Finding Risk-Averse Shortest Path with Time-dependent Stochastic Costs
在本文中，我们处理的问题，风险规避路径规划的时间依赖和随机费用的运输网络。为了解决这个问题，我们提出了一个适应的A* 算法，可容纳任何风险措施或决策标准，是单调的一阶随机优势。我们还提出了一个案例研究，我们的算法在曼哈顿，纽约，交通网络。
2017-01-03 cs.AI
AutoDrone: Shortest Optimized Obstacle-Free Path Planning for Autonomous Drones
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；TEOCO Software Pvt. Ltd.（TEOCO软件私人有限公司）
随着技术的进步，无人机已经成为可以由人类控制飞行或到达目的地的无人驾驶飞行器。这也可以是自主的，其中无人机本身足够智能，可以找到从指定源到达目的地的最短无障碍路径。无论是规划中的智慧城市，还是受自然灾害影响的废墟，我们都可以将建筑物、任何表面竖立的结构或其他障碍物想象为无人机在直线视线路径上飞行的障碍物。为了解决无人机的这种路径规划，首先将整个景观的鸟瞰图转换为网格单元图，其中一些被占用表示障碍物，一些被占用表示自由路径，提出了一种在GPS导航坐标系中寻找最短无障碍路径的方法。因此，自动无人机（AutoDrone）将能够沿着最短路径从一个地方移动到另一个地方，而不会在二维空间中行驶时遇到障碍物。还阐述了将其扩展到长途旅行和3D空间的启发式。我们的方法在救援行动和以节能方式快速交付或拾取方面特别有益，我们的算法将有助于找出最短路径和飞行角度。在地图布局和障碍物位置的不同场景下进行实验，以了解由自主无人机计算的最短可行路线。
2021-12-03 cs.AI cs.RO
Grid-based angle-constrained path planning
Institute for Systems Analysis of Russian Academy of Sciences（俄罗斯科学院系统分析研究所）
正方形网格通常用于机器人和游戏开发中作为空间模型，并且在AI社区的启发式搜索算法（例如A*，JPS，Theta* 等）中众所周知。广泛用于网格上的路径规划。大量的研究集中在寻找最短的（在几何意义上）路径，而在许多应用中，寻找平滑的路径（而不是最短的，但包含急转弯）是更可取的。本文研究了光滑路径的生成问题，重点研究了角度约束的路径规划问题。将角度约束路径规划问题形式化，提出了一种新的求解算法-- LIAN算法。我们从理论和实证两个方面对LIAN进行了研究。我们证明它是健全的和完整的（在一定的限制下）。我们还表明，LIAN在解决城市户外导航场景中的众多路径规划任务时优于类似物。
2015-08-25 cs.AI
Heuristic Search for Multi-Objective Probabilistic Planning
The Australian National University（澳大利亚国立大学）；LAAS-CNRS（法国国家科学研究中心分析与系统结构实验室）
针对多目标随机最短路径问题，提出 MOLAO* 与 MOLRTDP 启发式搜索算法及多种领域无关启发式，用于计算非支配策略覆盖集。
2023-03-25 cs.AI
Risk-Averse Stochastic Shortest Path Planning
California Institute of Technology（加州理工学院）
我们考虑MDP中的随机最短路径规划问题，即，设计策略以确保以最小的累积成本从给定的初始状态到达目标状态的问题。为了说明罕见的，但重要的实现系统，我们认为嵌套的动态一致的风险总成本功能，而不是传统的风险中性总期望成本。在一些假设下，我们表明，最佳的，平稳的，马尔可夫政策存在，并可以通过一个特殊的贝尔曼方程。我们提出了一个计算技术的基础上的差异凸规划（DCP），以找到相关的价值函数，因此风险规避政策。漫游导航MDP是用来说明所提出的方法与条件风险价值（CVaR）和熵风险价值（EVaR）的一致性风险措施。
2021-03-26 cs.AI cs.SY eess.SY
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning
Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
Logic-Constrained Shortest Paths for Flight Planning
Zuse Institute Berlin（柏林楚泽研究所）；Lufthansa Systems GmbH（汉莎系统有限公司）
针对带交通流量限制的飞行规划场景，提出适配逻辑约束最短路径问题的分支定界算法，公开含2万条真实限制的数据集，验证合理配置算法组件可带来数量级性能提升。
2025-06-11 cs.AI cs.DM
Planning in Stochastic Environments with Goal Uncertainty
College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院）；Alliance Innovation Lab Silicon Valley（联盟硅谷创新实验室）
我们提出了目标不确定的随机最短路径（GUSSP）问题-一个通用的框架模型的路径规划和决策在随机环境中的目标不确定性。该框架扩展了随机最短路径（SSP）模型的动态环境中，它是不可能的，以确定确切的目标状态提前执行计划。GUSSP通过允许对可能的目标配置的信念来引入目标规范的灵活性。潜在目标的独特观察有助于智能体在计划执行期间识别真正的目标。部分可观测性被限制到目标，便于减少到一个SSP与修改的状态空间。我们正式定义了一个GUSSP，并讨论其理论性质。然后，我们提出了一个可接受的启发式，减少规划时间使用FLARES -一个开始的最先进的概率规划。我们还提出了一个确定性的方法来解决这类问题。最后，我们提出了实证研究结果的搜索和救援移动机器人和其他三个问题域的模拟。
2020-04-03 cs.AI
Trajectory Optimization of Chance-Constrained Nonlinear Stochastic Systems for Motion Planning Under Uncertainty
California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory（喷气推进实验室）
我们介绍gPC-SCP：基于广义多项式混沌序列凸规划计算连续时间机会约束随机非线性最优控制（SNOC）问题的次优解。该方法使机器人系统的运动规划的不确定性。gPC-SCP方法包括两个步骤。第一步是利用gPC展开和机会约束的分布鲁棒凸子集，推导出具有凸约束的\emph{deterministic}非线性最优控制（DNOC）的代理问题。第二步是使用序列凸规划来求解DNOC问题，以用于轨迹生成和控制。我们证明了在无约束的情况下，DNOC的最优值渐近收敛到SNOC的最优值，并且约束DNOC的任何可行解都是机会约束SNOC的可行解。我们还提出了预测-校正扩展（gPC-SCP $^\mathrm{PC}$）的实时运动轨迹生成随机不确定性的存在。在gPC-SCP $^\mathrm{PC}$方法中，我们首先使用gPC方法预测不确定性，然后优化运动计划以适应不确定性。我们经验性地证明了gPC-SCP和gPC-SCP $^\mathrm{PC}$方法对于以下两个测试用例的有效性：1）在致动和物理参数的不确定性下的碰撞检查和2）3DOF和6DOF机器人系统的随机障碍物模型的碰撞检查。在三自由度机器人航天器试验平台上验证了gPC-SCP方法的有效性。
2022-03-26 cs.AI cs.RO cs.SY
Chance-Constrained Belief-Space Maneuver Planning for Autonomous Collision Avoidance Under Uncertainty
Stanford University（斯坦福大学）
针对近地轨道交会不确定性，提出机会约束信念空间蒙特卡洛树搜索规划器，权衡等待跟踪信息与机动干预，在NASA数据集上验证，表明跟踪质量与频率决定干预时机。
2026-09-15 cs.AI cs.RO
A Fully Polynomial Time Approximation Scheme for Constrained MDPs and Stochastic Shortest Path under Local Transitions
Khalifa University（哈利法大学）
针对局部转移下即使视界为2仍NP难的约束MDP及CC-MDP/SSP变体，提出可计算近优确定性策略的完全多项式时间近似方案。
2023-04-18 cs.AI
Risk Aware Adaptive Belief-dependent Probabilistically Constrained Continuous POMDP Planning
Technion - Israel Institute of Technology（以色列理工学院）
虽然风险意识是一个在线操作代理的基础，但在具有挑战性的连续域和部分可观测性下，它受到的关注较少。本文提出了一种新的公式和解决方案的风险厌恶的信念依赖的概率约束连续POMDP。我们解决了一个苛刻的设置依赖于信念的奖励和约束算子。概率置信度参数使我们的公式真正规避风险，比最先进的机会约束更灵活。我们严格的分析表明，在最严格的概率置信度的情况下，我们的配方是非常接近的机会约束。然而，我们的概率公式允许更快，更准确的自适应接受或修剪的行动履行或违反约束。此外，在任意置信参数下，我们没有找到与我们的方法类似的任何方法。我们提出了算法的解决方案，我们的配方在连续域。我们还使用重要性采样将机会约束方法提升到连续环境中。此外，我们提出的所有算法都可以使用粒子表示的参数和非参数信念。最后，我们给出了机会约束连续POMDP的一个近似，并对其进行了严格的分析和模拟。仿真结果表明，我们的算法表现出前所未有的celebrations相比，基线，在碰撞方面具有相同的性能。
2023-02-21 cs.AI cs.RO
Cooperative Path Planning with Asynchronous Multiagent Reinforcement Learning
Tongji University（同济大学）；Aalto University（阿尔托大学）
本文针对多源-目的地最短路径问题中的异步决策挑战，提出asyn-MARL框架，通过子图划分、全局状态表示、轨迹去冗余、协同actor网络和可达性图，在合成与真实路网上实现了优于现有方法的协同路径规划。
2024-09-01 cs.AI
Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling
University of Maryland（马里兰大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有随机最短路径增量采样方法保守、未考虑尾部风险的问题，提出结合CVaR的风险敏感RRT*算法，在保证复杂度相近的同时提升路径鲁棒性、降低故障率。
2024-08-16 cs.AI cs.RO cs.SY
Generalizing the Role of Determinization in Probabilistic Planning
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
随机最短路问题是一种表达能力很强的概率规划模型。SSP的计算难度引发了人们对基于确定的规划者的兴趣，这些规划者可以快速解决大型问题。然而，现有的方法采用一种简单的方法来确定。特别是，它们忽略了根据目标域的具体特征定制确定的可能性。在这项工作中，我们研究这个问题，通过学习一个很好的确定规划域可以有效地完成，可以提高性能。此外，我们展示了如何直接将概率推理到规划问题时，一个很好的确定性本身是不够的。基于这些见解，我们介绍了一个规划，FF-LAO*，优于国家的最先进的概率规划几个著名的竞争基准。
2017-07-29 cs.AI
High Level Path Planning with Uncertainty
University of British Columbia（不列颠哥伦比亚大学）
对于高层次的路径规划，环境通常被建模为距离图，路径规划问题归结为计算距离图中的最短路径。这种建模的一个主要缺点是无法对实践中经常遇到的不确定性进行建模。在本文中，一个新的工具，称为U-young，提出了环境建模。U-图是距离图的扩展，具有处理一种不确定性的能力。通过将不确定环境建模为U图，将导航问题建模为马尔可夫决策过程，可以精确地定义一个新的导航计划最优性准则，更重要的是，可以给出一个计算导航任务最优计划的通用算法。
2013-03-20 cs.AI
CNN Encoder to Reduce the Dimensionality of Data Image for Motion Planning
Universidade de Pernambuco（伯南布哥大学）；Istituto Italiano di Tecnologia（意大利理工学院）
许多现实世界的应用需要路径规划算法来解决不同领域的任务，例如社交应用、自动驾驶汽车和跟踪活动。最重要的是运动规划。尽管在大多数运动规划场景中使用路径规划是足够的，但是它们在具有动态变化的大型环境中代表了潜在的瓶颈。为了解决这个问题，可以减少可能的路线的数量，使路径规划算法更容易找到最短路径，以更少的努力。传统的路径规划算法是A* 算法，它使用启发式算法，比其他解决方案更快。在这项工作中，我们提出了一个CNN编码器，能够消除无用的路线运动规划问题，然后我们结合所提出的神经网络输出与A*。为了衡量我们的解决方案的效率，我们提出了一个数据库与不同的情况下的运动规划问题。评估的度量是找到最短路径的迭代次数。A* 与具有A* 的CNN编码器（提案）进行了比较。在所有评估的情况下，我们的解决方案减少了超过60%的迭代次数。
2020-04-10 cs.AI cs.CV eess.IV
User Preferences and the Shortest Path
University of Regensburg（雷根斯堡大学）
室内导航系统利用最短路径算法来计算路线。为了定义“最短路径”，必须基于应用领域的理论和数学来指定成本函数。对于室内路由的域，我们调查的理论和标准，在文献中确定为人类路径规划必不可少的。我们驱动定量定义，并将它们集成到一个成本函数中，该函数分别对每个标准进行加权。然后，我们应用穷举网格搜索来找到导致理想成本函数的权重。这里的“理想”被定义为指导算法规划与人类选择的路线最相似的路线。为了探索在改进的路径查找算法中应该考虑哪些标准，考虑了在过去的研究中已经建立的对路径选择有有利影响的11个不同因素。每个因素分别包括在Dijkstra算法和相似性，从而计算出的路线，以实际选择的路线在雷根斯堡大学的学生被确定。这就可以对这些因素的影响进行定量评估，并进一步构成直接比较这些因素的一种方式。减少转弯、街道、旋转门、入口通道、电梯以及上述因素的组合会产生积极的影响，并产生比最短路径更受欢迎的路径。转弯和标准组合最具影响力。
2021-07-23 cs.AI
Answer Set Planning Under Action Costs
TU Wien（维也纳工业大学）；University of Calabria（卡拉布里亚大学）
最近，规划的基础上回答集编程已被提出作为一种实现声明式规划系统的方法。在本文中，我们提出了语言Kc，它扩展了声明式规划语言K的行动成本。Kc提供了容许和最优计划的概念，这些计划的总行动成本在给定的限制内。所有计划中的最小值（即，最便宜的计划）。正如我们所展示的，这种新颖的语言允许以声明的方式表达一些重要的规划任务。此外，它可以用于表示规划问题下的其他最优性标准，如计算“最短”的计划（步骤数最少），和细化组合的最便宜和最快的计划。我们研究的语言KC的复杂性方面，并提供了一个转换到逻辑程序，这样的规划问题，通过答案集编程解决。此外，我们报告选定的问题的实验结果。我们的经验是令人鼓舞的，答案集规划可能是一个有价值的方法，表达规划系统中，复杂的规划问题可以自然地指定和解决。
2011-06-26 cs.AI
Efficient Constraint Generation for Stochastic Shortest Path Problems
Australian National University（澳大利亚国立大学）
针对随机最短路径问题现有算法每次状态备份需计算所有动作代价函数的冗余计算问题，提出高效约束生成技术，结合iLAO*得到CG-iLAO*，可忽略超半数次优动作，求解速度显著提升。
2024-01-26 cs.AI
Constrained Shortest Path Search with Graph Convolutional Neural Networks
Safran Electronics & Defense（赛峰电子与防务公司）；LAMSADE, Université Paris-Dauphine（巴黎多芬大学LAMSADE实验室）；Safran SA（赛峰集团）；MACCLIA, Ecoles de Saint-Cyr Coëtquidan（圣西尔军校MACCLIA机构）
自主无人地面车辆（AUGV）的规划仍然是一个挑战，特别是在困难的，越野的，关键的情况下。自动规划可用于达到任务目标，执行导航或机动。大多数情况下，问题在于找到从源到目的地的路径，同时满足一些操作约束。在无负圈的图中，从起始点到结束点的单对最短路的计算在多项式时间内解决。然而，解决方案路径上的额外约束可能会使问题更难解决。当我们需要路径通过几个强制节点而不需要特定的访问顺序时，就会出现这种情况。复杂性随着要访问的强制节点的数量呈指数级增长。在本文中，我们专注于最短路径搜索与强制节点上给定的连通图。我们提出了一个混合模型，结合了基于约束的求解器和图卷积神经网络，以提高搜索性能。在现实的场景中获得了令人满意的结果。
2021-08-02 cs.AI cs.LG cs.RO
Speeding Up Planning in Markov Decision Processes via Automatically Constructed Abstractions
University of Alberta（阿尔伯塔大学）
在本文中，我们考虑规划随机最短路径（SSP）问题，马尔可夫决策问题（MDP）的一个子类。我们专注于中等规模的问题，其状态空间可以完全枚举。这个问题有许多重要的应用，如导航和规划下的不确定性。我们提出了一种新的方法来构建一个多层次的层次结构，逐步简单的抽象的原始问题。一旦计算完成，层次结构就可以用来加速规划，首先找到最抽象级别的策略，然后递归地将其细化为原始问题的解决方案。这种方法是完全自动化的，并提供了两个数量级的速度比最先进的MDP求解器的样本问题，同时返回接近最佳的解决方案。我们还证明了理论界的解决方案的最优性损失所造成的使用抽象。
2012-06-13 cs.AI
Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time
College of Electronics and Information Engineering, Tongji University（同济大学电子与信息工程学院）
路线规划在交通运输中非常重要。现有的工作集中在寻找最短路径解决方案或使用安全和能源消耗等指标来确定规划。值得注意的是，大多数这些研究依赖于道路网络的先验知识，这在某些情况下可能是不可用的。本文设计了一种基于深度强化学习（DRL）的行人路径规划算法。我们使用行程时间消耗作为度量，并通过预测道路网络中的行人流量来规划路线。我们把一个智能机器人放在虚拟地图上。与以往的研究不同，我们的方法假设智能体不需要任何关于道路网络的先验信息，而仅仅依赖于与环境的相互作用。我们提出了一种动态可调整的路线规划（DARP）算法，其中代理通过决斗的深度Q网络学习策略，以避免拥挤的道路。仿真结果表明，与传统的最短路径规划算法相比，DARP算法在拥塞情况下节省了52%的时间。
2020-11-03 cs.AI cs.LG cs.SY
Theoretical Analysis of Quality Diversity Algorithms for a Classical Path Planning Problem
University of Passau（帕绍大学）；The University of Adelaide（阿德莱德大学）
本文对Map-Elites质量多样性算法在全对最短路径问题上的行为进行理论分析，证明其能高效并行求解，并提出加速的父代选择技术。
2024-12-16 cs.AI cs.NE
Path Planning under Time-Dependent Uncertainty
University of Michigan（密歇根大学）
在图中寻找最短路径的标准算法要求路径的成本在边成本中是可加的，并且通常假设成本是确定性的。我们考虑的问题，不确定的边缘成本，潜在的概率之间的依赖关系的成本。虽然这些依赖关系违反了标准的动态规划分解，我们确定了一个较弱的随机一致性条件，证明了一个广义的动态规划方法的基础上随机优势。我们提出了一个修正的路径规划算法，并证明它产生最优路径下的时间依赖的不确定成本。我们测试的算法，将其应用到随机总线网络的模型，并提出经验的性能结果比较它的一些替代品。最后，我们考虑将这些概念扩展到不确定性下更一般的一类启发式搜索问题。
2013-02-20 cs.AI
Vulcan: A Monte Carlo Algorithm for Large Chance Constrained MDPs with Risk Bounding Functions
Massachusetts Institute of Technology（麻省理工学院）
机会约束马尔可夫决策过程在有限的失败概率下最大化回报，并且经常被应用于具有潜在危险结果或未知环境的规划。求解算法需要很强的逻辑性，或者仅限于具有数百万个状态的相对较小的问题，因为从给定状态采取的最佳行动取决于策略其余部分的失败概率，导致难以解决的耦合问题。在本文中，我们研究了CCMDP的一个推广，通过函数关系来权衡失败的概率对奖励。我们推导出一个约束，可以单独应用于每个国家的历史政策，并保证机会约束将得到满足。该方法对CCMDP中的状态进行了简化，从而可以有效地解决大型问题。然后，我们介绍Vulcan，它使用我们的约束，以适用于蒙特卡罗树搜索CCMDPs。Vulcan可以应用于无法生成整个状态空间的问题，并且必须以随时随地的方式返回策略。我们表明，火神和它的变种运行速度比线性规划方法快几十到几百倍，比基于启发式的方法快十倍以上，所有这些都不需要启发式，并返回平均次优的解决方案的顺序百分之几。最后，我们使用Vulcan来解决CCMDP中的机会约束策略，在3分钟内具有超过$10^{13}$的状态。
2018-09-04 cs.AI
Performance Improvement of Path Planning algorithms with Deep Learning Encoder Model
Polytechnic School (UPE)（伯南布哥大学理工学院）；Istituto Italiano di Tecnologia (IIT)（意大利理工学院）
目前，路径规划算法被用于许多日常任务中。它们与在交通中找到最佳路线并使自主机器人能够导航有关。路径规划的使用在大型和动态环境中存在一些问题。大型环境使得这些算法需要花费大量的时间来寻找最短路径，而动态环境则要求每次环境发生变化时都重新执行算法，从而增加了算法的执行时间。降维似乎是这个问题的解决方案，在这种情况下，这意味着删除这些环境中存在的无用路径。大多数降维算法仅限于输入数据的线性相关。最近，卷积神经网络（CNN）编码器被用来克服这种情况，因为它可以使用线性和非线性信息来减少数据。本文深入分析了使用这种CNN编码器模型消除无用路径的性能。为了衡量上述模型的效率，我们将其与不同的路径规划算法相结合。接下来，在由五个场景组成的数据库中检查最终算法（组合和未组合）。每个场景都包含固定和动态障碍。他们提出的模型，CNN编码器，与文献中其他现有的路径规划算法相关联，与分析的所有路径规划算法相比，能够减少找到最短路径的时间。平均下降时间为54.43%。
2020-08-05 cs.AI cs.CV cs.LG
What to Do When You Can't Do It All: Temporal Logic Planning with Soft Temporal Logic Constraints
University of South Carolina（南卡罗来纳大学）
在本文中，我们考虑一个时序逻辑规划问题，其目标是找到一个无限的轨迹，满足最优选择从一组软规格表示在线性时序逻辑（LTL），同时满足硬规格表示在LTL。我们以前的工作考虑了一个类似的问题，其中线性动态逻辑有限迹（LDLf），而不是LTL，用于表示软约束。在这项工作中，LDLf被用来对无限轨迹的有限前缀施加约束。通过使用LTL，人们不仅能够对轨迹的有限前缀施加约束，而且还能够在整个无限轨迹上设定“软”目标。我们的算法首先构造一个产品自动机，在其上的规划问题被减少到计算一个最小成本的套索。在所有这样的套索中，期望计算最短的套索。虽然我们证明了计算这样一个最短的套索是计算困难的，我们也引入了一个有效的贪婪的方法来合成短套索。我们提出了两个案例研究，描述了这种方法的实施，并报告我们的实验结果比较我们的贪心算法与最佳基线。
2020-08-05 cs.AI cs.LO cs.RO
Towards Fully Environment-Aware UAVs: Real-Time Path Planning with Online 3D Wind Field Prediction in Complex Terrain
今天，低空固定翼无人机（UAV）在很大程度上限于自动遵循用户定义的航路点。为了在复杂环境中实现完全自主的远程任务，需要针对地形和强风气流的实时的环境感知导航。本文提出了两个相关的初步贡献：第一，文献的第一个三维风场预报方法，可以运行在实时的机载无人机。该方法检索低分辨率的全球天气数据，并使用势流理论来调整风场，以便观察地形边界，质量守恒和大气层结。与一维激光雷达数据的比较表明，相对于目前主要用于无人机路径规划的零风假设，总体风误差减少了23%。然而，由于垂直风没有足够准确地解决，需要进一步的研究和确定。其次，提出了一种基于采样的路径规划器，该规划器通过Dubins飞机路径迭代地考虑非均匀风中的飞机动力学。性能优化，例如障碍感知采样和快速2.5D地图碰撞检查，使规划器比开放式运动规划库（OMPL）实现快50%。阿尔卑斯山地形的测试案例表明，风感知规划的迭代次数比最短路径规划少50倍，因此在低风速下速度较慢，但在强风下往往会提供成本较低的路径。更重要的是，与最短路径规划器相比，它总是提供无冲突的路径。总体而言，我们的初步研究表明，从无人机三维风场预测的可行性和风感知规划的优势。这为无人机在现实任务和复杂地形中的全自主环境感知导航的后续研究铺平了道路。
2017-12-10 cs.AI cs.RO
Dijkstra as an Oracle for Online Stochastic Shortest Path Navigation with Provable Guarantees
King Fahd University of Petroleum and Minerals (KFUPM)（法赫德国王石油与矿产大学）；Islamic University of Madinah（麦地那伊斯兰大学）；Universitas Muhammadiyah Yogyakarta（日惹穆罕默迪亚大学）
本研究提出DORA算法，基于Dijkstra算法的可证保证特性，实现高效安全的在线随机最短路径导航，性能与最优值迭代相当且规划工作量显著减少，接触率满足预算要求。
2026-08-19 cs.AI cs.RO math.OC
Generalization in LLM Problem Solving: The Case of the Shortest Path
National University of Singapore（新加坡国立大学）；Capital Fund Management（资本基金管理公司）；Google Research（谷歌研究）
研究探讨了大模型在最短路径问题中的泛化能力，发现模型在空间迁移表现良好，但在长度扩展上因递归不稳定性而失败，分析了不同学习阶段对系统性问题解决的影响。
2026-04-16 cs.AI cs.LG
Entropy-based Optimization via A* Algorithm for Parking Space Recommendation
Wuhan University of Technology（武汉理工大学）
本文讨论了路径规划问题，推荐停车位，考虑到困难的最佳路线空置停车位和最短的时间离开停车位。我们的优化方法是基于熵的方法和实现的A* 算法。实验表明，A* 和熵值的组合诱导具有最短路径的最优停车解决方案，同时对环境因素具有鲁棒性。
2021-04-19 cs.AI cs.CV
DataSP: A Differential All-to-All Shortest Path Algorithm for Learning Costs and Predicting Paths with Context
Center for Applied Autonomous Sensor Systems (AASS)（应用自主传感器系统中心（AASS））；Örebro University（厄勒布鲁大学）
本文提出可微全对全最短路径算法DataSP，通过神经网络近似从大量轨迹中学习上下文相关的潜在成本，并基于最大熵原理采样路径，在图路径预测任务上优于现有方法。
2024-05-30 cs.AI cs.LG
Theta*: Any-Angle Path Planning on Grids
University of Southern California（南加州大学）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
在机器人技术和视频游戏中，包含封闭和未封闭单元的网格通常用于表示地形。但是，由栅格边形成的路径可能比地形中真正的最短路径更长，因为它们的前进方向受到人为约束。我们提出了两个新的正确的和完整的任何角度的路径规划算法，避免了这个缺点。基本Theta* 和角度传播Theta* 都是A* 的变体，它们沿着网格边缘传播信息，而不约束到网格边缘的路径。Basic Theta* 易于理解和实现，速度快，找到短路径。但是，它并不能保证找到真正的最短路径。与基本Theta* 相比，角度传播Theta* 在扩展顶点时传播角度范围，从而在每个顶点扩展的最差情况复杂度更高，但它更复杂，速度没有基本Theta* 快，并且找到的路径略长。我们将基本θ * 和角度传播θ * 统称为θ *。Theta* 具有独特的属性，我们将详细分析。我们的实验表明，它发现更短的路径比A* 与后平滑路径和字段D*（唯一的其他版本的A*，我们知道的，传播信息沿网格边缘没有约束路径网格边缘）与运行时间相媲美的网格上的A*。最后，我们将Theta* 扩展到包含非均匀遍历成本的未阻塞单元格的网格，并引入Theta* 的变体，这些变体提供路径长度和运行时间之间的不同权衡。
2014-01-16 cs.AI cs.CG
New Curriculum, New Chance -- Retrieval Augmented Generation for Lesson Planning in Ugandan Secondary Schools. Prototype Quality Evaluation
Ndejje University（恩德杰大学）
针对乌干达中学因新课程实施导致的优质课程计划短缺问题，研究团队基于检索增强生成技术开发了定制化课程计划生成原型，经评估其生成的中学一年级多学科课程计划质量达75%-80%，优于人类制定的同类计划水平。
2024-08-14 cs.AI cs.CY cs.IR
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
Bi-objective chance-constrained evolutionary optimization for large-scale open-pit mine scheduling under geological uncertainty
Optimisation and Logistics, School of Computer and Mathematical Sciences, The University of Adelaide（优化与物流系，计算机与数学科学学院，阿德莱德大学）
针对露天矿调度问题（OPMSP）的地质不确定性问题，提出独立于置信水平的双目标进化优化方法，通过领域特定算子集成三种算法，在含112687块的矿床实验中实现经济价值与风险的更优权衡。
2026-10-06 cs.AI cs.NE
Generation of Geodesics with Actor-Critic Reinforcement Learning to Predict Midpoints
OMRON SINIC X Corporation（OMRON SINIC X公司）
本文提出了一种基于Actor-Critic强化学习的方法，通过递归预测中点来生成测地线，以提高在复杂运动学和多自由度机器人臂规划中的性能。
2026-01-05 cs.AI cs.LG
String Tightening as a Self-Organizing Phenomenon: Computation of Shortest Homotopic Path, Smooth Path, and Convex Hull
The Ohio State University（俄亥俄州立大学）
几十年来，自组织现象一直是神经网络社区的特殊兴趣。在本文中，我们研究了自组织映射（SOM）的一个变体，它模拟了当弦从一端或两端收紧时，形成弦的粒子的自组织现象。所提出的变种，被称为字符串收紧自组织神经网络（STON），可以用来解决某些实际问题，如计算最短同伦路径，平滑路径，以避免急转弯，和计算的凸包。这些问题在计算几何、机器人路径规划、人工智能（图解推理）、超大规模集成电路布线和地理信息系统中具有相当大的意义。给定一组障碍物和一个在二维的空间中具有两个固定端点的字符串，STON模型不断收紧给定字符串，直到达到欧几里得度量的唯一最短配置。STON通过以竞争的方式动态地创建和选择特征向量来最小化收敛时字符串的总长度。文中给出了该算法的正确性证明和部署实验结果。
2021-02-16 cs.AI cs.CG cs.LG
Predictive Spike Timing Enables Distributed Shortest Path Computation in Spiking Neural Networks
Department of Mathematical Sciences（数学科学系）；Norwegian University of Science and Technology（挪威科学与技术大学）；School of Computation, Information and Technology（计算、信息与技术学院）；Technical University Munich（慕尼黑技术大学）
该研究提出了一种基于生物合理机制的最短路径计算算法，利用脉冲时间巧合实现分布式计算，为生物和人工系统中的复杂问题解决提供新思路。
2026-01-17 cs.AI cs.DS cs.LG
