A Novel MDP Decomposition Framework for Scalable UAV Mission Planning in Complex and Uncertain Environments
Control and Instrumentation Department(控制与仪器部门);Interdisciplinary Research Center for Intelligent Manufacturing and Robotics(智能制造与机器人交叉研究中心);Interdisciplinary Research Center for Smart Mobility and Logistics(智能移动与物流交叉研究中心)
本文提出了一种新的MDP分解框架,用于在复杂和不确定环境中实现无人机任务规划的可扩展性和容错性。
2025-11-30 cs.RO cs.SY eess.SY
Safe Mission Planning under Dynamical Uncertainties
ETH Zürich(苏黎世联邦理工学院)
研究了不确定动态环境下机器人的安全任务规划问题。这个问题出现在监控、紧急救援和自动驾驶等应用中。这是一个具有挑战性的问题,由于建模和集成动态的不确定性到一个安全的规划框架,并找到一个解决方案,在计算上易于处理的方式。在这项工作中,我们首先开发了一个概率模型的动态不确定性。然后,我们提供了一个框架,以生成一个路径,最大限度地提高复杂任务的安全性,结合不确定性模型。我们还设计了一个蒙特卡罗方法,以获得一个安全的路径有效。最后,我们评估了我们的方法的性能,并将其与几个案例研究中的潜在替代方案进行比较。
2020-03-05 cs.AI cs.RO
Towards edible drones for rescue missions: design and flight of nutritional wings
Ecole Polytechnique Federale de Lausanne(洛桑联邦理工学院);The University of Electro-Communications(电气通信大学);Wageningen University and Research(瓦赫宁根大学及研究中心)
无人机已被证明是用于无人驾驶运输任务的有用飞行器,例如食品和医疗用品交付。可以利用这一点为处于紧急情况的人们提供救生营养和药品。但商用无人机一般只能携带自身质量的10%-30%作为有效载荷,这限制了单次飞行的送餐量。一种显著提高无人机食物携带率的新颖解决方案是用可食用材料重建无人机的一些结构,例如机翼。因此,我们提出了一种无人机,它不再仅仅是一种食物运输飞机,而且由于其可食用的翅膀,它本身也是部分可食用的,将其食物携带质量比提高到50%。此外,如果可食用无人机在紧急情况下执行任务后留在环境中,它将比不可食用的对应物更可生物降解,在环境中留下更少的废物。在这里,我们描述了可食用翅膀的材料选择和可扩展的设计,并在一个能够飞行的原型中验证了该方法,该原型可以提供300千卡的热量,并携带80克水的有效载荷。
2022-11-08 cs.RO
Extending QGroundControl for Automated Mission Planning of UAVs
Universidad Autónoma de Madrid(马德里自治大学)
本文扩展开源地面站 QGroundControl,新增任务设计器、自动规划/重规划算法接口和决策支持系统,以提升无人机任务自主性并减轻操作员负担。
2024-02-28 cs.HC cs.RO
Realtime Global Optimization of a Fail-Safe Emergency Stop Maneuver for Arbitrary Electrical / Electronical Failures in Automated Driving
Audi AG(奥迪股份公司);Fraunhofer IOSB(弗劳恩霍夫光学和微系统技术研究所);Robert Bosch GmbH(罗伯特·博世有限公司)
针对自动驾驶车辆关键系统故障后的安全停车问题,本文聚焦无需故障后电气电子子系统参与的预设定液压机械紧急停车方案,研究能应对不确定性且可定期输出全局最优解的轻量规划算法。
2024-05-14 cs.NA cs.RO cs.SY
Current Advancements on Autonomous Mission Planning and Management Systems: an AUV and UAV perspective
Seattle Children’s Research Institute, University of Washington(华盛顿大学西雅图儿童研究所);Monash University(莫纳什大学);University of Salford(索尔福德大学)
硬件技术的进步使复杂软件的集成更加完善,推动了无人驾驶汽车(UV)的开发和使用,并减轻了车载智能的限制。因此,UV现在可以参与更复杂的任务,其中环境条件的持续变化需要更高水平的态势响应。本文介绍了无人机任务规划和管理系统,旨在突出一些最近的发展,在该领域的自主水下和空中车辆,除了强调一些可能的未来方向,并讨论了经验教训。本研究综述了无人机自主性的评估方法,以及无人机自主性的不同方面,如态势感知、认知和决策。本文分别解释了人形和自主系统的性能,并强调了人类在UV操作中的作用和影响。
2020-07-10 cs.AI cs.RO
NEUSIS: A Compositional Neuro-Symbolic Framework for Autonomous Perception, Reasoning, and Planning in Complex UAV Search Missions
Faculty of Information Technology, Monash University(莫纳什大学信息技术学院)
针对复杂环境下无人机自主搜索任务的感知决策难题,提出组合式神经符号框架NEUSIS,整合多模块实现高效搜索,实验验证其性能优于现有最优模型。
2024-09-16 cs.AI cs.CV cs.RO
How to Coordinate UAVs and UGVs for Efficient Mission Planning? Optimizing Energy-Constrained Cooperative Routing with a DRL Framework
University of Illinois Chicago(伊利诺伊大学芝加哥分校);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室)
提出一种可扩展的DRL框架,利用编码器-解码器Transformer架构和单次出动智能体切换机制,解决UAV-UGV多智能体能量受限协同路由问题,显著提升了任务规划的求解质量与运行效率。
2025-04-29 cs.RO
GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning
University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Concordia University(康考迪亚大学);McGill University(麦吉尔大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);California Institute of Technology(加州理工学院)
GeoWind2Plan提出几何到风到规划的框架,利用局部化神经算子快速预测三维城市风场,并基于物理能量模型优化无人机路径,在约3秒内实现节能规划,相比不考虑风的规划降低能耗6.9%-12.7%。
2026-11-10 cs.AI cs.RO
EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion
KIOS Research and Innovation Center of Excellence(KIOS研究与创新卓越中心);University of Cyprus(塞浦路斯大学)
基于深度学习的算法可以为无人驾驶飞行器(UAV)/无人机等遥感技术提供最先进的准确性,从而可能增强其在许多应急响应和灾害管理应用中的遥感能力。特别是,配备相机传感器的无人机可以在偏远且难以进入的受灾地区运行,分析图像并在存在各种灾害(如倒塌的建筑物,洪水或火灾)时发出警报,以便更快地减轻其对环境和人口的影响。然而,深度学习的集成引入了繁重的计算需求,阻止了在许多对推理施加低延迟约束的场景中部署这种深度神经网络,以便实时的做出关键任务决策。为此,本文重点研究了用于应急响应/监测应用的机载无人机的有效空中图像分类。具体来说,一个专门的航空图像数据库的应急响应应用程序的介绍和现有的方法进行比较分析。通过这种分析,提出了一种轻量级的卷积神经网络架构,称为EmergencyNet,基于atrous卷积来处理多分辨率特征,能够在低功耗嵌入式平台上高效运行,与现有模型相比,性能提高20倍,内存需求最小,与最先进的模型相比,精度下降不到1%。
2021-04-28 cs.CV cs.LG cs.RO
Practical Mission Planning for Optimized UAV-Sensor Wireless Recharging
本文针对无人机无线充电调度问题,提出结合上下文感知黑洞算法与引导局部搜索的ROMP规划器,并进一步开发FastROMP以在线调整方式显著提升路径质量和计算效率。
2023-04-14 cs.RO
UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology(斯克尔科沃科学与技术研究所)
提出 UAV-CodeAgents 多智能体框架,结合 ReAct、VLM 像素指向与反应式思考循环实现无人机任务自主生成,并通过火灾检测场景验证其高效可靠。
2025-05-12 cs.AI cs.RO
Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots
McMaster University(麦克马斯特大学)
针对异构移动机器人团队在通信受限、资源有限下的协作规划难题,提出基于MARL与AMAT架构的CATMiP框架及CMacDec-POMDP模型,采用异步集中训练分布式执行方案,实验验证其在效率、可扩展性与抗干扰性上更具优势。
2025-07-31 cs.AI cs.RO
Integrating Symbolic RL Planning into a BDI-based Autonomous UAV Framework: System Integration and SIL Validation
本研究提出AMAD-SRL框架,整合符号RL与BDI方法,通过SIL验证提升无人机任务效率75%。
2026-01-11 cs.AI cs.RO
Autonomous Recharging and Flight Mission Planning for Battery-operated Autonomous Drones
Khalifa University(哈利法大学);Australian National University(澳大利亚国立大学);Ubiquiti Inc(优比快科技公司)
本文针对电池驱动的自主无人机,构建了能耗估算机器学习模型,将飞行任务规划与充电优化建模为多准则ATSP问题,设计了具有性能保证的近似算法,并通过仿真和真实实验验证了其有效性与实用性。
2022-04-19 cs.DS cs.RO
Cooperative Multi-UAV Coverage Mission Planning Platform for Remote Sensing Applications
Democritus University of Thrace(色雷斯德谟克利特大学);Information Technologies Institute, The Centre for Research & Technology, Hellas(希腊研究与技术中心信息技术研究所);National Technical University(国立技术大学)
本文提出了一种新的任务规划平台,能够有效地部署一队无人机覆盖复杂形状的地区,在各种遥感应用。在引擎盖下是一种新的基于网格的方法的优化方案,利用模拟退火算法,显着增加了实现的覆盖率,并提高了所生成的路径的定性特征。广泛的模拟评估相比,一个国家的最先进的替代方法,覆盖路径规划(CPP)的操作,建立在实现的覆盖范围和所产生的任务的整体持续时间方面的性能增益。最重要的是,DARP算法被用来分配子任务给每个成员的群体,考虑到每个无人机的传感和操作能力,他们的初始位置和任何禁飞区内可能定义的操作区域。这一特性在实际应用中至关重要,因为它有可能在完成任务所需的时间方面实现巨大的性能改进,同时它开启了广泛的新应用范围,这在以前是不可行的,因为无人机的电池寿命有限。为了研究多无人机利用所带来的实际效率增益,还进行了模拟研究。所有这些功能都包含在一个端到端平台中,便于在遥感应用中利用无人机群。它的多功能性通过两种不同的实际应用得到了证明:(i)用于精确农业的摄影测量和(ii)用于第一响应者任务的指示性搜索和救援,这些任务是利用一群商用无人机执行的。源代码可以在https://github.com/savvas-ap/mCPP-optimized-DARP上找到
2022-01-19 cs.RO
FiReFly: Fair Distributed Receding Horizon Planning for Multiple UAVs
Oregon State University(俄勒冈州立大学);Toyota Research Institute of North America(美国丰田研究院)
针对多机器人利益冲突下的资源公平使用问题,提出FiReFly算法,通过集成分布式公平运动规划器与安全控制器,在到达-规避任务中提升轨迹公平性和任务成功率,支持15架无人机实时运行、50架无人机需权衡运行时间与公平性。
2025-08-20 cs.RO
Energy-aware Multi-UAV Coverage Mission Planning with Optimal Speed of Flight
Czech Technical University in Prague(布拉格捷克技术大学)
本文提出一种多无人机覆盖路径规划方法,通过最优飞行速度和精确能耗估计最小化能耗,在计算时间、能耗效率上优于现有方法,并经双无人机实验验证。
2024-02-16 cs.RO
Robust UAV Path Planning with Obstacle Avoidance for Emergency Rescue
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Southeast University(东南大学);China University of Mining and Technology(中国矿业大学)
针对复杂三维环境下无人机避障路径规划的安全需求,本文构建含障碍物与禁飞区的三维场景,提出融合模拟退火的改进人工势场算法APF-SA,可跳出局部最优实现全局最优的鲁棒路径规划,仿真验证了其有效性。
2025-01-16 cs.RO cs.SY eess.SY
A revision on Multi-Criteria Decision Making methods for Multi-UAV Mission Planning Support
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Universidad Politécnica de Madrid(马德里理工大学)
本文设计含排序与过滤的多无人机任务规划DSS,比较多种MCDM及模糊方法,并提出基于邻近性的相似性过滤与经验阈值。
2024-02-28 cs.AI cs.RO
Agile Decision-Making and Safety-Critical Motion Planning for Emergency Autonomous Vehicles
University of Hong Kong, Department of Mechanical Engineering(香港大学机械工程系);National University of Singapore, Department of Civil and Environmental Engineering(新加坡国立大学土木与环境工程系)
本文提出集成敏捷决策与安全关键运动规划系统(IDEAM),通过LSGM算法生成路径并评估速度与风险,结合基于Frenet的MPC框架和DCBFs、DHOCBFs建模约束,使紧急自动驾驶车辆在密集交通中兼顾效率与安全。
2025-06-02 cs.RO cs.SY eess.SY
Joint UAV-UGV Positioning and Trajectory Planning via Meta A3C for Reliable Emergency Communications
Department of Computer Science, Texas A&M University-Corpus Christi(德克萨斯农工大学科珀斯克里斯蒂分校计算机科学系);School of Computer Science, University of Oklahoma(俄克拉荷马大学计算机科学学院)
本文提出了一种基于元A3C的UAV-UGV联合定位与轨迹规划框架,通过道路图建模UGV移动并优化总速率问题,实验表明其在吞吐量和执行速度上优于A3C和DDPG。
2025-12-20 cs.ET cs.RO cs.SY
Mission Planning on Autonomous Avoidance for Spacecraft Confronting Orbital Debris
本文提出一种两阶段规划框架,结合线性规划与时间松弛规划图启发式,解决航天器面对轨道碎片时常规任务与规避冲突的自主任务规划问题,仿真验证其有效性。
2024-09-19 cs.RO cs.SY eess.SY
Physics-Informed Neural Optimal Control for Precision Immobilization Technique in Emergency Scenarios
Institute of Power Machinery and Vehicular Engineering, Zhejiang University(浙江大学动力机械及车辆工程研究所);Zhejiang Key Laboratory of Intelligent Vehicle Comprehensive Safety(浙江省智能车辆综合安全重点实验室)
本文提出基于物理信息神经网络的神经最优控制框架,用于解决紧急场景中车辆失控时的精准固定技术问题,通过知识蒸馏和参数重构提升控制精度。
2026-04-07 cs.RO cs.SY eess.SY
A Survey of Recent Machine Learning Solutions for Ship Collision Avoidance and Mission Planning
University of Hertfordshire(赫特福德大学);Queen’s University Belfast(贝尔法斯特女王大学)
机器学习(ML)技术在过去几年中作为提高船舶自主性的一种手段获得了显著的吸引力。本文综述了最近用于船舶避碰(COLAV)和任务规划的ML方法。在概述了海上车辆不断扩大的ML开发之后,概述了船舶任务规划中的关键主题。显着的文件,直接和间接的应用COLAV主题进行技术审查和比较。批评,挑战和未来的方向也确定。这一结果清楚地表明了这一领域蓬勃发展的研究,尽管商业船舶结合机器智能,能够在所有操作条件下自主执行,还有很长的路要走。
2022-07-15 cs.RO cs.SY eess.SY
Clothoid Curve-based Emergency-Stopping Path Planning with Adaptive Potential Field for Autonomous Vehicles
针对势场路径规划在紧急场景下的“死胡同”效应问题,提出融合自适应势场与回旋曲线的紧急停车路径规划方法,经联合仿真验证可显著提升避撞安全性。
2023-08-19 cs.RO
3D Trajectory Planning for UAV-based Search Missions: An Integrated Assessment and Search Planning Approach
KIOS Research and Innovation Centre of Excellence(KIOS卓越研究与创新中心);University of Cyprus(塞浦路斯大学)
在自然和人为灾害期间,在具有挑战性和复杂的环境中有效规划和执行搜索任务的能力至关重要。在许多紧急情况下,障碍物之间的精确导航和围绕3D结构的高效搜索对于寻找幸存者至关重要。在这项工作中,我们提出了一个综合的评估和搜索规划方法,它允许一个自主的无人机(无人机)代理计划和执行无碰撞搜索轨迹在3D环境中。更具体地说,拟议的搜索规划框架旨在整合和自动化前两个阶段(即,评估阶段和搜索阶段)。在第一阶段,称为评估规划,我们的目标是找到一个高层次的评估计划,无人机代理可以执行,以访问一组兴趣点。该阶段生成的计划引导UAV飞越感兴趣的物体,从而提供对当前情况的第一次评估。在第二阶段,称为搜索规划,UAV轨迹被进一步微调以允许UAV在3D中搜索(即,在所有面)幸存者感兴趣的对象。所提出的方法的性能证明通过广泛的仿真分析。
2023-02-24 cs.RO cs.SY eess.SY
Multi-robot Mission Planning in Dynamic Semantic Environments
Washington University at St. Louis(圣路易斯华盛顿大学);University of Pennsylvania(宾夕法尼亚大学)
提出了一种新的不确定动态环境下的语义多机器人规划问题。特别是,该环境是由非合作的,移动的,不确定的标记的目标。这些目标是由随机动力学,而他们的当前和未来的位置,以及他们的语义标签是不确定的。我们的目标是控制移动传感机器人,使他们能够完成协作的语义任务定义在不确定的当前/未来的位置和标签,这些目标。我们使用线性时序逻辑(LTL)来表达这些任务。我们提出了一种基于采样的方法,探索机器人运动空间,任务规范空间,以及未来的配置标记的目标,以设计最佳路径。这些路径在线修改,以适应不确定的感知反馈。据我们所知,这是第一个工作,解决语义任务规划问题的不确定性和动态语义环境。我们提供了大量的实验,证明所提出的方法的效率
2023-03-03 cs.RO cs.SY eess.SY
Reactive Integrated Mission and Motion planning
University of Notre Dame(圣母大学)
在动态环境中,其他代理可以操纵工作空间中的对象,正确的施工操作规划是一个具有挑战性的问题。代理之间的动作和运动的紧密耦合以及任务规范的复杂性使得该问题在计算上难以处理。针对部分已知环境下的移动机器人操作系统,提出了一种反应式集成任务和运动规划方法。我们引入了一个多层次的协同框架,接收高层次的任务规范表示在线性时序逻辑,并产生动态可行的和无碰撞的运动轨迹来实现it.In高层次的层,任务规划器之间的机器人和他们的环境构建一个象征性的两人游戏,合成一个策略,以适应其他机器人施加的工作空间的变化。一个双边的协同层被开发来映射所设计的任务计划到一个集成的任务和运动规划器,构建一组机器人任务,根据任务策略移动对象。在低层次规划阶段,可验证的运动控制器的设计,可以递增组成,以保证安全的运动规划为每个高层次的诱导任务。所提出的框架与多机器人仓库的例子与移动对象到不同的位置的任务说明。
2017-11-06 cs.RO
Planning, scheduling, and execution on the Moon: the CADRE technology demonstration mission
Jet Propulsion Laboratory - California Institute of Technology(喷气推进实验室 - 加州理工学院)
本文介绍CADRE月球多机器人探测任务的自主分布式PS&E系统,说明其集中规划、分布式执行、资源约束与故障容错设计及硬件V&V测试。
2025-02-20 cs.RO cs.SY eess.SY
Contingency Planning Using Bi-level Markov Decision Processes for Space Missions
Stanford University(斯坦福大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
本文提出双层 MDP 框架,用于解决行星巡视器任务中因动作空间大和时间范围长导致的计算难题,并在 RoverGridWorld 上验证了其计算可处理性与近最优策略。
2024-02-26 cs.AI cs.RO
Dodging the Moose: Experimental Insights in Real-Life Automated Collision Avoidance
Delft University of Technology(代尔夫特理工大学);The University of Tokyo(东京大学)
本文提出了一种类人前馈规划器,用于在MPC优化问题不可行时辅助实时避撞,通过实验验证了在紧急情景中有效规避静态障碍物的能力。
2026-02-19 cs.RO cs.SY eess.SY
Persistent AUV Operations Using a Robust Reactive Mission and Path Planning (RRMPP) Architecture
School of Information Technology, Deakin University(迪肯大学信息技术学院)
提供更高水平的决策自主性和伴随的不确定环境的迅速变化是AUV自主操作的真正挑战。该方法引入了一个鲁棒的反应结构,在顶层适应AUV的任务规划,任务时间管理,并通过同步运动规划在较低的水平,包括环境变化。所提出的架构是在一个层次化的模块化的格式和一堆的进化算法,每个模块采用调查的效率和鲁棒性的结构在不同的任务场景,而水流数据,不确定的静态移动/运动障碍,车辆Kino-dynamic约束考虑。运动规划器通过在线重新规划能力来促进,以基于环境的局部变化来细化车辆的轨迹。一个小的计算负荷专门用于重新规划过程,因为上层任务规划器呈现了一个有效的概述的操作区域,AUV应该飞行通过。数值模拟进行了调查的鲁棒性和性能的架构在不同的情况下的真实世界的水下环境。仿真结果分析表明,该模型具有精确的任务时间威胁管理能力,同时保证了任务期间的安全部署。
2019-10-16 cs.RO
Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases
Institute for Systems and Robotics(系统与机器人研究所)
本文提出了一种用于稀疏、感知和协作网络化空中机器人团队的路径规划工具,通过考虑环境信息、能量限制和通信约束,优化任务目标并提升群体协作效率。
2026-07-21 cs.RO cs.SY eess.SY
Combined Top-Down and Bottom-Up Approaches to Performance-guaranteed Integrated Task and Motion Planning of Cooperative Multi-agent Systems
Department of Electrical Engineering, University of Notre Dame, Notre Dame, IN, 46556 USA.(电气工程系,诺丁汉大学,诺丁汉,IN,46556 USA)
本文提出一种分层框架,通过结合自下而上的反应式运动控制器与自上而下的任务计划,实现协同多智能体系统的性能保证任务与运动规划,通过假设-保证范式验证局部任务与全局任务的一致性。
2016-12-15 cs.FL cs.RO cs.SY
Path Planning of Unmanned System using Carrot-chasing Algorithm
The University of Arizona(亚利桑那大学)
无人系统在执行关键任务时,需要遵循预定的路径,这意味着无人系统需要路径跟踪算法来完成任务。由于预定路径通常由一组数据点给出,因此不仅不存在预定路径的曲率和导数,而且还需要大尺寸的板载存储器。在这项工作中,我们研究了一个简单的路径跟踪算法,称为胡萝卜追逐算法,使用一个简单的控制器的比例控制器的形式来控制无人驾驶系统的运动。
2020-12-24 cs.RO cs.SY eess.SY
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
Clarity-Driven Adaptive Mission Planning for a Solar-Powered Autonomous Surface Vessel
University of Michigan(密歇根大学);North Carolina State University(北卡罗来纳州立大学)
本文针对太阳能自主水面艇,提出清晰度驱动的自适应任务规划方法,通过清晰度驱动的遍历搜索,结合在线调整的目标清晰度图与ASV速度限制,经仿真与实验验证了其有效性。
2026-10-16 cs.RO cs.SY eess.SY
Distributed Mission Planning of Complex Tasks for Heterogeneous Multi-Robot Teams
University of Zagreb, Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
在本文中,我们提出了一种分布式多阶段优化方法规划复杂任务的异构多机器人团队。这类问题涉及可以以不同方式执行的任务,并且与约束系统中不同机器人的时间表的交叉时间表依赖性相关联。所提出的方法涉及一个多目标的任务启发式搜索,表示为一个层次树,定义了任务的目标。这个过程输出了几种完成任务的有利方式,这些方式直接输入到方法的下一阶段。我们提出了一个分布式的元启发式的基础上演化计算分配任务,并产生一组选定的分解时间表。该方法在自动化温室用例的模拟设置中进行了评估,在那里我们展示了该方法根据可用机器人和给定的优化标准来调整规划策略的能力。
2021-09-21 cs.AI cs.RO
A Mission Planning System for the AUV "SLOCUM Glider" for the Newfoundland and Labrador Shelf
本文提出了一个系统的任务规划的自主水下机器人在时变海流。任务规划系统是为AUV“SLOCUM Glider”设计的,目的是收集纽芬兰和拉布拉多大陆架沿线的海洋学数据。这些数据将与加拿大渔业和海洋部目前正在开发的海洋数值模型一起使用。这样就可以验证和修改现有的洋流和气候模型,并设计新的模型,以提高预测的准确性。在洋流模型中使用netCDF格式的洋流预报数据,考虑滑翔机特定行为的算法,C++中程序的技术实现细节,以及初步结果将被描述。
2017-02-26 cs.RO
Optimized Mission Planning for Planetary Exploration Rovers
对行星表面的探索主要是无人驾驶的,需要着陆器和自主和/或遥控漫游车。可以利用人工智能和机器学习技术来更好地进行任务规划。本文介绍了协调使用全局导航和元启发式优化算法来规划安全,高效的任务。其目的是确定安全着陆区(LZ)和全局路径计划的最低成本组合,其中避免着陆器和漫游者的地形危险使成本最小化。计算机视觉方法被用来识别表面的陨石坑,土墩和岩石作为障碍物。研究了多种搜索方法在漫游车全局路径规划中的应用。采用多种组合优化算法选择最短距离路径作为优先任务计划。模拟运行了一个样本谷歌月球X奖任务。研究结果是一种采用A* 搜索法进行路径规划,并利用模拟退火算法为任务选择理想的LZ-路径-目标组合的优化方案。仿真结果表明,该方法在最小化灾害风险和提高效率方面是有效的。这篇论文是专门针对月球任务的,但由此产生的架构可以应用于各种行星任务和漫游车。
2015-11-01 cs.RO
DrMaMP: Distributed Real-time Multi-agent Mission Planning in Cluttered Environment
Purdue University(普渡大学)
由于对实时的【形】计算性能、可扩展性以及在复杂环境中处理静态/动态障碍物和任务的能力的要求,解决具有碰撞感知的多智能体任务规划(任务分配和路径寻找)问题具有挑战性。提出了一种分布式实时的【形】(毫秒级)任务规划算法DrMaMP,该算法通过近似的方法将整个未分配任务集划分为若干个子集,并将原问题分解为若干个单Agent任务规划问题。本文提出了动态障碍和任务的实验,并进行最优性和可扩展性与现有的方法,其中DrMaMP优于现有的方法在这两个指标的比较。最后,分析了DrMaMP算法的计算负担,并给出了在小规模问题中的最优性缺口。
2023-02-28 cs.MA cs.RO
Mission Planning and Execution in Heterogeneous Teams of Aerial Robots supporting Power Line Inspection Operations
University of Seville(塞维利亚大学);Czech Technical University in Prague(捷克技术大学布拉格分校)
本文提出了一种软件架构,旨在协调一个团队的异构飞行器的检查和维护操作的高压电力线的情况下。分层方法通过规划和执行需要车辆支持人类操作员的复杂任务来处理高级任务。资源受限问题允许在考虑车辆能力和电池限制的情况下在团队之间分配任务。此外,行为树(BT)负责任务执行,在发生意外事件(如车辆故障或通信中断)时触发重新规划操作。通过在Gazebo中实现的真实仿真验证了该方法的可行性和有效性。
2023-02-09 cs.RO
Evaluating UAV Path Planning Algorithms for Realistic Maritime Search and Rescue Missions
Faculty of Computer Science, University of Tuebingen(蒂宾根大学计算机科学学院)
针对现有无人机海上搜救路径规划方法未充分考虑目标位置与海洋动力不确定性的问题,本文构建评估框架对比多种规划策略,并提出兼顾精度与实用性的新型规划器。
2024-10-08 cs.RO
Maritime Mission Planning for Unmanned Surface Vessel using Large Language Model
Khalifa University Center for Advanced Robotic Systems (KUCARS)(哈利法大学高级机器人系统中心(KUCARS));Khalifa University of Science and Technology(哈利法科技大学)
针对无人水面艇静态任务规划难以适应动态海况的问题,提出集成GPT-4等LLM与符号规划并利用底层控制反馈的框架,实现自然语言任务指定、实时重规划和鲁棒执行。
2025-03-15 cs.AI cs.RO
Generalized Mission Planning for Heterogeneous Multi-Robot Teams via LLM-constructed Hierarchical Trees
Honda Research Institute USA(美国本田研究所)
本文提出一种针对异构多机器人团队的任务规划策略,利用大型语言模型构建层次树以分解复杂任务,并生成符合各机器人约束与能力的优化调度,验证了框架的灵活性与可扩展性。
2025-01-27 cs.AI cs.MA cs.RO
A Hierarchal Planning Framework for AUV Mission Management in a Spatio-Temporal Varying Ocean
Flinders University(弗林德斯大学)
针对水下航行器(AUV)在不确定环境中作业时,任务分配过程中的时间复杂性,提出了一种分层动态任务规划框架。为此,建立了一个高层次的反应式任务规划器和一个低层次的运动规划系统。高级系统负责任务优先级分配,并考虑任务的及时终止,引导飞行器朝向感兴趣的目标。下层负责根据任务顺序和作业地形的动态性生成最优轨迹。任务规划器能够根据任务/地形更新反应性地重新安排任务,而低级规划器能够通过校正旧路径并重新生成新轨迹来应对地形的意外变化。因此,车辆能够承担最大数量的任务,具有一定程度的机动性,具有对操作场的态势感知。所提到的框架的计算引擎基于能够提供有效解决方案的基于地理学的优化(BBO)算法。为了评估所提出的框架的性能,首先,一个现实的海底环境模型的基础上提供的现实地图数据,然后通过仿真研究,设计了几个场景,作为真实的实验。此外,为了显示该框架的鲁棒性和可靠性,Monte-Carlo模拟和统计分析进行。仿真结果表明,两级分层任务规划系统在任务成功和实时执行的适用性显着的潜力。
2017-11-20 cs.RO
Meteorology-Aware Multi-Goal Path Planning for Large-Scale Inspection Missions with Long-Endurance Solar-Powered Aircraft
与传统飞机相比,太阳能飞机有望显著提高飞行续航力。虽然这使它们成为大规模空中视察任务的理想人选,但由于其结构脆弱,必须使用适当的路径规划方法避免恶劣天气。因此,本文介绍了MetPASS,气象感知路径规划和分析软件的太阳能无人机。MetPASS是文献中第一个考虑影响太阳能飞行安全或性能的所有方面的路径规划框架:它避免了环境风险(雷暴,雨,风,阵风和湿度),并利用有利区域(高太阳辐射或顺风)。它还可以避免系统风险,如电池电量低,并通过杂乱的地形返回安全路径。MetPASS从全球气象模型中导入天气数据,通过能量系统模型传播飞机状态,然后将两者结合到成本函数中。结合动态规划技术和A* 搜索算法与自定义启发式被用来规划全局最优路径在站点保持,点对点或多目标的空中检查任务的覆盖保证。提供了一个完整的软件实现,包括GUI。这些规划方法使用苏黎世联邦理工学院的太阳能无人机的三个任务进行了验证:81小时连续太阳能动力保持飞行,从纽芬兰到葡萄牙的4000公里大西洋穿越,以及2017年夏季在格陵兰岛附近执行的北冰洋上空的两个多冰川空中检查任务。
2017-11-28 cs.AI cs.RO
Safe Mission-Level Path Planning for Exploration of Lunar Shadowed Regions by a Solar-Powered Rover
University of Toronto(多伦多大学);Institute for Aerospace Studies(航空航天研究所);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院)
本文针对太阳能月球车在月球南极永久阴影区探索中受随机故障影响的问题,提出一种结合任务级路径规划与随机可达性分析的机会约束规划方法,在保证任务失败概率上限的同时最大化访问科学航路点数量,并通过Cabeus陨石坑模拟验证了其有效性。
2025-01-03 cs.RO
Mixed Observable RRT: Multi-Agent Mission-Planning in Partially Observable Environments
Stanford University(斯坦福大学);KTH Royal Institute of Technology(KTH皇家理工学院);California Institute of Technology(加州理工学院)
本文考虑了异构多智能体系统的集中式任务规划问题,目标是定位隐藏目标。我们提出了一个混合的可观察设置,包括一个完全可观察的状态空间和一个部分可观察的环境,使用隐马尔可夫模型。首先,我们构建快速探索随机树(RRT),引入混合可观察RRT寻找合理的任务计划给每个代理的路点。利用这个结构,我们提出了一个路径选择策略的基础上的动态规划方法,占部分观测的不确定性,并最大限度地减少预期成本。最后,我们结合高层次的计划与模型预测控制算法,评估的方法组成的四足机器人和无人机的实验装置。它表明,代理能够做出智能决策,有效地探索该地区,并通过合作行动来定位目标。
2022-11-11 cs.RO
SPINE: Online Semantic Planning for Missions with Incomplete Natural Language Specifications in Unstructured Environments
针对不完整自然语言任务的机器人在线规划难题,提出SPINE规划器,结合LLM推理隐含子任务与滚动时域框架,在大尺度杂乱户外环境中实现了效率翻倍、无需预建地图且交互更少的语义规划。
2025-03-21 cs.AI cs.RO
As You Wish: Mission Planning with Formal Verification using LLMs in Precision Agriculture
University of California, Merced(加州大学默塞德分校)
针对自然语言歧义性,提出基于线性时序逻辑(LTL)反馈循环的LLM任务规划系统,通过双LLM分工实现规范生成与验证,提升精准农业任务规划的可靠性。
2026-08-07 cs.AI cs.RO
Toward Efficient Task Assignment and Motion Planning for Large Scale Underwater Mission
Flinders University(弗林德斯大学)
自主水下航行器(Autonomous Underwater Vehicle,AUV)在大规模作业环境中,为了顺利完成水下任务,并保证其在任务各个阶段的安全,需要具有一定的自主性。本文提出了一种新的组合式无冲突任务分配策略,该策略由局部路径规划器和自适应全局路径规划器的交互参与组成。该方法是建立在粒子群优化(PSO)算法的启发式搜索的潜力,以解决路由任务分配方法的离散性和NP-难路径规划问题的复杂性。所提出的混合方法是非常有效的,有一个反应式的指导框架,保证成功完成任务,特别是在混乱的环境。为了研究该方法在任务生产率,任务时间管理和车辆安全性方面的性能,进行了一系列的仿真研究。仿真结果表明,该方法是可靠的和强大的,特别是在处理不确定性,它可以显着提高车辆的自主水平,依靠其反应的性质和能力,提供快速可行的解决方案。
2016-06-15 cs.AI cs.RO
Multi-Objective Risk Assessment Framework for Exploration Planning Using Terrain and Traversability Analysis
Polytechnique Montreal(蒙特利尔理工学院)
针对未知非结构化环境勘探的路径规划低效与任务失败风险问题,提出动态调整风险权重、随任务推进逐步放宽风险阈值的多目标风险评估方法,经地下洞穴模拟实验验证可安全高效勘探且计算开销低。
2024-10-04 cs.RO