From Dialogue to Execution: Mixture-of-Agents Assisted Interactive Planning for Behavior Tree-Based Long-Horizon Robot Execution
Waseda University（早稻田大学）；National Institute of Informatics（国家信息研究所）；NII Research and Development Center for Large Language Models（国家信息研究所大型语言模型研究开发中心）；The Graduate University for Advanced Studies (SOKENDAI)（高级研究大学研究生院（SOKENDAI））
本文提出基于混合代理的交互式规划框架，通过生成行为树实现长时域机器人任务的高效执行，减少人类干预并提升执行质量。
2026-08-31 cs.RO
Inspection planning under execution uncertainty
针对城市环境中定位误差导致的执行不确定性影响巡检规划性能的问题，提出基于IRIS框架、结合蒙特卡洛采样的IRIS-U²算法，可提供覆盖率、路径长度和碰撞概率的统计保证，经桥梁巡检案例验证有效，且有界次优解可在保保证的同时减耗时。
2024-04-10 cs.RO
VersualRL: Closed-Loop Verbal Reinforcement Learning with Visual Execution Feedback for Task-Level Robot Planning
Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（智能空间机器人实验室，斯克尔科夫科学与技术研究所）
提出闭环言语强化学习框架，通过大语言模型与视觉语言模型交互，在符号规划层迭代优化行为树，实现可解释的任务级规划与执行不确定性下的自适应。
2026-07-21 cs.RO
Efficient Grasp Planning and Execution with Multi-Fingered Hands by Surface Fitting
University of California, Berkeley（加州大学伯克利分校）
本文介绍了一个多指手抓取规划框架。该框架包括用于抓取规划的多维迭代曲面拟合（MDISF）和用于抓取想象的抓取轨迹优化（GTO）。MDISF算法通过最小化碰撞和表面拟合误差来搜索最佳接触区域和手部配置，GTO算法生成最佳手指轨迹以达到高排名的抓取配置并避免与环境碰撞。所提出的抓取规划和想象框架考虑了手-机器人系统的碰撞避免和运动学，并且能够使用捕获的点云利用基于梯度的方法有效地规划不同类别的抓取和轨迹。所发现的把握和轨迹是强大的传感噪声和潜在的不确定性。仿真和实验验证了该框架的有效性。
2019-07-18 cs.RO
Multi-Robot Task Planning under Individual and Collaborative Temporal Logic Specifications
Zhejiang University（浙江大学）
本文研究了多机器人任务协调问题，其中每个机器人都有一个私有的时态逻辑任务规范，同时还必须共同满足一个全局给定的协作时态逻辑任务规范。为了有效地生成可行的和优化的任务执行计划的机器人，我们提出了一个分层的多机器人的时间任务规划框架，在该框架中，一个中央服务器分配的协作任务的机器人，然后单独的机器人可以独立地合成他们的任务执行计划在一个分散的方式。此外，我们提出了一个执行计划调整机制，允许机器人迭代修改他们的执行计划，通过隐私保护的智能体通信，以提高预期的实际执行性能，减少等待时间的机器人合作。分析了该方法的正确性和有效性，并通过大量的仿真实验进行了验证。
2021-08-27 cs.RO
Robot Motion Planning in Learned Latent Spaces
Stanford University（斯坦福大学）
本文提出了基于潜在采样的运动规划（L-SBMP），一种通过学习可规划的潜在表示来计算复杂机器人系统运动规划的方法。最近的工作在控制机器人系统有效地利用本地，低维嵌入高维动力学。在本文中，我们将这些最新进展与基于采样的运动规划（SBMP）技术相结合，以设计一种能够规划传统方法（例如，类人机器人，甚至是在视觉空间中进行规划的系统）。具体来说，学习的潜在空间是通过一个自动编码网络，一个动态网络，和碰撞检查网络，这反映了SBMP的三个主要算法原语，即状态采样，本地转向，和碰撞检查。值得注意的是，这些网络可以只通过系统状态和动作的原始数据以及监督冲突检查器来训练。在这些网络的基础上，使用基于RRT的算法直接在潜在空间中规划运动-我们将这种探索算法称为学习潜在RRT（L2 RRT）。该算法全局地探索潜在空间，并能够推广到新的环境。整体的方法证明了两个规划问题，即视觉规划问题，规划发生在视觉（像素）空间，和一个人形机器人规划问题。
2018-11-06 cs.RO
Planning with Learned Subgoals Selected by Temporal Information
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人机与机器人研究所）；Robotics and Autonomous Systems, Institute of Applied Research, Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学应用研究所机器人与自主系统部）
针对动态环境中时间相关约束下的机器人路径规划问题，提出用生成模型增量生成子目标，并基于不同统计分布的学习型时间估计器结合时间信息筛选候选，实验证明可在满足约束的同时保持目标导向。
2024-10-26 cs.RO
Optimized Execution of PDDL Plans using Behavior Trees
Rey Juan Carlos University（胡安·卡洛斯国王大学）；CEA list（法国原子能委员会列表研究所）；University of Leon（莱昂大学）
机器人需要任务规划来排序和执行行动以实现其目标。另一方面，行为树提供了一个数学模型，用于以内在可组合、反应式和鲁棒的方式指定计划执行。规划领域定义语言PDDL（Planning Domain Definition Language）已成为大多数规划人员的标准描述语言。在本文中，我们提出了一种新的算法，系统地创建行为树PDDL计划执行它们。这种方法使用计划的执行图来生成行为树。这种方法最显著的贡献是建立行为树的算法，该算法通过瘫痪行动来优化其执行，适用于任何计划，考虑到行动的因果关系。我们证明了在移动机器人使用ROS2规划系统框架的计划执行的改进。
2021-01-11 cs.RO
Kineto-Dynamical Planning and Accurate Execution of Minimum-Time Maneuvers on Three-Dimensional Circuits
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自主车辆系统教授职位，技术大学慕尼黑）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）；Department of Electrical and Information Engineering, Politecnico di Bari（电气与信息工程系，巴里理工学院）
本文提出人工赛车手ARD，融合新型KD车辆模型与E-NMPC，在三维赛道上在线规划并执行最短时间机动，圈速接近离线最优基准且具备误差下重规划能力。
2025-09-26 cs.RO
PROTEA: Securing Robot Task Planning and Execution
PROTEA通过LLM-as-a-Judge机制评估机器人任务计划的安全性，解决维度和历史挑战，提升任务规划系统的鲁棒性和安全性。
2026-01-12 cs.RO
High-Level, Collaborative Task Planning Grammar and Execution for Heterogeneous Agents
Cornell University（康奈尔大学）
本研究提出一种新型多智能体任务语法，支持异构智能体团队的协同任务编码，无需明确任务分配与数量约束，可自动匹配智能体团队并生成带同步策略的构造即正确控制，经仿真验证具备可扩展性，性能优于现有多智能体任务语法。
2024-02-01 cs.RO
Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators
研究机器人操作器轨迹规划，提出控制感知最优轨迹规划框架，纳入动力学和执行器努力，用中点线性化策略，通过统一评估框架对比经典方法，能降低跟踪误差等，证明仅运动学平滑不能确保高效执行。
2026-07-10 cs.RO
Multi-Robot Multi-Goal Motion Planning with Stochastic Skills
ETH Zürich（苏黎世联邦理工学院）
本文提出将随机技能集成到基于采样的多机器人规划中，通过马尔可夫决策过程实现动态协调，避免保守基线，提升鲁棒性。
2026-10-07 cs.RO
Cyber-Physical Testbed for Human-Robot Collaborative Task Planning and Execution
Rochester Institute of Technology（罗切斯特理工学院）
在本文中，我们提出了一个网络物理的测试平台，使人类机器人团队在一个共享的工作空间中执行一个共享的任务。该实验台适合于桌面操作任务的实现，这是一种常见的人机协作场景。该测试平台集成了物理和虚拟世界中存在的元素。在这项工作中，我们报告了我们在理解和实施人类-机器人团队的任务规划和执行方面的探索过程中收集的见解。
2019-05-30 cs.MA cs.RO
Planning Multi-Fingered Grasps as Probabilistic Inference in a Learned Deep Network
University of Utah（犹他大学）
我们提出了一种新的方法来多指抓取规划利用学习的深度神经网络模型。我们训练一个卷积神经网络来预测抓取成功率，作为物体的视觉信息和抓取配置的函数。然后，我们可以制定抓取规划推断的把握配置，最大限度地提高把握成功的概率。我们使用反向传播算法在神经网络内部使用梯度上升优化来有效地执行此推断。我们的工作是第一个直接规划高品质的多指掌握配置空间使用深神经网络，而不需要一个外部的规划。我们验证我们的推理方法执行多指和两指掌握真实的机器人。我们的实验结果表明，我们的规划方法优于现有的神经网络规划方法;同时提供其他几个好处，包括学习数据效率高，速度快，足以部署在真正的机器人应用程序。
2018-04-10 cs.RO
From Failures to Supervision: DynamicEnvPlan for Robust Long-Horizon Embodied Planning
University of Chinese Academy of Sciences（中国科学院大学）；Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院）
该研究提出DynamicEnvPlan闭环框架，通过规划、扰动与防护校正模块生成恢复轨迹并分阶段微调，在104个任务-场景组合上使具身规划成功率从33.3%升至76.2%，提升了物理世界交互的鲁棒性。
2026-08-18 cs.RO
Planning and Execution using Inaccurate Models with Provable Guarantees
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人学院）；Aurora Innovation（极光创新公司 (Aurora Innovation)）
现代规划问题中用于模拟现实世界动作执行结果的模型正变得越来越复杂，从基于物理推理的模拟器到预先计算的分析运动基元。然而，在现实世界中运行的机器人在执行之前经常面临这些模型没有建模的情况。这种不完美的建模可能导致执行过程中的高度次优甚至不完整的行为。在本文中，我们提出了CMAX的方法交错规划和执行。CMAX在实际执行过程中在线调整其规划策略，以解决规划过程中动态的任何差异，而无需更新模型的动态。这是通过偏置规划器远离其动态被发现为不准确建模的过渡来实现的，从而导致机器人行为尽管具有不准确的模型，但仍试图完成任务。我们提供了可证明的保证的完整性和效率的建议的规划和执行框架的模型的特定假设下，小和大的状态空间。我们的方法CMAX被证明是有效的经验，在模拟机器人任务，包括4D平面推动，并在真正的机器人实验中使用PR2涉及的3D拾取和放置任务的对象的质量是不正确的建模，和7D手臂规划任务的关节之一是不操作的动态差异。我们的物理机器人实验视频可以在https://youtu.be/eQmAeWIhjO8上找到
2020-10-15 cs.LG cs.RO
APEX-MR: Multi-Robot Asynchronous Planning and Execution for Cooperative Assembly
Carnegie Mellon University（卡内基梅隆大学）
本文提出APEX-MR异步规划执行框架，通过后处理任务与运动计划，实现多机器人安全高效协作装配，平均提速48%，并首次用双臂系统完成商用乐高定制装配。
2025-08-07 cs.RO
Planning, Learning and Reasoning Framework for Robot Truck Unloading
NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Technion-Israel Institute of Technology（以色列理工学院）
我们认为，使用工业机械手机器人从卡车上自动卸载箱子的任务。出现了多种挑战：（1）用于携带两个铰接机构（臂和铲）的复杂机器人系统的实时运动规划，（2）在给定关于箱子的不完美信息（例如它们的质量）的情况下，关于接下来执行什么动作的决策，（3）考虑当前动作影响箱子的未来状态的问题的顺序性质，以及（4）将高级决策制定与低级运动规划交错的实时执行。在这项工作中，我们提出了一个规划，学习和推理框架，以应对这些挑战，并描述其组成部分，包括运动规划，离线学习的信念空间规划，在线决策的基础上离线学习，和执行模块相结合的决策与运动规划。我们分析了该框架在真实场景中的性能。特别是，运动规划和执行模块进行评估，在模拟和一个真正的机器人，而离线学习和在线决策进行评估模拟现实世界的情况。
2020-06-18 cs.RO
Real-Time Online Re-Planning for Grasping Under Clutter and Uncertainty
University of Leeds（利兹大学）
我们考虑在杂乱中抓取的问题。虽然近年来已经开发了运动规划器来解决这个问题，但这些规划器大多是针对开环执行而定制的。然而，在这个领域中的开环执行可能会失败，因为不可能以足够的精度对多体多接触物理系统的动力学进行建模，也不可能期望机器人知道物体的确切物理特性，例如摩擦，惯性和几何特性。因此，我们提出了一个在线重新规划的方法，通过杂波抓取。主要挑战是该领域需要较长的规划时间，这使得快速重新规划和流畅执行难以实现。为了解决这个问题，我们提出了一个容易并行化的随机轨迹优化算法，产生一系列的最优控制。我们表明，通过运行此优化器，只有少量的迭代，它是可能的执行实时的重新规划周期，以实现反应性的操作混乱和不确定性。
2018-10-09 cs.RO
On the Fly Robotic-Assisted Medical Instrument Planning and Execution Using Mixed Reality
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins School of Medicine（约翰斯·霍普金斯医学院）
本文提出一种基于混合现实的机器人辅助医疗系统框架，通过三维解剖叠加、碰撞检测和机器人编程接口实现器械实时规划与执行，降低操作学习成本，并在经颅磁刺激和股骨成形术中验证可行性。
2024-04-08 cs.RO
Robotic Motion Planning using Learned Critical Sources and Local Sampling
Indian Institute of Technology Kharagpur（印度理工学院哈拉格普尔分校）
基于采样的方法被广泛用于机器人运动规划。传统上，这些样本是从概率（或确定性）分布中抽取的，以均匀地覆盖状态空间。尽管在概率上是完全的，但它们在受限环境中无法在合理的时间内找到可行的路径，在受限环境中必须通过狭窄的通道（瓶颈区域）。现有技术训练学习模型（学习器）以在这些瓶颈区域上选择性地预测样本。然而，这些算法完全依赖于这个学习器生成的样本来导航通过瓶颈区域。随着规划问题的复杂性增加，使该学习器对工作空间结构的细微变化具有鲁棒性所需的数据量和时间在计算上变得难以处理。在这项工作中，我们提出了（1）一个有效的和强大的方法来使用学习器来定位瓶颈区域和（2）两个算法，使用本地采样方法来利用这些瓶颈区域的位置进行有效的运动规划，同时保持概率的完整性。我们测试我们的算法2维规划问题和7维机器人手臂规划，并报告显着的收益，以及学习的基线。
2020-06-07 cs.RO
PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution
X-Era Lab（X-Era实验室）；HCP Lab, Sun Yat-sen University（中山大学HCP实验室）；Peng Cheng Laboratory（鹏城实验室）
研究为具身智能体提出PhyAgentOS操作系统，其以会话为最小调度单位，用文件系统解耦认知与物理执行，通过会话验证器区分执行与任务完成，经认知记忆整合结果，有分层安全约束，在多模型和实体上验证并优于其他系统。
2026-07-21 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架，融合视觉基础模型提升机器人操作与运动规划，实现实时调整和持续学习，并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
DD-GBP: Anytime Multi-Arm Planning and Continuous Execution via Distributed Dynamic Gaussian Belief Propagation
Tsinghua University（清华大学）；Midea Group（美的集团）
本文提出DD-GBP方法，通过分布式动态高斯信念传播实现多机械臂长时程规划与连续执行，在含移动障碍物的多机械臂场景中表现出高成功率、强鲁棒性与优异可扩展性，达到新的技术基准。
2026-10-15 cs.RO
Multi-FLEX: An Automatic Task Sequence Execution Framework to Enable Reactive Motion Planning for Multi-Robot Applications
Astroscale Japan Inc.（日本宇宙尺度公司）；Medra Robotics（Medra机器人公司）；OMRON Research Center of America（欧姆龙美国研究中心）
针对工业多机器人应用中反应式运动规划与非反应式功能需求的矛盾，提出集成任务规划与反应式运动规划的Multi-FLEX框架，经六自由度工业机器人去毛刺实验验证可实现避障与工业应用需求。
2024-01-30 cs.RO
Agentic Neuro-Symbolic Planning and Commissioning for Human-in-the-Loop Industrial Robotics with Digital Twins
Royal Institute of Technology (KTH)（皇家理工学院（KTH））
提出一种结合LLM语言理解与确定性验证执行的神经符号框架，采用SDI架构和两级恢复机制，在数字孪生中验证后执行，显著提升任务成功率。
2026-06-06 cs.RO
Task and Motion Planning for Execution in the Real
Rice University（莱斯大学）；Australian National University（澳大利亚国立大学）
针对真实环境中知识缺口导致动作难以在规划时完全落实的问题，提出融合离线运动规划与在线闭环行为、并将失败反馈为约束重规划的任务与运动规划框架，真实机器人实验表明其更快、更短且更可靠。
2024-06-13 cs.AI cs.RO
Search-Based Task Planning with Learned Skill Effect Models for Lifelong Robotic Manipulation
Carnegie Mellon University（卡内基梅隆大学）
部署在许多现实环境中的机器人需要能够随着时间的推移获得新技能并解决新任务。以前的技能规划工作通常对技能和任务的结构做出假设，例如子目标技能，共享技能实现或特定于任务的计划框架，这限制了对新技能和任务的适应。相比之下，我们建议通过使用在模拟中学习的高级技能效果模型在参数化技能空间中进行联合搜索来进行任务规划。我们使用迭代训练过程来有效地生成相关数据来训练这样的模型。我们的方法允许灵活的技能参数化和任务规范，以促进终身学习的通用领域。实验表明，我们的规划者能够以终身的方式整合新技能，在训练和测试任务中以更低的成本找到新的任务策略。我们还表明，我们的方法可以转移到现实世界中，而无需进一步微调。
2022-04-14 cs.RO
Bilevel Planning with Learned Symbolic Abstractions from Interaction Data
Bogazici University（博雅大学）
本文提出一种双层神经符号框架，利用学习的概率符号规则和连续效应模型，在多目标操作任务中实现高效且可靠的规划。
2026-09-10 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
EMPOWER: Embodied Multi-role Open-vocabulary Planning with Online Grounding and Execution
University of Basilicata（巴西利卡塔大学）；International University of Rome UNINT（罗马UNINT国际大学）
EMPOWER框架利用预训练基础模型和多角色机制，解决机器人在现实环境中开放词汇在线接地与规划问题，在TIAGo机器人上六种场景中平均成功率达0.73。
2024-10-22 cs.AI cs.RO
From Real-Time Planning to Reliable Execution:Scalable Coordination for Heterogeneous Multi-Robot Fleets in Industrial Environments
提出SCALE反应式在线协调框架，通过运动诱导冲突减少机制和广义共轭动作-优先超图，实现异构多机器人车队的实时路径规划与鲁棒执行，经仓库部署验证有效性。
2026-07-07 cs.MA cs.RO
Planning with a Receding Horizon for Manipulation in Clutter using a Learned Value Function
University of Leeds（利兹大学）
杂波中的操纵需要在充满物理交互的环境中解决复杂的顺序决策问题。运动规划解决方案在开环中从仿真到现实世界的转移受到对现实世界物理学建模的固有不确定性的影响。我们建议交错规划和执行的实时，在一个闭环设置，使用一个滚动地平线规划（RHP）推动操纵混乱。在这种情况下，我们解决的问题，找到一个合适的价值函数为基础的启发式有效的规划，并估计成本去从地平线的目标。我们估计这样一个价值函数第一次使用现有的抽样为基础的规划器所产生的计划。然后，我们通过强化学习进一步优化价值函数。我们评估我们的方法，并将其与最先进的规划技术进行比较。我们在模拟中进行实验，人工注入的物理参数的不确定性，以及在现实世界中的杂波操作任务。我们表明，这种方法使机器人能够有效地对现实世界的不确定动态作出反应。
2018-07-27 cs.RO
Fast Perception, Planning, and Execution for a Robotic Butler: Wheeled Humanoid M-Hubo
Korea Advanced Institute of Science and Technology（韩国科学技术院）
随着老龄化人口的快速增长，对服务机器人平台的需求不断增长，这些服务机器人平台可以以实际的速度提供可靠的日常帮助。为了协助日常任务，例如取饮料，服务机器人必须能够感知其环境并生成相应的运动轨迹。当环境未知时，这成为一个具有挑战性和计算复杂的问题，因此路径规划器必须对许多通常是次优的轨迹进行采样，从而延长了执行时间。为了解决这个问题，我们提出了一个独特的战略，集成了一个三维目标检测管道与运动学上最佳的操纵规划，以显着提高运行时的速度性能。此外，我们开发了一个新的机器人管家系统的轮式人形，能够获取所需的对象在24%的速度，人类需要完成相同的任务。所提出的系统进行了评估，并在现实世界的环境设置，以及在公共展览中展示。
2020-01-02 cs.RO
Model-Based AI planning and Execution Systems for Robotics
Ben Gurion University of the Negev（内盖夫本-古里安大学）
本文综述了面向机器人任务级控制的基于模型的AI规划与执行系统，梳理现有系统的设计选择、解决方案及未来发展方向。
2025-05-07 cs.AI cs.RO
An evolutionary algorithm for online, resource constrained, multi-vehicle sensing mission planning
Ocean Systems Lab, Heriot Watt University（赫瑞瓦特大学海洋系统实验室）
移动机器人平台是各种科学和工业应用不可或缺的工具。机器人被用来执行任务，其执行受到各种因素的限制，例如分配的时间或剩余能量。资源受限的多机器人感测任务规划的现有解决方案以令人望而却步的计算复杂性为在线应用提供最优规划[1]，[2]，[3]。存在一种启发式方法，用于单个飞行器的在线、资源受限的传感任务规划[4]。这项工作提出了一个遗传算法（GA）为基础的启发式的相关团队定向问题（CTOP），用于规划传感和监测任务的机器人团队，在资源限制下运行。的启发式相比，最佳的混合二次规划（MIQP）的解决方案。结果表明，启发式解的质量在最坏情况下等于5%的最优解。在最坏的测试情况下，启发式解决方案被证明是至少300倍以上的时间效率。遗传算法的启发式执行所需的最坏情况下不到一秒钟，使其适合在线执行。
2018-01-10 cs.RO
Planning and Execution of Dynamic Whole-Body Locomotion for a Hydraulic Quadruped on Challenging Terrain
Istituto Italiano di Tecnologia（意大利理工学院）；ETH Zurich（苏黎世联邦理工学院）
我们提出了一个框架，动态四足运动在具有挑战性的地形，选择适当的立足点是至关重要的行为的成功。我们建立了一个模型的环境在线和船上使用一个有效的占用网格表示。我们使用Any-time-Repairing A*（ARA*）来搜索可能的动作树，选择一个粗略的身体路径，并相应地选择局部最佳立足点。我们使用动态稳定性指标零力矩点（ZMP）对身体轨迹进行n步前瞻优化，该指标可生成自然的动态全身运动。浮基逆动力学和虚拟模型控制的组合在主动顺应系统上精确地执行期望的运动。实验测试表明，这个框架使我们能够以近6倍于我们以前工作的速度遍历地形，在同一组试验中进行评估。
2019-04-07 cs.RO
Execution-Aware Pre-Execution Ranking for Grasp-Conditioned Robotic Placement
Deakin University（迪肯大学）
本文提出一种执行感知的预执行排序方法，通过结合点云和姿态描述符预测规划与执行成功，在机器人放置任务中显著提升端到端成功率。
2026-09-18 cs.RO
Planning in Learned Latent Action Spaces for Generalizable Legged Locomotion
FAIR；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
分层学习已经成功地在步行机器人上以样本有效的方式学习可推广的运动技能。然而，用于在层次结构的两个层之间进行通信的低维“潜在”动作通常是用户设计的。在这项工作中，我们提出了一个完全学习的分层框架，这是能够共同学习的低级别控制器和高级别的潜在动作空间。一旦这个潜在的空间是学习，我们计划在连续的潜在行动在模型预测控制的方式，使用学习的高级动态模型。这个框架推广到多个机器人，我们目前的结果菊花六足模拟，A1四足模拟，菊花机器人硬件。我们比较了一系列从文献中学习的分层方法，并表明我们的框架在多个任务和两个模拟上优于基线。除了学习方法，我们还比较了逆运动学（IK）作用于所需的机器人运动，并表明我们完全学习的框架在A1和Daisy模拟的不利设置中优于IK。在硬件上，我们展示了Daisy hexapod在非结构化的户外环境中实现多个运动任务，只有2000个硬件样本，加强了我们方法的鲁棒性和样本效率。
2021-03-18 cs.RO
Beyond Policy Alignment: Closing the Planning-Learning Loop for Robot Control with Learned World Models
Rutgers University（罗格斯大学）
提出PL-MPC，通过混合TD目标、分歧感知终端估计和返回加权蒸馏，改进TD-MPC的规划-学习闭环，在HumanoidBench上显著提升性能，并实现零样本仿真到现实迁移。
2026-10-01 cs.RO
CLIS-MPPI: Closed-Loop Model Predictive Path Integral Control With Initial-State Sampling Under Execution Delay
University of Washington（华盛顿大学）
针对机器人系统中MPPI控制因执行延迟导致的状态不匹配问题，提出CLIS-MPPI方法，经UR5e机械臂实验验证，该方法可提升安全性、规划执行一致性与运动平滑性。
2026-10-16 cs.RO
Robust 2D Assembly Sequencing via Geometric Planning with Learned Scores
Tel-Aviv University（特拉维夫大学）；Technion（以色列理工学院）；University of California, Berkeley（加州大学伯克利分校）
为了计算强大的2D装配计划，我们提出了一种方法，结合几何规划与深度神经网络。我们使用Box 2D物理模拟器并添加随机噪声来训练网络，以产生鲁棒性分数--计划装配运动的成功概率。由于对每个装配运动进行仿真是不切实际的，我们训练一个卷积神经网络来映射装配操作，以装配前后的图像对的形式给出，以获得鲁棒性分数。神经网络预测在规划器内用于快速地修剪掉不稳健的运动。我们证明了这种方法双手平面组件，其中的运动是一步平移。结果表明，神经网络可以学习鲁棒性规划鲁棒序列的速度比物理模拟快一个数量级。
2020-09-20 cs.RO
Is Online Interaction Necessary for Recovery? A Minimalist Approach to Robust Planning via Perturbation
针对行为克隆在闭环执行中易受协变量偏移影响的问题，提出扰动增强恢复监督（PARS），仅用现有演示通过扰动状态并锚定轨迹后半段来提供恢复监督，无需额外交互或专家，在51个RLBench任务上验证了鲁棒性提升。
2026-09-29 cs.RO
Robot Planning and Situation Handling with Active Perception
SUNY Binghamton（纽约州立大学布法罗分校）；CMU（卡内基梅隆大学）；Ford Research（福特研究）；Agility Robotics（敏捷机器人）
本文提出VAP-TAMP框架，通过主动感知和情境评估提升机器人在动态环境中执行任务的能力，结合场景图进行任务与运动规划，通过仿真和移动机械臂平台验证有效性。
2026-04-28 cs.RO
Joint-Space Multi-Robot Motion Planning with Learned Decentralized Heuristics
California Institute of Technology（加州理工学院）
提出一种利用去中心化数据驱动启发式偏置集中式采样树搜索的多机器人运动规划方法，有效解决了高维关节空间规划难题，支持多达16个机器人的规划。
2023-11-21 cs.RO
Regeneration and Joining of the Learned Motion Primitives for Automated Vehicle Motion Planning Applications
Beijing Institute of Technology（北京理工大学）；CNRS-UM LIRMM（法国国家科学研究中心-蒙彼利埃大学机器人与微电子实验室）
如何将人的因素融入到运动规划系统中，对于提高智能车辆的接受度具有重要意义。将运动分解为基元，然后精确平滑地拼接运动基元是运动规划系统中的一个重要问题。因此，本文的目的是再生并加入图书馆中有学识的议员。通过应用基于修改的动态运动基元（DMPS）和奇异值分解（SVD）的表示算法，我们的方法分离的基本形状参数和微调形状参数从MP库中的相同类型的演示轨迹。此外，我们将MP连接问题转化为一个重新表示问题，并使用所提出的表示算法的特点，以实现准确和平滑的过渡。实验结果表明，该方法可以有效地减少形状调整参数的数量时，MP再生，而不影响的准确性的表示。此外，我们还提出了所提出的方法，以平滑的速度跳时，MP连接和评估其对跟踪的准确性设置的目标点的能力。结果表明，该方法不仅提高了单个MP响应不同运动规划要求的调整能力，而且满足了MP序列生成中MP加入的基本要求。
2019-07-04 cs.RO
Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing
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）
针对自主赛车轨迹规划保守导致性能损失的问题，提出控制感知在线轨迹规划框架，通过动态调整约束补偿执行误差，在不增加计算负担的前提下缩短单圈时间1.8秒。
2026-08-17 cs.RO
SCOPE: Field-of-View-Aware Path Planning in Unknown Space via Safety-Volume Certification
Carnegie Mellon University（卡内基梅隆大学）；Brigham Young University（杨百翰大学）
SCOPE是一种在未知3D环境中规划路径的框架，通过安全体积认证实现视场感知，可到达所有目标、减少任务时间，真实机器人演示验证其有效性。
2026-09-01 cs.RO
Multi-Fingered Grasp Planning via Inference in Deep Neural Networks
University of Utah（犹他大学）
我们提出了一种新的方法来多指抓取规划利用学习的深度神经网络模型。我们训练一个基于体素的三维卷积神经网络来预测抓取成功概率作为一个函数的视觉信息的对象和把握配置。然后，我们可以制定抓取规划推断的把握配置，最大限度地提高把握成功的概率。此外，我们学习了一个先验的把握配置作为一个混合密度网络的条件下，我们的基于体素的对象表示。我们表明，这个对象的条件先验提高了把握推理时，与学习掌握成功预测网络相比，学习，对象不可知的先验，或不知情的统一先验。我们的工作是第一个直接规划高品质的多指掌握配置空间使用深度神经网络，而不需要一个外部规划。我们验证了我们的推理方法进行多手指抓取的物理机器人。我们的实验结果表明，我们的规划方法优于现有的神经网络抓取规划方法。
2020-03-19 cs.RO
Safe Streaming Flow Planning by Aligning Sampling Dynamics with Execution Dynamics
Nanyang Technological University（南洋理工大学）；University of Washington（华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）；KAIST（韩国科学技术院）
提出SafeStreamingFlow，通过对齐采样与执行动力学实现安全流式规划，降低延迟并提升安全性，同时保持目标到达成功率。
2026-10-05 cs.LG cs.RO
Solving Simultaneous Target Assignment and Path Planning Efficiently with Time-Independent Execution
Tokyo Institute of Technology（东京工业大学）
针对多智能体的目标分配和路径规划的组合问题的实时规划，也称为多智能体路径查找（MAPF）的未标记版本，对于多智能体系统中的高层协调至关重要，例如，由机器人群体形成的模式。本文研究了两个方面的unlabeled-MAPF：（1）离线场景：解决大型实例的集中式方法与小的计算时间，（2）在线场景：执行unlabeled-MAPF，尽管真实机器人的时间不确定性。为此，我们提出了TSWAP，一种新的次优完整算法，它采取了任意的初始目标分配，然后重复一个时间步的路径规划与目标交换。TSWAP可以适应离线和在线场景。我们的经验表明，离线TSWAP是高度可扩展的，提供接近最佳的解决方案，同时减少运行时间的数量级相比，现有的方法。此外，我们提出了在线TSWAP的好处，如延迟容忍，通过真实的机器人演示。
2022-02-28 cs.MA cs.RO
Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments
Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy（意大利国家研究委员会智能工业技术与系统研究所）；Institute of Cognitive Sciences and Technologies, National Research Council of Italy（意大利国家研究委员会认知科学与技术研究所）；University of Brescia（布雷西亚大学）
本文针对动态环境中人机多智能体系统，提出任务与运动解耦的组合规划框架，通过时间线规划与在线运动规划优化任务排序、分配和执行，在协作制造场景中验证可缩短执行时间并扩展应用范围。
2023-03-27 cs.AI cs.RO
Long-Horizon Planning and Execution with Functional Object-Oriented Networks
Brown University（布朗大学）；University of Innsbruck（因斯布鲁克大学）；TU Wien（维也纳工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
针对 FOON 概念过于抽象、难以直接执行的问题，本文提出将 FOON 自动转换为 PDDL，并结合现成规划器、动作上下文和机器人技能的分层规划框架，在 CoppeliaSim 长程任务中实现可执行规划与场景泛化。
2023-06-02 cs.AI cs.RO
