03-05 cs.RO cs.SY eess.SY
Search-based Path Planning for a High Dimensional Manipulator in Cluttered Environments Using Optimization-based Primitives
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Heavy Industries（三菱重工）
在这项工作中，我们解决了路径规划问题的21维蛇机器人一样的机械手，导航杂乱的燃气轮机检查的目的。基于启发式搜索的方法是常见操作域的有效规划策略。然而，它们在高维系统上的性能在很大程度上依赖于动作空间的有效性和所选择的算法。我们的系统的复杂性，可达性的限制，和高度混乱的涡轮机环境，使天真的行动空间和战术选择无效。在这个程度上，我们已经开发了i）一种基于在线优化动态生成动作的方法，该方法帮助机器人在狭窄的空间中导航，ii）一种用于惰性地生成这些计算上昂贵的优化动作以有效地利用资源的技术，以及iii）推理机器人工作空间中的涡轮机的叶片引起的同伦类的算法，以及多-启发式框架，引导沿着相关类进行搜索。我们的贡献的影响是通过模拟实验研究，其中21自由度机械手导航到检查区域内的涡轮机。
2021-07-06 cs.RO
CASSR: Continuous A-Star Search through Reachability for real time footstep planning
State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）；University of Edinburgh（爱丁堡大学）
CASSR通过连续A*搜索结合EPA启发式方法，实现双足机器人高效实时步态规划，性能优于传统A*和MIP求解器。
2026-03-04 cs.RO
Integrated Hierarchical Decision-Making in Inverse Kinematic Planning and Control
University of Cambridge（剑桥大学）
本文提出一种高效的非线性规划框架，整合分层决策与全身逆运动学规划控制，解决逆运动学规划中同时选择端效应器位置的问题。
2026-06-06 cs.RO
Learning suction graspability considering grasp quality and robot reachability for bin-picking
本文针对料箱拣选提出直观的几何抓取质量指标与可达性指标，并训练 SG-U-Net++ 同时预测像素级抓取质量与可达性，实现 560 PPH 拣选速度。
2021-11-04 cs.LG cs.RO
Reachability Map for Diverse Balancing Strategies and Energy Efficient Stepping of Humanoids
University of Edinburgh（爱丁堡大学）
在腿式运动中，不同步态行为与能量消耗之间的关系必须考虑全身动力学和机器人控制作为一个整体，这不能通过简单的模型来捕捉。本研究将机器人动力学与全身最优控制视为一耦合系统，探讨平衡恢复时的能量消耗。我们开发了一个用于动态步进的2阶段非线性优化管道，该管道生成显示复杂能量步进关系的可达性图。我们优化步态参数，搜索所有可到达的位置，并量化动态过渡过程中的能量成本，这使得研究能量消耗和步进位置之间的关系，给定不同的初始条件。我们发现，为了实现有效的驱动，步进位置和定时可以具有接近基本最优性的简单近似。尽管这个非线性过程的复杂性，我们表明，接近最小的努力步进位置属于一个区域内的吸引力，而不是一个狭窄的解决方案空间建议一个简单的模型。这为机器人运动规划和控制中近似最优解的非唯一性以及人类步进行为的多样性提供了新的见解。
2021-05-03 cs.RO cs.SY eess.SY
