Sampling-Based Motion Planning: A Comparative Review
本文系统综述基于采样的运动规划算法，梳理其历史、代表性规划器及扩展，并在24个挑战性问题上进行比较评估，为研究者和实践者提供选型指南。
2023-09-22 cs.RO
Learning Sampling Dictionaries for Efficient and Generalizable Robot Motion Planning with Transformers
University of California San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
本文提出两阶段 VQ-MPT，用离散采样字典和自回归采样区域选择增强 SMP，实现跨 2D 到 14D 机器人及未见环境的高效、可泛化运动规划。
2023-09-26 cs.AI cs.RO
Generative Adversarial Network based Heuristics for Sampling-based Path Planning
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
基于采样的路径规划是机器人路径规划的一种常用方法。采用均匀采样策略探索状态空间，不需要对位形空间进行复杂的几何建模，即可找到可行路径。但是，初始解的质量得不到保证，收敛到最优解的速度较慢。在本文中，我们提出了一种新的基于图像的路径规划算法，以克服这些限制。具体而言，生成对抗网络（GAN）的设计，以环境地图（表示为RGB图像）作为输入，而无需其他预处理工作。输出也是一个RGB图像，其中分割了有希望的区域（可能存在可行路径）。这个有希望的区域被用作启发式算法，以实现路径规划器的非均匀采样。通过大量的仿真实验验证了该方法的有效性，实验结果表明，该方法在初始解的质量和收敛到最优解的速度方面都有较大的提高。此外，除了与训练集相似的环境外，我们的方法也适用于与训练集非常不同的环境。
2020-12-07 cs.AI cs.RO
LES: Locally Exploitative Sampling for Robot Path Planning
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）
基于采样的算法通过在搜索空间中生成随机样本并递增地生长连通图或树来解决路径规划问题。传统上，这些算法中使用的采样策略偏向于探索以获取关于搜索空间的信息。相比之下，这项工作提出了一个基于优化的过程，生成新的样本，以提高成本来的价值的顶点在一个街区。该算法的应用程序增加了一个剥削偏置采样和结果在一个更快的收敛到最优解相比，其他国家的最先进的采样技术。这是证明使用基准实验进行fora各种更高的维度机器人规划任务。
2021-02-25 cs.RO
Active Markov Information-Theoretic Path Planning for Robotic Environmental Sensing
National University of Singapore（新加坡国立大学）；Carnegie Mellon University（卡内基梅隆大学）
最近的研究在多机器人探索和地图集中在采样环境领域，这是典型的高斯过程（GP）建模。现有的信息理论的探索策略，学习基于GP的环境场地图采用非马尔可夫问题结构，因此规模差的历史观测的长度。因此，使用这些策略进行原位、实时主动采样在计算上变得不切实际。为了减轻这种计算负担，本文提出了一种基于马尔可夫的方法，有效的信息理论的路径规划主动采样的GP为基础的领域。我们分析了解决基于马尔可夫路径规划问题的时间复杂度，并分析表明，它的规模优于得出的非马尔可夫策略，随着规划范围的长度增加。对于一类称为样带采样任务的探索任务，我们提供了理论上的保证，我们的主动采样性能的马尔可夫为基础的政策，从理想的环境场条件和采样任务设置可以建立限制其性能下降，由于违反马尔可夫假设。对实际温度和浮游生物密度场数据的实证评估表明，我们的基于马尔可夫的政策通常可以实现主动采样性能相比，广泛使用的非马尔可夫贪婪政策在不太有利的现实条件和任务设置，同时享受显着的计算增益。
2011-01-28 cs.AI cs.LG cs.MA
Combining a Probabilistic Sampling Technique and Simple Heuristics to solve the Dynamic Path Planning Problem
Universidad Técnica Federico Santa María（费德里科·圣玛丽亚理工大学）；INRIA/LORIA（法国国家信息与自动化研究所/洛林计算机科学及其应用实验室）
概率抽样方法已经成为解决单次射击路径规划问题的一种非常流行的方法。特别是快速探索随机树（RRT）已被证明在解决高维问题方面非常有效。尽管已经提出了几种RRT变体来解决动态重新规划问题，但这些方法仅在不频繁变化的环境中表现良好。本文针对动态路径规划问题，结合简单的技术，在多阶段的概率算法。该算法使用RRT作为初始解，通知局部搜索来修复不可行路径和一个简单的贪婪优化器。该算法能够识别本地搜索何时卡住，并随后重新启动RRT。我们表明，这种简单的技术相结合，提供了更好的反应，一个高度动态的环境比动态RRT的变种。
2009-12-01 cs.AI cs.RO
Bayesian Local Sampling-based Planning
The University of Sydney（悉尼大学）；NVIDIA（英伟达）
基于采样的规划是机器人运动规划的主要范例。大多数基于抽样的规划者使用全局随机抽样方案来保证概率的完整性。然而，大多数计划往往是低效的，因为样本来自全球的建议分布，并没有利用相关的本地结构。另一方面，基于局部采样的运动规划器采取随机行走的顺序决策来采样配置空间中的有效轨迹。然而，目前的方法不适应他们的战略，根据过去的样本的成功和失败。在这项工作中，我们介绍了一个局部采样为基础的运动规划与贝叶斯学习计划建模的自适应采样建议分布。基于先前的样本顺序地更新建议分布，从而根据配置空间中的局部障碍和约束对其进行成形。因此，通过从过去观察到的结果中学习，我们最大限度地提高了在狭窄通道内形成轨迹的概率较高的区域中进行采样的可能性。我们提供了一个样本有效分布的制定，以及按顺序更新此分布的理论基础。我们的实验表明，通过使用贝叶斯建议分布，解决方案被发现更快，需要更少的样本，没有任何明显的性能开销。
2020-01-19 cs.AI cs.LG cs.RO
Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments
George Mason University（乔治梅森大学）
针对部分建图环境中运动规划重规划开销大、易振荡的问题，提出结合高层离散层与历史解引导运动树扩展的增强型采样规划框架，有效提升规划速度与解的一致性。
2023-06-15 cs.RO
Learning Sampling Distributions for Robot Motion Planning
Google Brain（谷歌大脑）；Stanford University（斯坦福大学）
基于采样的运动规划的定义特征是依赖于状态空间的隐式表示，这是由一组探测样本实现的。传统上，这些样本被概率性地或确定性地绘制以均匀地覆盖状态空间。然而，许多机器人系统的运动通常被限制在状态空间的“小”区域，例如，由于微分约束或碰撞避免约束。为了加速规划过程，因此期望设计非均匀采样策略，该非均匀采样策略有利于在可能存在最优解的那些区域中进行采样。本文提出了一种非均匀抽样的方法，即从示范中学习抽样分布，然后用于偏置抽样。通过条件变分自编码器计算采样分布，允许从以特定规划问题为条件的潜在空间生成样本。这种方法是通用的，可以与任何基于采样的规划器结合使用，并且可以有效地利用规划问题的底层结构，同时保持基于采样的方法的理论保证。具体而言，在几个规划问题，所提出的方法，有效地学习表示的状态空间的相关区域，导致在一个数量级的改善，成功率和收敛到最佳成本。
2019-03-12 cs.LG cs.RO
Parallelised Diffeomorphic Sampling-based Motion Planning
The University of Sydney（悉尼大学）；University of Utah（犹他大学）；NVIDIA（英伟达）
我们提出了一种基于简化同构采样的运动规划（PPERS）。PSTOM是一种新型的并行框架，它使用双射和可微映射或同构来转换基于采样的运动规划器的采样分布，其方式类似于标准化流。与使用可逆神经网络结构来表示这些非线性同态的正常化流模型不同，我们从所需成本的梯度信息中开发它们，并对理想的行为进行编码，例如避障。然后，这些变换的采样分布可以用于基于采样的运动规划。一个特殊的例子是，当我们希望将环境几何体的知识注入采样分布时，这样绘制的样本就不太容易发生碰撞。为此，我们建议从环境占用数据中学习连续占用表示，使得表示的梯度定义了有效的自同构，并且可以进行快速并行评估。我们使用它来“变形”采样分布，以绘制更少的易碰撞样本。PINK能够利用成本的梯度信息，以类似于基于优化的运动规划方法的方式注入规范，但依赖于从采样分布中提取，保持找到更多全局解决方案的趋势，从而弥合轨迹优化和基于采样的规划方法之间的差距。
2021-09-23 cs.LG cs.RO
Integrating Fast Regional Optimization into Sampling-based Kinodynamic Planning for Multirotor Flight
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The University of Hong Kong（香港大学）
对于实时多旋翼运动动力学运动规划，基于采样的方法的效率通常受到难以采样的同伦类（如狭窄通道）的阻碍。在本文中，我们解决这个问题的混合计划。我们首先提出了一个快速的区域优化器，利用局部环境的信息，然后将其集成到一个全局采样过程，以确保更快的收敛。在不同的基于采样的方法上结合局部优化，在各种具有挑战性的环境中显着提高了成功率和减少了规划时间。我们还提出了一个细化模块，充分调查所产生的轨迹的全球采样，大大提高了其平滑性，可以忽略不计的计算工作。基准测试结果表明，与最先进的方法相比，我们提出的方法可以更好地利用以前的轨迹。应用该规划方法生成了一个仿真的四旋翼系统的轨迹，并在实时应用中验证了其能力。
2021-03-09 cs.RO
sbp-env: Sampling-based Motion Planners' Testing Environment
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
基于采样的运动规划器测试环境（sbp-env）是一个完整的功能框架，用于快速测试运动规划的不同基于采样的算法。战略性业务伙伴关系环境规划侧重于对框架的不同方面进行修补的灵活性，并将主要规划组成部分分为两类：（一）抽样者和（二）规划者。运动规划研究的重点主要集中在（i）提高采样效率（使用启发式或学习分布等方法）和（ii）规划器使用不同例程构建连通图的算法方面。因此，通过分离两个组件，可以快速交换不同的组件来测试新的想法。
2021-10-28 cs.AI cs.RO
Efficient Sampling in POMDPs with Lipschitz Bandits for Motion Planning in Continuous Spaces
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
不确定性下的决策过程可以看作是一个部分可观测的马尔可夫决策过程（POMDP）。寻找POMDPs的精确解通常在计算上是难以处理的，但是该解可以通过基于采样的方法来近似。这些基于采样的POMDP求解器依赖于多臂强盗（MAB）算法，该算法假设不同动作的结果是不相关的。在某些应用中，如连续空间中的运动规划，类似的动作会产生类似的结果。在本文中，我们利用MAB启发式算法的变体，对行动结果进行Lipschitz连续性假设，以提高基于采样的规划方法的效率。我们证明了这种方法的有效性的背景下，自动驾驶的运动规划。
2021-06-08 cs.LG cs.RO
GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学，College Station, TX 77843, USA）；Zachry Department of Civil and Environmental Engineering, Texas A&M University, College Station, TX 77843 USA（Zachry 市政与环境工程系，德克萨斯A&M大学，College Station, TX 77843 USA）
GAIDE是一种基于图的神经指导采样器，通过结合空间结构和机械臂的具身性提升运动规划的效率和成功率。
2026-03-03 cs.RO
Advanced BIT* (ABIT*): Sampling-Based Planning with Advanced Graph-Search Techniques
Oxford Robotics Institute (ORI)（牛津机器人研究所）
路径规划是一个活跃的研究领域，对机器人的许多应用至关重要。流行的技术包括基于图形的搜索和基于采样的规划器。这些方法很强大，但也有局限性。本文继续努力结合他们的优势，并减轻他们的局限性，使用统一的规划模式。它通过将路径规划问题视为搜索和近似的两个子问题，并在基于采样的近似上使用高级图搜索技术来实现这一点。这种观点导致了高级BIT*。ABIT* 结合了截断的随时基于图的搜索，如ATD*，与随时几乎肯定渐近最优的基于采样的规划器，如RRT*。这使得它能够快速找到初始解，然后以随时随地的方式收敛到最优解。ABIT* 在$\mathbb{R}^{4}$和$\mathbb{R}^{8}$中的测试问题上优于现有的单查询、基于采样的规划器，并在NASA/JPL-Caltech的实际问题上得到了验证。
2020-02-16 cs.RO
Analysis of Asymptotically Optimal Sampling-based Motion Planning Algorithms for Lipschitz Continuous Dynamical Systems
Massachusetts Institute of Technology（麻省理工学院）；University of Queensland（昆士兰大学）
在过去的20年中，大量的工作致力于开发基于采样的运动规划算法，例如快速探索随机树（RRT）及其渐近最优版本（例如RRT*）。然而，RRT* 的渐近最优性仅适用于线性和全驱动系统或少数非线性系统（例如Dubin的汽车），其中转向功能可用。本文的目的是表明，渐近最优的运动规划的动力系统微分约束可以实现不使用转向功能。我们开发了一种新的分析基于采样的规划算法，采样控制空间。这一分析表明，任何Lipschitz连续动力系统的渐近最优路径规划可以通过直接对控制空间进行采样来实现。我们还确定这类算法的收敛速度的理论界。随着迭代次数的增加，由这些算法生成的轨迹以概率1接近最优控制轨迹。模拟结果是有希望的。
2014-05-12 cs.RO
Sampling-based Algorithms for Optimal Motion Planning Using Closed-loop Prediction
Georgia Institute of Technology（佐治亚理工学院）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
微分约束下的运动规划，即运动动力学运动规划，是机器人学中的经典问题之一。目前，最先进的方法围绕流行的基于采样的算法的运动动力学变体，如快速探索随机树（RRT）。然而，仍然存在挑战，例如，如何在保证最优性的同时包括复杂的动态。如果开环动态是不稳定的，则通过控制空间中的随机采样的探索变得低效。我们描述了一种新的基于采样的算法，称为CL-RRT#，它利用了RRT#算法的思想和RRT算法的变体，该算法使用闭环预测生成轨迹。规划与闭环预测的想法，使我们能够处理复杂的不稳定的动态，并避免需要找到计算困难的转向程序。RRT#算法中提出的搜索技术允许我们通过搜索替代参考轨迹来提高解的质量。使用非完整系统的数值模拟表明所提出的方法的好处。
2016-01-23 cs.RO
Evaluating Guiding Spaces for Motion Planning
University of Illinois（伊利诺伊大学）；Texas A&M University（得克萨斯农工大学）
基于随机采样的算法被广泛应用于机器人运动规划中，由于问题的棘手性，并在实验上有效的范围广泛的问题实例。大多数变体不会随机均匀地抽样，而是使用各种方法来确定哪些样本将提供更多信息，或者更有可能参与最终解决方案。在这项工作中，我们定义了\emph{motion planning guiding space}，它封装了许多看似不同的工作在同一个框架下。此外，我们提出了一个信息理论的方法来评估引导规划的地方，重点放在所产生的有偏采样的质量。最后，我们分析了几个运动规划算法，以证明我们的定义和评估的适用性。
2022-10-16 cs.AI cs.RO
Learning Sampling Distributions Using Local 3D Workspace Decompositions for Motion Planning in High Dimensions
Rice University（莱斯大学）
早期的工作表明，重用以前的运动规划问题的经验，可以提高类似的，未来的运动规划查询的效率。然而，对于具有许多自由度的机器人，这些方法在不同环境中表现出较差的泛化能力，并且通常需要收集不切实际的大型数据集。我们提出了SPARK和FLAME，两个基于经验的框架采样为基础的规划适用于复杂的机械手在三维环境中。两者都将与来自工作空间分解的特征相关联的采样器组合成全局有偏采样分布。SPARK基于精确的几何结构来分解环境，而FLAME更一般，并使用从传感器数据获得的基于八叉树的分解。我们证明了SPARK和FLAME的有效性，一个取机器人的任务具有挑战性的拾取和放置操作问题。我们的方法可以进行增量训练，并且仅用少数几个例子就可以显着提高性能，与以前的方法相比，可以更好地概括各种任务和环境。
2021-10-15 cs.AI cs.LG cs.RO
Improving Efficiency of Sampling-based Motion Planning via Message-Passing Monte Carlo
CSAIL, MIT（MIT计算机科学与人工智能实验室）；ELLIS Institute（埃里克·林斯研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（图宾根人工智能中心）；Case Western Reserve University（凯斯西储大学）
本文提出利用消息传递蒙特卡洛生成低差异均匀采样点集，以提升高维空间中基于采样的运动规划效率，并实验验证其优于传统采样方法。
2025-08-26 cs.RO
Joint Sampling and Trajectory Optimization over Graphs for Online Motion Planning
Facebook AI Research（脸书人工智能研究院）
在最流行的运动规划技术中，采样和轨迹优化由于其分别处理紧约束和高维系统的能力而获得成功。然而，在更高维度的采样和局部最小值问题的优化限制，阻碍了他们超越静态场景在离线设置的能力。在这里，我们考虑高度动态的环境，需要一个快速的在线解决方案。我们提出了一个统一的方法，利用采样和优化的互补优势，并交错它们都在一种方式，非常适合这个具有挑战性的问题。在多个合成和现实的模拟环境中的基准测试，我们表明，我们的方法在各种指标上表现得更好，对基线只采用采样或只优化。项目页面：https://sites.google.com/view/jistplanner
2021-07-28 cs.RO
Posterior Sampling for Anytime Motion Planning on Graphs with Expensive-to-Evaluate Edges
University of Washington（华盛顿大学）
碰撞检查是运动规划中的一个计算瓶颈，需要明确推理何时执行此计算的惰性算法。面对碰撞的不确定性，乐观的态度可以最大限度地减少找到最短路径之前的检查次数。然而，这可能需要非常长的时间来计算，在此期间没有发现其他可行路径。对于许多实时应用程序，我们反而需要强大的随时性能，定义为最小化随时间产生的可行路径的累积长度。我们引入后验采样运动规划（PSMP），一个随时懒惰的运动规划算法，利用学习后验的边缘碰撞，快速发现一个初始的可行路径，并逐步产生较短的路径。PSMP获得了$\tilde{O}(\sqrt{\mathcal{S} \mathcal{A} T})$的期望遗憾界，并在一组二维和七维规划问题上优于比较基线。
2020-03-20 cs.RO
Conformalized Non-uniform Sampling Strategies for Accelerated Sampling-based Motion Planning
Department of Electrical and Systems Engineering, Washington University in St. Louis（电气与系统工程系，华盛顿大学圣路易斯分校）
本文提出一种基于保形预测的非均匀采样策略，通过将采样偏向经认证的区域来加速基于采样的运动规划，并首次为采样区域提供概率正确保证，实验证明其规划更快且泛化性更好。
2025-11-06 cs.RO
Graph Neural Networks for Motion Planning
University of Pennsylvania（宾夕法尼亚大学）；Google Brain（谷歌大脑）
本文研究了使用图神经网络（GNNs）的经典运动规划问题的可行性。我们建议使用GNN的能力来指导连续和离散规划算法，该能力使用称为置换不变性的属性来鲁棒地编码规划空间的拓扑结构。我们提出了两种技术，在密集的固定图的低维问题和基于采样的GNNs高维问题的GNNs。我们研究了GNN解决规划问题的能力，例如识别关键节点或学习快速探索随机树（RRT）中的采样分布。临界采样、钟摆和六自由度机器人手臂的实验表明，GNN改进了传统的分析方法以及使用全连接或卷积神经网络的学习方法。
2020-12-14 cs.AI cs.LG cs.RO
Exploiting collisions for sampling-based multicopter motion planning
University of California, Berkeley（加州大学伯克利分校）
具有碰撞弹性设计的多旋翼飞行器可以在涉及碰撞的轨迹上运行。本文提出了一种基于采样的方法，可以利用碰撞更好的运动规划。该方法是建立在RRT* 算法的基础上，并利用快速运动基元生成和碰撞检查的多旋翼。它通过检测运动基元和障碍物之间的潜在交叉点来生成碰撞状态，并将这些状态与其他采样状态连接以形成包含碰撞的轨迹。我们表明，允许碰撞有助于提高基于采样的规划器在隧道等狭窄空间中的性能。最后，给出了一个跟踪碰撞包容规划器生成的轨迹的实验。
2020-11-08 cs.RO
Generalizing Informed Sampling for Asymptotically Optimal Sampling-based Kinodynamic Planning via Markov Chain Monte Carlo
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
渐进最优运动规划器（如RRT*）已被证明可以逐步逼近起始状态和目标状态之间的最短路径。一旦找到初始解，通过将后续样本限制到可能改善当前解的状态空间区域，可以显着改善其性能。当运动规划问题位于欧几里德空间中时，可以直接对该区域$X_{inf}$（称为信息集）进行采样。然而，当在非欧几里德状态空间中规划微分约束时，不存在直接采样$X_{inf}$的解析解。在这种域中对$X_{inf}$进行采样的现有技术方法（例如分层拒绝采样（HRS））在高维状态空间中可能仍然很慢。这可能会导致规划算法花费其大部分时间试图产生样本在$X_{inf}$，而不是探索it.In本文中，我们提出了一种替代方法来产生样本的通知集$X_{inf}$的设置范围很广。我们的主要见解是重铸这个问题作为一个采样均匀内的子水平集的隐式非凸函数。这种重新设计使我们能够应用蒙特卡洛抽样方法，在机器学习和优化社区中非常有效地使用，以解决我们的问题。我们表明，使用我们的采样器可以加快收敛速度，在高维问题的高质量的解决方案，在广泛的情况下。
2017-10-17 cs.RO
Optimal Sampling-Based Motion Planning under Differential Constraints: the Driftless Case
Institute for Computational & Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所）；Department of Statistics, Stanford University（斯坦福大学统计系）；Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空航天系）
微分约束下的运动规划是机器人学中的经典问题。到目前为止，最先进的技术是基于采样的技术，快速探索随机树算法作为一个领先的例子。然而，这个问题在许多方面仍然是开放的，包括对所获得的解决方案的质量的保证。在本文中，我们提供了一个彻底的理论框架，以评估最优性保证的采样为基础的算法规划微分约束下。我们利用这个框架来设计和分析两种新的基于采样的算法，保证收敛，随着样本数量的增加，到一个最佳的解决方案（即差分概率路线图算法和差分快速行进树算法）。我们的重点是无漂移控制仿射动力学模型，它准确地模拟了一大类机器人系统。在本文中，我们使用的概念，收敛概率（而不是收敛几乎肯定）：额外的数学灵活性，这种方法产生收敛速度的界限-第一次在该领域的最佳采样为基础的运动规划差分约束。数值实验证实了我们的理论结果，并进行了讨论。
2015-03-02 cs.RO
Interleaving Optimization with Sampling-Based Motion Planning (IOS-MP): Combining Local Optimization with Global Exploration
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
计算机器人的全局最优运动计划具有挑战性，部分原因是它需要同时从宏观角度（即，考虑多个同伦类中的路径）和微观视点（即，局部优化路径质量）。我们介绍了基于采样的运动规划（IOS-MP），一种新的方法，有效地结合了全局探索和局部优化，快速计算高质量的运动计划的交织优化。我们的方法结合了两个范例：（1）渐近最佳采样为基础的运动规划，这是有效的全局探索，但相对缓慢的局部细化路径，和（2）优化为基础的运动规划，局部优化路径快速，但缺乏全局视图的配置空间。IOS-MP迭代地在全局探索和局部优化之间交替，在两者之间共享信息，以提高运动规划效率。我们评估IOS-MP，因为它的规模方面的维度和复杂性，以及证明其有效性的7自由度机械手指定的任务，使用目标配置和工作空间目标区域。
2016-09-20 cs.RO
Scaling Sampling-based Motion Planning to Humanoid Robots
University of Edinburgh（爱丁堡大学）
规划人形机器人的平衡和无碰撞运动是不平凡的，特别是当它们在复杂的环境中操作时，例如到达障碍物后面的目标或通过狭窄的通道。我们提出了一种方法，使我们能够应用现有的采样为基础的算法规划轨迹人形机器人利用自定义的状态空间表示，有偏的采样策略，和一个强大的逆运动学求解器的基础上的转向功能。我们的方法不需要事先离线计算，因此可以很容易地将工作转移到新的机器人平台上。我们测试了所提出的方法解决实际达到的任务，38度的自由人形机器人，美国宇航局瓦尔基里，表明我们的方法是能够生成有效的运动计划，可以执行先进的全尺寸人形机器人。我们还提出了一个基准之间的不同运动规划算法评估各种达到运动问题。这使我们能够找到合适的算法来解决类人运动规划问题，并确定这些算法的局限性。
2016-07-29 cs.RO
Sampling-Based Temporal Logic Path Planning
Boston University（波士顿大学）
在本文中，我们提出了一个基于采样的运动规划算法，找到一个无限的路径满足线性时序逻辑（LTL）公式在一组属性满足某些地区在给定的环境。该算法有三个主要特点。首先，它是增量的，在这个意义上，用于在每次迭代中找到满意路径的过程仅与在该迭代中生成的新样本的数量成比例。其次，底层图是稀疏的，这保证了整个方法的低复杂度。第三，它在概率上是完备的。包括说明的有用性和性能的方法的例子。
2013-07-27 cs.RO
Motion Planning as Online Learning: A Multi-Armed Bandit Approach to Kinodynamic Sampling-Based Planning
University of Michigan（密歇根大学）
针对kinodynamic运动规划在无转向函数时难获高质量解的问题，将采样偏置建模为非平稳多臂老虎机问题，结合kinodynamic RRT转移聚类与老虎机算法自适应采样，可更快获更优解并提升执行成功率。
2023-08-26 cs.RO
Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making
Harbin Institute of Technology（哈尔滨工业大学）
本文提出TEMP深度学习运动规划框架，通过EISE语义编码与MPT注意力引导采样提升路径质量、搜索效率及跨任务泛化能力。
2024-04-30 cs.AI cs.RO
Sampling-free obstacle gradients and reactive planning in Neural Radiance Fields (NeRF)
ETH Zurich（苏黎世联邦理工学院）
这项工作研究了神经隐式表示（特别是神经辐射场（NeRF））在几何查询和运动规划中的使用。我们表明，通过将推断半径内占用的能力添加到预先训练的NeRF中，我们有效地学习了对欧几里得符号距离场（ESDF）的近似。使用后向差分的增强网络，我们得到一个障碍梯度，集成到一个避障策略的基础上的黎曼运动策略（RMP）的框架。因此，我们的研究结果允许非常快速的采样自由避障规划的隐式表示。
2022-05-03 cs.CV cs.RO
Sampling Strategies for Path Planning under Kinematic Constraints
INRIA Rhône-Alpes（法国国立信息学与自动化研究院罗讷-阿尔卑斯研究中心）
概率路径规划器的一个众所周知的弱点是所谓的窄通道问题，其中必须探索具有相对较低的被采样概率的区域以找到解路径。已经提出了许多策略来缓解这个问题，其中大多数基于偏置采样分布。当问题中出现运动学约束时，位形空间通常变成不可参数化的隐式流形。不幸的是，这使大多数现有的采样偏差方法无效，这些方法依赖于空间的显式参数化来探索。在本文中，我们提出并评估了三种新的策略，以偏置下的存在下，在运动学约束系统的狭窄通道的采样。
2014-07-09 cs.RO
Asymptotically Optimal Lazy Lifelong Sampling-based Algorithm for Efficient Motion Planning in Dynamic Environments
Department of Mechanical Engineering, City University of Hongkong（机械工程系，香港城市大学）；Department of Electronic and Electrical Engineering, Southern University of Science and Technology（电子与电气工程系，南方科技大学）；Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（电子与计算机工程系，香港科技大学）
本文提出一种结合终身规划与惰性搜索的渐近最优采样路径规划算法，通过仅评估最优子路径候选和知情重连级联机制，在动态环境中实现高效重规划并收敛到最优解。
2025-07-22 cs.RO
Inspection Planning Primitives with Implicit Models
School of Computing, The Australian National University（澳大利亚国立大学计算学院）；Abyss Solutions（Abyss解决方案）
本文提出基于隐式模型的检查规划原语，使基于采样的检查规划器能高效利用神经SDFs表示，减少内存使用并提升规划效率。
2025-10-08 cs.AI cs.RO
Relevant Region Sampling Strategy with Adaptive Heuristic for Asymptotically Optimal Path Planning
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
本文提出一种基于自适应启发式相关区域的批量采样策略，通过结合最优到达代价与自适应剩余代价引导采样，在SE(2)和SE(3)空间中显著提升初始解质量并降低路径规划计算时间。
2023-05-25 cs.RO
Learning to Predict Ego-Vehicle Poses for Sampling-Based Nonholonomic Motion Planning
Robert Bosch GmbH（罗伯特·博世股份有限公司）；FZI Research Center for Information Technology（FZI信息技术研究中心）
基于采样的运动规划是自动车在复杂环境中安全轨迹计算的有效工具。然而，快速收敛到最佳解决方案，只能确保使用特定问题的抽样分布。由于在自动驾驶的背景下有各种各样的驾驶情况，手动设计这样的分布是非常具有挑战性的。因此，本文介绍了一种利用深度卷积神经网络（CNN）的数据驱动方法：给定当前驾驶情况，可以直接从CNN的输出中生成未来的自我车辆姿态，从而有效地引导运动规划器朝向最佳解决方案。基准测试强调，与均匀采样和最先进的基于A* 的方法相比，CNN预测未来车辆姿态的准确度更高。将这种CNN引导的采样与运动规划器Bidirectional RRT* 相结合，可将计算时间减少多达一个数量级，并以更低的成本实现更快的收敛，在测试场景中成功率为100%。
2019-02-01 cs.AI cs.LG cs.RO
Combined Sampling and Optimization Based Planning for Legged-Wheeled Robots
ETH Zurich（苏黎世联邦理工学院）
由于有许多自由度，腿轮机器的规划通常使用轨迹优化来完成，从而使腿轮规划者容易陷入糟糕的局部最小值。我们提出了一种结合采样和优化的规划方法，可以应对具有挑战性的地形。基于采样的阶段计算全身配置和接触时间表，这加快了优化收敛。基于优化的阶段确保满足所有系统约束，例如非完整滚动约束。评价表明，良好的初始猜测优化的重要性。此外，他们认为，地形/碰撞（避免）的限制比机器人模型的限制更具挑战性。最后，我们扩展了优化处理一般地形表示的高程图的形式。
2021-04-09 cs.RO cs.SY eess.SY
Learning and Using Abstractions for Robot Planning
Arizona State University（亚利桑那州立大学）
机器人运动规划涉及计算一系列有效的机器人配置，使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常，基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中，我们提出了一个基于深度学习的框架，该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布，以减少规划时间。我们的方法适用于一个统一的网络，并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明，显着改善运动规划时间相比，目前的采样为基础的运动规划。
2021-07-22 cs.RO
Informed RRT*: Optimal Sampling-based Path Planning Focused via Direct Sampling of an Admissible Ellipsoidal Heuristic
Carnegie Mellon University（卡内基梅隆大学）
快速探索随机树（RRT）在运动规划中很受欢迎，因为它们可以有效地找到单查询问题的解决方案。最优RRT（RRT*s）将RRT扩展到寻找最优解的问题，但在这样做时，渐近地找到从初始状态到规划域中每个状态的最优路径。这种行为不仅效率低下，而且与它们的单查询性质不一致。对于寻求最小化路径长度的问题，可以改进解的状态子集可以由长超球体描述。我们表明，除非这个子集被直接采样，改善解决方案的概率变得任意小，在大世界或高状态维度。在本文中，我们提出了一个精确的方法，集中搜索直接采样这个子集。所提出的采样技术的优点证明了一种新的算法，知情RRT*。该方法保留了与RRT* 相同的完整性和最优性概率保证，同时提高了收敛速度和最终解的质量。我们提出的算法作为一个简单的修改RRT*，可以进一步扩展更先进的路径规划算法。我们的实验表明，它优于RRT* 的收敛速度，最终的解决方案的成本，并能够找到困难的通道，同时表现出较少的依赖于状态的尺寸和范围的规划问题。
2014-11-28 cs.RO
Efficient Sampling of Transition Constraints for Motion Planning under Sliding Contacts
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Technical University of Berlin（柏林工业大学）
用于操纵、对象探索或平衡的基于接触的运动规划通常需要找到固定和滑动接触的序列，并规划从环境中的一个接触到另一个接触的过渡。然而，大多数现有的算法集中在控制和学习方面的滑动接触，但没有嵌入到一个原则性的框架，以提供保证的完整性或最优性的问题。为了解决这个问题，我们提出了一种方法来扩展基于约束的规划使用接触过渡滑动接触。这种转换是整个接触序列所需的基本操作。为了对滑动接触进行建模，我们定义了一个滑动接触约束，允许机器人在基于网格的对象的表面上滑动。为了利用滑动接触之间的过渡，我们开发了一个接触过渡采样器，它使用三种约束模式：接触的起始表面，没有接触和接触的目标表面。我们对这些过渡模式进行统一采样，这使得它们可用于基于采样的规划算法。我们的方法进行评估，通过测试它的两个，三个和七个内部自由度与不同的对象和各种采样为基础的规划算法的机械臂。这表明，滑动接触约束可以作为一个基本的方法来规划高维机器人系统的长期接触序列。
2021-03-16 cs.RO
Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows
IEEE
本文提出基于归一化流的采样方法，用于提高自动驾驶轨迹规划的效率和探索能力。
2026-02-06 cs.LG cs.RO
Sampling-Based Motion Planning with Discrete Configuration-Space Symmetries
Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院）
本文研究具有离散对称性的构型空间中的采样运动规划问题，提出高效实现关键采样原语的方法，并通过理论分析和实验证明其能降低样本复杂度、缩短路径长度和运行时间。
2025-07-17 cs.RO
Motions in Microseconds via Vectorized Sampling-Based Planning
Rice University（莱斯大学）
本文通过在基于采样的规划器中引入细粒度并行与矢量化关键子程序，将高自由度机器人运动规划提速500倍以上，实现微秒级、千赫兹级规划。
2023-09-28 cs.RO
Relevant Region Exploration On General Cost-maps For Sampling-Based Motion Planning
Georgia Institute of Technology（佐治亚理工学院）
渐近最优抽样为基础的规划者需要一个智能的探索策略，以加速收敛。在找到初始解之后，改进的一个必要条件是在所谓的“知情集”中生成新的样本。然而，如果所选择的启发式算法不能提供一个很好的估计的解决方案的成本，知情抽样可能是无效的集中搜索。这项工作提出了一种算法来采样的“相关区域”，这是一个子集的知情集。相关区域利用来自计划器的树结构的成本信息，减少对启发式的依赖，并进一步集中搜索。在统一和一般的成本空间设置的基准测试证明了相关区域抽样的有效性。
2021-03-19 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
Enhance Connectivity of Promising Regions for Sampling-based Path Planning
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of The Chinese University of Hong Kong（香港中文大学深圳研究院）
基于采样的路径规划算法通常采用均匀采样的方法来搜索状态空间。然而，在许多场景中，均匀采样可能会导致不必要的探索，例如有几个死胡同的环境。我们以前的工作提出了使用有希望的区域来指导采样过程，以解决这个问题。然而，预测的有希望的区域通常是断开的，这意味着它们不能连接开始和目标状态，导致缺乏概率完整性。这项工作的重点是加强预测有前途的地区的连通性。我们所提出的方法回归的连接概率的边缘在x和y方向。此外，该算法还计算了有希望边缘在损失中的权重，以引导神经网络更加关注有希望区域的连通性。我们进行了一系列的模拟实验，结果表明，有前途的区域的连通性显着改善。此外，我们分析了连通性对基于采样的路径规划算法的影响，并得出结论，连通性在保持算法性能方面起着至关重要的作用。
2022-07-22 cs.RO
Asymptotically Optimal Sampling-Based Motion Planning Methods
University of Oxford（牛津大学）
运动规划是自主机器人中的一个基本问题，它需要找到一条到达指定目标的路径，该路径要避开障碍物并考虑机器人的限制和约束。通常期望该路径还优化成本函数，诸如路径长度。连续值搜索空间的形式路径质量保证是一个活跃的研究领域。最近的研究结果已经证明，一些抽样为基础的规划方法概率收敛到最优解的计算工作量接近无穷大。本调查总结了这些流行的渐近最优技术背后的假设，并介绍了有关这一主题的重要正在进行的研究。
2021-01-13 cs.RO
Scaling Long-Horizon Online POMDP Planning via Rapid State Space Sampling
Australian National University（澳大利亚国立大学）；Rice University（莱斯大学）
提出ROP-RaS3求解器，利用快速状态空间采样生成宏动作，避免穷举动作空间，在长时域POMDP规划中性能大幅超越现有方法。
2024-11-11 cs.RO
PRM-RL: Long-range Robotic Navigation Tasks by Combining Reinforcement Learning and Sampling-based Planning
Google Brain（谷歌大脑）；University of New Mexico（新墨西哥大学）
我们提出了PRM-RL，远程导航任务完成的分层方法，结合基于采样的路径规划与强化学习（RL）。RL代理学习短距离，点对点的导航策略，捕获机器人动态和任务约束，而无需大规模拓扑结构的知识。接下来，基于采样的规划者提供连接机器人配置的路线图，这些配置可以由RL代理成功导航。相同的RL代理用于在规划的指导下控制机器人，从而实现远程导航。我们使用概率路线图（PRM）的抽样为基础的规划。RL代理是在连续状态和动作空间中使用基于特征的深度神经网络策略构建的。我们评估PRM-RL，无论是在模拟和机器人上，在两个导航任务与非平凡的机器人动力学：端到端的差分驱动室内导航在办公室环境中，在城市环境中的空中货物交付与负载位移的限制。我们的研究结果表明，在任务完成的RL代理自己和传统的抽样为基础的规划。在室内导航任务中，PRM-RL在嘈杂的传感器条件下成功完成了长达215米的轨迹，而空中货物交付在比训练中使用的环境大6300万倍的环境中完成了超过1000米的飞行，而没有违反任务限制。
2018-05-16 cs.AI cs.LG cs.RO
Learning from Local Experience: Informed Sampling Distributions for High Dimensional Motion Planning
University of California, Berkeley（加州大学伯克利分校）；FANUC Advanced Research Lab（发那科高级研究实验室）
针对高维系统下基于经验的运动规划方法因查询差异大在随机环境性能受限的问题，提出通过工作空间分解与图搜索解耦子问题并利用各子问题先验经验的采样规划框架，经2D、6D机器人实验验证，其在规划时间和成本上优于现有算法。
2023-06-15 cs.RO
Adaptive Hybrid Local-Global Sampling for Fast Informed Sampling-Based Optimal Path Planning
Politecnico di Milano（米兰理工大学）；University of Brescia（布雷西亚大学）；National Research Council of Italy（意大利国家研究委员会）
针对类RRT*采样式路径规划的性能提升问题，提出结合可容许知情采样与局部采样的自适应混合采样策略，可渐近最优且收敛更快，还提供了兼容ROS的开源实现。
2024-04-15 cs.RO cs.SY eess.SY
Asymptotically Optimal Sampling-Based Path Planning Using Bidirectional Guidance Heuristic
针对运动规划问题，提出渐近最优的BIGIT*算法，通过构建隐式双向初步运动树生成双向引导启发式，加速搜索，在模拟与实际无人机规划任务中性能优于现有方法。
2024-12-07 cs.RO
