Efficient Multi-Year Security Constrained AC Transmission Network Expansion Planning
多年动态交流输电网扩展规划问题的求解因其潜在的精确性而逐渐成为规划研究的中心。然而,与DC TNEP相比,安全约束AC TNEP的计算负担是巨大的。对于一个动态的,安全约束的AC TNEP问题,计算负担变得非常过度,即使是中等规模的系统的解决方案变得几乎不可能。因此,本文提出了一种有效的,四阶段的解决方法,多年来,网络N-1意外事故和电压稳定约束,动态ACTNEP问题。一些智能逻辑策略的开发和应用,以减少优化算法的计算负担。所提出的方法被应用到Garver 6,IEEE 24和118总线系统,以证明其效率和能力,以解决TNEP为不同的系统规模。
2019-09-13 cs.SY eess.SY math.OC
Optimization-Based Motion Planning for Autonomous Agricultural Vehicles Turning in Constrained Headlands
University of California, Davis(加利福尼亚大学戴维斯分校)
针对自主农业车辆在狭窄不规则地头转弯困难的问题,提出一种基于优化的运动规划算法,在田间几何与障碍物约束下生成平滑无碰撞的转弯轨迹。
2024-06-11 cs.RO cs.SY eess.SY
Frequency Nadir-Constrained Power System Restoration Planning with Energy Storage
Georgia Institute of Technology(佐治亚理工学院);University of Toronto(多伦多大学);EPE Canada Inc.(EPE加拿大公司)
本文提出一种考虑频率 nadir 的混合整数线性规划框架,用于含同步机和储能系统的黑启动恢复规划,通过预测频率 nadir 来确保恢复过程中的频率稳定性,减少恢复时间。
2026-05-13 cs.SY eess.SY
Real-Time Constrained Trajectory Planning and Vehicle Control for Proactive Autonomous Driving With Road Users
Chalmers University of Technology(查尔姆斯理工大学);Zenuity AB(Zenuity公司);IMT School for Advanced Studies Lucca(卢卡高等研究院)
本文提出基于模型预测控制的车辆运动规划与控制框架,考虑行人及其他道路使用者的运动,通过预测层将行人预测运动转化为MPC问题的约束,实现自主驾驶的前瞻性与安全性。
2019-03-18 cs.SY eess.SY
Interpreting the Value of Flexibility in AC Security-Constrained Transmission Expansion Planning via a Cooperative Game Framework
本文提出一种基于合作博弈论的SCTEP工具,量化灵活性(如储能)对避免负荷削减和降低系统成本的贡献,并与线路加固比较,以指导规划者优先投资。
2024-03-14 cs.SY eess.SY
Constrained Optimal Planning to Minimize Battery Degradation of Autonomous Mobile Robots
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对自主移动机器人电池退化问题,提出兼顾循环退化与日历老化、保障任务完成的约束最优规划优化框架,通过矩形分段线性近似线性化双线性问题,案例验证其可实现最优路径规划并减少电池老化。
2025-06-16 cs.RO cs.SY eess.SY
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder(科罗拉多大学博尔德分校)
在本文中,我们解决的问题,基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统,并提出信念- $\mathcal{A}$,一个框架,扩展任何kinodynamic树为基础的规划器的线性(或线性化)系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间,保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径,并在模拟渐近最优,完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
Stability Constrained Mobile Manipulation Planning on Rough Terrain
McGill University(麦吉尔大学)
本文提出了一个框架,允许在线动态稳定性约束的最优轨迹规划的移动机械手机器人工作在崎岖的地形。首先,移动机械臂机器人的运动学模型,和零力矩点(ZMP)稳定性措施作为理论背景。然后,提出了一种基于采样的准静态规划算法,并给出了数学证明。机器人的准静态路径,然后作为一个初始的猜测,热启动非线性最优控制求解器,否则可能有困难找到一个解决方案的稳定性约束的制定有效。该框架的性能和计算效率的证明,通过一个模拟的木材采伐移动机械手机器工作在不同的地形。仿真结果验证了在满足动稳定性约束的情况下,对变地形进行在线轨迹规划的可行性。
2021-05-10 cs.AI cs.RO cs.SY
Reliability-Constrained Power System Expansion Planning: A Stochastic Risk-Averse Optimization Approach
这项工作提出了一种方法,将可靠性约束的最优电力系统扩展规划问题。除了LOLP和EPNS,传统上用于电力系统中,这项工作提出了使用的风险度量的风险值(风险价值)和CVaR(条件风险价值),广泛应用于金融市场。在规划问题中明确考虑可靠性约束可能是一项非常困难的任务,为了最大限度地减少计算工作量,这项工作采用Benders分解技术将扩展规划问题拆分为一个投资问题和两个子问题,以评估系统的运行成本和可靠性指标。运行子问题采用随机对偶动态规划(SDDP)求解,可靠性子问题采用蒙特卡罗模拟求解。所提出的方法适用于玻利维亚电力系统的最佳扩展规划的实际问题。
2019-10-28 cs.SY eess.SY math.OC
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
Optimal Control-Based UAV Path Planning with Dynamically-Constrained TSP with Neighborhoods
KAIST(韩国科学技术院)
本文提出一种基于采样 roadmap 算法的无人机路径规划方法,通过最优控制生成路径以减少计算时间并提升解的质量,解决动态约束 TSP 带邻居问题。
2016-12-18 cs.RO cs.SY eess.SY
Optimal Constrained sc-LTL Planning in MDPs via Switching Policies
University of Florida(佛罗里达大学)
针对MDP上带sc-LTL目标与安全约束的规划问题,提出归约为约束可达性问题的新方法,构造切换策略并通过线性规划求最优策略,经网格世界案例验证有效。
2026-08-06 cs.RO cs.SY eess.SY
Constrained Diffusers for Safe Planning and Control
University of Oxford(牛津大学)
针对扩散模型在规划控制中难满足安全约束的问题,提出无需重训的Constrained Diffusers框架,结合约束朗之万采样与离散控制屏障函数,在多类任务中以更低计算成本实现有竞争力的约束满足效果。
2025-06-14 cs.RO cs.SY eess.SY
Using Uncertainty Data in Chance-Constrained Trajectory Planning
ETH Zurich(苏黎世联邦理工学院)
本文研究了在存在不确定位置障碍物的环境中进行轨迹规划问题,提出了一种在线学习分布矩的方法,并通过紧致的混合整数凸改写方法得到可行解,应用于自动驾驶领域。
2021-01-10 cs.SY eess.SY math.OC
DEC-LOS-RRT: Decentralized Path Planning for Multi-robot Systems with Line-of-sight Constrained Communication
University of California at Berkeley(加州大学伯克利分校)
多智能体系统的分散规划,例如搜索和救援行动中的机器人舰队,通常受到智能体如何相互通信的限制。一个这样的限制是当代理只能在视线(LOS)中时才能彼此通信的情况。在这种情况下,开发分散的规划方法来保证安全是很困难的,因为相互封闭的代理可能无法通信,直到为时已晚才能避免违反安全规定。在本文中,我们开发了一个分散的规划方法,明确避免的情况下,缺乏其他代理的可见性将导致不安全的情况。建立在现有的快速探索随机树(RRT)为基础的方法之上,我们的方法保证在每次迭代的安全性。仿真研究表明,我们的方法的有效性,并比较性能退化方面的千里眼分散规划算法,代理可以进行通信,尽管没有在LOS的对方。
2022-03-04 cs.RO cs.SY eess.SY
The Benefits of an Integrated Approach for Stability-Constrained Power System Planning
German Aerospace Center (DLR)(德国航空航天中心)
针对电力系统规划串行方法的缺陷,研究集成方法在发电、输电、储能扩容时同步考虑稳定措施的优势,发现其可降低系统成本,且网格式电池储能系统的两用选项更具优势。
2026-08-07 cs.SY eess.SY math.OC
Compositional Planning for Logically Constrained Multi-Agent Markov Decision Processes
针对多智能体系统时序逻辑约束控制策略设计难、传统分解方法保守的问题,提出基于CMDPs框架的假设-保证分解方法,可生成高概率满足约束且奖励接近最优的去中心化策略,同时大幅降低问题规模与计算耗时。
2024-10-05 cs.SY eess.SY
Chance-Constrained Trajectory Planning with Multimodal Environmental Uncertainty
University of British Columbia(不列颠哥伦比亚大学);Seoul National University(首尔大学);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本文针对GMM多模态环境不确定性下的安全轨迹规划,提出混合整数锥近似和CVaR方法,并在自动驾驶数据上验证了其有效性。
2025-03-09 cs.RO cs.SY eess.SY
Parallel OctoMapping: A Scalable Framework for Enhanced Path Planning in Autonomous Navigation
Department of Mechanical and Aerospace Engineering, University of Florida(佛罗里达大学机械与航空航天工程系);Department of Electrical and Systems Engineering, University of Pennsylvania(宾夕法尼亚大学电气与系统工程系)
本文提出并行八叉树映射(POMP),一种高效的基于八叉树的映射技术,通过在固定占用网格分辨率下优化自由空间表示,提升路径规划效率和成功率,特别是在复杂环境中。
2026-05-20 cs.RO cs.SY eess.SY
Conformal Constraint Tightening for Chance-Constrained Motion Planning with Unknown Dynamics
Washington University in St. Louis(圣路易斯华盛顿大学);Arizona State University(亚利桑那州立大学)
针对未知动力学系统,利用共形预测给出轨迹偏差概率界,收紧规划约束,为现有规划器提供真实系统概率任务完成保证,实验验证理论保证且任务完成率显著提升。
2026-07-27 cs.RO cs.SY eess.SY
Fillet-based RRT*: A Rapid Convergence Implementation of RRT* for Curvature Constrained Vehicles
Utah State University(犹他州立大学)
快速探索随机树(RRT)已被证明是有效的快速找到可行的解决方案,复杂的运动规划问题。RRT* 是RRT算法的扩展,在使用直线运动基元时提供概率渐近最优性保证。这项工作提供了RRT和RRT* 的扩展,采用圆角作为运动基元,允许规划时考虑路径曲率约束。开发了两个圆角,一个是基于圆弧的圆角,它使用圆弧来生成遵守最大曲率约束的路径,另一个是基于样条曲线的圆角,它使用贝塞尔曲线来额外遵守曲率连续性要求。使用这些圆角进行规划的性能远远超过使用Dubin路径运动基元的RRT*,接近使用直线路径基元进行规划的性能。路径采样算法也被用来加速非完整运动规划的收敛。使用开放式运动规划库(OMPL)与已建立的RRT* 方法进行比较。
2023-02-22 cs.RO cs.SY eess.SY
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
Wasserstein distributionally robust risk-constrained iterative MPC for motion planning: computationally efficient approximations
针对迭代MPC结合分布鲁棒风险约束的运动规划问题计算量随迭代升高的问题,提出数据聚类调整模糊集和预确定DR安全区域两种高效近似方法,保证安全性的同时降低实时计算负担。
2023-10-06 cs.SY eess.SY math.OC
Learning Barrier Functions for Constrained Motion Planning with Dynamical Systems
University of Innsbruck(因斯布鲁克大学);Technical University of Munich(慕尼黑工业大学);German Aerospace Center (DLR)(德国航空航天中心)
稳定动力学系统是一种灵活的工具,规划机器人运动的实时性。在机器人文献中,动力系统运动通常是在不考虑机器人工作空间可能存在的限制的情况下规划的。这项工作提出了一种新的方法来学习工作空间的限制,从人类示范和生成运动轨迹的机器人,躺在受约束的工作空间。将训练数据递增地聚类到不同的线性子空间中,并用于拟合每个子空间的低维表示。通过将学习到的约束子空间视为归零障碍函数,我们能够设计一个控制输入,使系统轨迹保持在学习到的边界内。该控制输入有效地结合了原系统动力学保持最终的渐近性质的无约束系统。仿真和实际机器人上的实验表明,所提出的方法的有效性。
2020-03-25 cs.RO cs.SY eess.SY
A MILP-Based Solution to Multi-Agent Motion Planning and Collision Avoidance in Constrained Environments
Robotics Engineering Department, Worcester Polytechnic Institute(沃斯特理工学院机器人工程系);Electrical Engineering Department, California Polytechnic State University(加州州立大学弗雷斯诺分校电子工程系)
本文提出一种基于混合整数线性规划的多智能体运动规划方法,通过将多凸多边形动作规划嵌入序列-求解流程,利用大M超平面模型实现智能体间分离,并通过L1路径长度加加速度成本生成平滑轨迹。
2025-08-20 cs.RO cs.SY eess.SY
Non-Gaussian Chance-Constrained Trajectory Planning for Autonomous Vehicles under Agent Uncertainty
Massachusetts Institute of Technology(麻省理工学院)
智能体行为可以说是自动驾驶车辆轨迹规划中最大的不确定性来源。这个问题激发了大量的工作,在行为预测社区学习丰富的分布的未来状态和行动的代理。然而,目前大多数关于代理或障碍物不确定性下的机会约束轨迹规划的工作要么假设高斯不确定性或线性约束,这是有限的,要么需要采样,这在计算上难以编码在优化问题中。在本文中,我们通过提出一种由具有潜在非高斯分量的多项式和混合模型定义的上限机会约束的方法来扩展最新技术水平。我们的方法实现了它的通用性,通过使用统计矩的分布在浓度不等式的上限约束违反的概率。通过这种方法,基于优化的轨迹规划器可以规划相对于代表智能体未来位置预测的广泛分布的机会约束的轨迹。在实验中,我们表明,由此产生的优化问题可以解决与国家的最先进的非线性规划求解器计划轨迹足够快,在线使用。
2020-07-15 cs.RO cs.SY eess.SY
Planning a Cost-Effective Delay-Constrained Passive Optical Network for 5G Fronthaul
随着电信行业向5G及以上(5GB)的快速增长以及数据需求和时间敏感型应用的出现,移动网络运营商(MNO)在满足这些新需求方面面临着巨大的挑战。云无线接入网络(CRAN)已经成为一种具有成本效益的架构,可以提高5GB的性能。CRAN的前传段需要高容量和低延迟的连接。由无源光网络(PON)提出的光技术作为满足前传挑战的有前途的技术而受到关注。在本文中,我们提出了一个线性规划(ILP),在不同的延迟阈值下,使用CRAN架构优化5G的总拥有成本(TCO)。将时分波分复用无源光网络(TWDM-PON)看作是一个具有不同分光比的前传。
2022-05-04 cs.NI cs.SY eess.SY
Safely: Safe Stochastic Motion Planning Under Constrained Sensing via Duality
University of Texas at Austin(德克萨斯大学奥斯汀分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
考虑一个机器人在一个不确定的环境与随机,动态障碍。尽管轨迹优化有明显的好处,但由于传感和硬件限制,通常很难在每个时间步长跟踪每个障碍物。我们介绍的安全运动规划,滚动时域控制框架,同时合成的轨迹,机器人遵循以及传感器选择策略,规定了自动相关的障碍物,同时尊重传感器的限制,以测量在每个时间步。我们使用序列二次规划进行运动规划,并规定障碍感的基础上的对偶信息与凸子问题。我们通过确保机器人与任何障碍物碰撞的概率在规划的机器人轨迹的每个时间步长都低于规定的阈值来保证安全。我们通过软件和硬件实验证明了安全运动规划器的有效性。
2022-03-05 cs.RO 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
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut(康涅狄格大学)
本文提出了一种新的算法,称为$ε^*$ +,使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸,能量受限的车辆具有有限的操作时间持续时间。因此,在执行覆盖轨迹时,车辆必须在电池耗尽之前返回充电站进行充电。在这方面,$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹,它将飞行器带到附近未探测的航路点重新开始覆盖过程,而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展,该算法利用探索性图灵机(ETM)作为管理器,以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage(高保真机器人模拟器)进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
Moment State Dynamical Systems for Nonlinear Chance-Constrained Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
机会约束运动规划需要将动力学中的不确定性传播到状态中的不确定性。当使用非线性模型时,对状态分布的高斯假设不一定适用,因为几乎所有通过非线性动力学传播的随机变量都会导致非高斯状态分布。为了解决这个问题,最近的工作已经开发了基于矩的方法来执行非高斯状态分布的机会约束。然而,仍然缺乏快速和准确的矩传播方法来确定这些状态分布的必要的统计矩。为了解决这一差距,我们提出了一个框架,给定一个随机动力系统,可以算法搜索一个新的动力系统的时刻状态,可用于传播的时刻的干扰随机变量的状态分布。关键算法TreeRing可以应用于我们称为三角多项式系统的一大类非线性系统。作为一个例子的应用,我们提出了一个分布式鲁棒RRT(DR-RRT)算法,传播不确定性通过非线性杜宾的汽车模型没有线性化。
2020-03-28 cs.RO cs.SC cs.SY
Co-learning Planning and Control Policies Constrained by Differentiable Logic Specifications
Purdue University(普渡大学)
本文提出协同学习规划与控制策略的强化学习方法,以可微逻辑规范约束高维机器人导航,降低样本复杂度并实现长时域路径生成与策略对齐。
2023-10-02 cs.LG cs.RO cs.SY
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
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