Motion Primitives Based Kinodynamic RRT for Autonomous Vehicle Navigation in Complex Environments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在这项工作中，我们已经实现了一个SLAM辅助导航模块的一个真正的自主车辆与未知的动态。导航目标是沿着无碰撞轨迹到达期望的目标配置，同时遵守系统的动态特性。具体来说，我们使用基于LiDAR的Hector SLAM来构建环境地图，检测障碍物，并跟踪车辆在通过各种状态时与轨迹的一致性。对于运动规划，我们使用快速探索随机树（RRT）的一组生成的运动基元搜索动态可行的轨迹序列和无碰撞路径的目标。我们展示了复杂的机动，如平行停车，垂直停车，并在一个受约束的环境中使用所提出的方法由真实的车辆倒车运动。
2022-10-21 cs.RO
Decoupled Sampling Based Planning Method for Multiple Autonomous Vehicles
Linköping University（林雪平大学）
本文提出了一种基于采样的规划算法来控制自动驾驶车辆。提出了一种改进的快速搜索随机树，其中包括K-最近点的定义，并提出了一个两阶段的采样策略来调整RRT在其他执行机动，同时避免碰撞。仿真结果表明了该算法的成功性。
2017-02-11 cs.RO
An Autonomous Path Planning Method for Unmanned Aerial Vehicle based on A Tangent Intersection and Target Guidance Strategy
无人机路径规划是无人机避开障碍物、高效到达目标的关键。为生成高质量的无障碍路径，提出了一种基于切线交会和目标引导策略的无人机自主路径规划算法。在目标引导下，利用椭圆切线图方法生成两条子路径，当遇到障碍物时，根据启发式规则选择其中一条子路径。无人机沿着选定的子路径飞行，并通过这种方式反复调整其飞行路径以避开障碍物，直到无碰撞路径延伸到目标。实验结果表明，APPATT算法与A*、PRM、RRT和VFH算法相比，在静态环境下，每个实例在0.05 s内生成最短无碰撞路径。此外，与VFH和RRTRW相比，APPATT可以在不确定环境下以近乎实时的方式生成令人满意的无碰撞路径。值得注意的是，APPATT具有在合理时间内逃离简单陷阱的能力。
2020-06-07 cs.RO
Research on UAV Applications in Public Administration: Based on an Improved RRT Algorithm
Faculty of Humanities and Social Sciences（人文与社会科学学院）；College of Animal Science and Technology（动物科学与技术学院）；Faculty of Applied Sciences（应用科学学院）；School of Economics and Management（经济与管理学院）
本研究针对无人机在公共管理中路径规划的能耗、避障等挑战，提出整合四种策略的改进RRT算法（dRRT），仿真显示其性能优于传统算法，为相关场景应用提供高效路径规划方案。
2025-08-15 cs.RO
ST-RRT*: Asymptotically-Optimal Bidirectional Motion Planning through Space-Time
TU Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）
我们提出了一个运动规划器规划通过动态障碍物，速度约束，和未知的到达时间的时空。我们的算法，时空RRT*（ST-RRT*），是一个概率完全，双向运动规划算法，这是渐近最优的最短到达时间。我们实验评估ST-RRT* 在两个抽象的（2D磁盘，8D磁盘在混乱的空间，并在一个狭窄的通道问题），和模拟机器人路径规划问题（顺序规划的8DoF移动机器人，和7 DoF机械臂）。所提出的规划优于RRT连接和RRT* 的初始解决方案的时间，并达到最终的解决方案的成本。ST-RRT* 的代码可在开放式运动规划库（OMPL）中找到。
2022-03-04 cs.RO
DK-RRT: Deep Koopman RRT for Collision-Aware Motion Planning of Space Manipulators in Dynamic Debris Environments
University of California, Irvine（加州大学尔湾分校）；Illinois Institute of Technology（伊利诺伊理工学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Davis（加州大学戴维斯分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出DK-RRT框架，将深度学习与Koopman算子理论及RRT相结合，通过深度神经网络学习碎片动力学非线性嵌入并利用在线传感器反馈优化预测，实现动态碎片环境下空间机械臂的高效碰撞感知运动规划，仿真验证了其在适应性、鲁棒性和计算效率上的优势。
2025-07-05 cs.RO
RRT+ : Fast Planning for High-Dimensional Configuration Spaces
University of South Carolina（南卡罗来纳大学）
在本文中，我们提出了一个新的家庭的RRT为基础的算法，名为RRT+，能够找到更快的解决方案，在高维配置空间相比，其他现有的RRT变种，通过在低维子空间的配置空间中找到路径。该方法可以很容易地应用到复杂的超冗余系统，并可以适应其他RRT为基础的规划。我们介绍RRT+和开发一些变种，称为PrioritizedRRT+，PrioritizedRRT+连接，和PrioritizedBidirectionalT-RRT+，使用新的采样技术，我们表明，我们的方法提供了更快的结果比相应的原始算法。使用OMPL中最先进的规划器进行的实验表明，RRT+在高维运动规划问题上具有优异的性能。
2016-12-24 cs.RO
Asymptotically near-optimal RRT for fast, high-quality, motion planning
Tel-Aviv University（特拉维夫大学）
我们提出了下界树RRT（LBT-RRT），一个基于单查询采样的算法，是渐近接近最优的。即，从LBT-RRT提取的解收敛到最优解的近似因子1+ 1/4内的解。我们的算法允许快速RRT算法和渐近最优RRT* 和RRG算法之间的连续插值。当近似因子为1时（即，不允许近似），LBT-RRT的行为类似于RRG。当近似因子无界时，LBT-RRT的行为与RRT相似。在这两者之间，LBT-RRT被证明产生的路径具有比RRT更高的质量，并且比RRT* 运行得更快。这是通过维护一个树来完成的，树是RRG路线图的子图，第二个是辅助图，我们称之为下界图。这两个路线图的组合比RRT* 维护的路线图更快，有效地保证了渐近接近最优。我们建议使用LBT-RRT进行高质量的随时运动规划。我们证明了从3到12自由度的情况下，该算法的性能，并表明，即使对于小的近似因子，该算法产生高质量的解决方案（相当于RRG和RRT*）与运行时间开销很少RRT相比。
2015-03-04 cs.RO
HAS-RRT: RRT-based Motion Planning using Topological Guidance
Mt. Holyoke College（蒙特霍利约克学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院）
针对运动规划问题，提出基于工作空间骨架引导的分层RRT策略HAS-RRT，通过优先考虑引导指示路径，实现运行时间缩短91%、树规模减小30%以上，同时鲁棒性强，最坏情况性能与无引导方法相当。
2025-04-15 cs.RO
Model-based Decision Making with Imagination for Autonomous Parking
Xi’an Jiaotong University（西安交通大学）
自动泊车技术是自动驾驶研究中的一个关键概念。本文将提出一个富有想象力的自主停车算法来解决与停车有关的问题。该算法由三部分组成：一个富有想象力的模型，用于预测停车前的结果，一个改进的快速探索随机树（RRT）规划一个可行的轨迹从一个给定的起点到一个停车场，和一个路径平滑模块优化停车任务的效率。我们的算法是基于一个真正的运动车辆模型，这使得它更适合算法应用于真正的自动驾驶汽车。此外，由于引入了想象机制，我们的算法的处理速度是传统方法的10倍，允许同时实现实时规划。为了评估算法的有效性，我们比较了我们的算法与传统的RRT，在三个不同的停车场的情况。最终，结果表明，我们的算法比传统的RRT更稳定，在效率和质量方面表现更好。
2021-08-25 cs.AI 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
An Enhanced RRT based Algorithm for Dynamic Path Planning and Energy Management of a Mobile Robot
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出一种增强RRT算法，通过持续生成到充电站的路径并结合能量需求判断充电时机，利用先前树信息优化后续路径，实现移动机器人动态路径规划与电池能量管理。
2023-10-31 cs.RO
Risk-Averse RRT* Planning with Nonlinear Steering and Tracking Controllers for Nonlinear Robotic Systems Under Uncertainty
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们提出了一个两阶段的风险规避结构控制随机非线性机器人系统。我们提出了风险规避非线性转向RRT*（RANS-RRT*）作为RRT* 的变体，通过求解非线性规划（NLP）来结合非线性动力学，并通过近似状态分布和执行分布鲁棒（DR）碰撞检查来考虑风险，以促进安全规划。生成的计划被用作低级别跟踪控制器的参考。我们演示三个控制器：有限时域线性二次型调节器（LQR）具有围绕参考轨迹的线性化动态，具有鲁棒性促进乘性噪声项的LQR，以及非线性模型预测控制律（NMPC）。我们证明了我们的算法的有效性，在一个混乱的环境中，在重尾拉普拉斯过程噪声下使用单稳态动力学。
2021-09-03 cs.RO
Bi-AM-RRT*: A Fast and Efficient Sampling-Based Motion Planning Algorithm in Dynamic Environments
Yanshan University（燕山大学）；Southern University of Science and Technology（南方科技大学）
针对动态环境中移动机器人的最优运动规划问题，提出融合辅助度量、双向采样与新重布线方法的 Bi-AM-RRT*，在路径长度和搜索时间上表现更优。
2023-04-30 cs.RO
Modified RRT* for Path Planning in Autonomous Driving
Indian Institute of Information Technology, Kottayam（印度信息技术学院科塔亚姆分校）；National Institute of Technology, Tiruchirappalli（印度国家技术学院蒂鲁吉拉伯利分校）
本文提出两阶段路径规划算法AD-RRT*，结合A*全局规划与角度约束的RRT*改进，解决复杂环境最优路径问题，实验表明其收敛率更高、耗时与节点数更少。
2024-02-19 cs.RO
Finding a needle in an exponential haystack: Discrete RRT for exploration of implicit roadmaps in multi-robot motion planning
Tel-Aviv University（特拉维夫大学）
我们提出了一个基于采样的多机器人运动规划框架，它结合了一个隐式表示的路线图与一种新的方法，在几何嵌入式图形中的寻路量身定制我们的设置。我们的寻路算法，离散RRT（dRRT），是一个适应著名的RRT算法的离散情况下的图形，它使一个快速探索的高维配置空间仔细走过一个隐含的表示的张量积的路线图为个人机器人。我们证明了我们的方法实验上的情况下，高达60自由度，我们的算法是由一个因素，至少10倍，我们知道相比，现有的算法。
2014-03-30 cs.RO
SIL-RRT*: Learning Sampling Distribution through Self Imitation Learning
Czech Technical University in Prague（布拉格捷克技术大学）
针对移动对象安全可行轨迹规划问题，提出基于自模仿学习的SIL-RRT*算法，通过深度神经网络预测采样分布扩展RRT*，在2D和3D环境中验证其样本效率更高且可扩展到复杂环境，为高维机器人运动规划提供新方案。
2024-11-26 cs.RO
RRT-Rope: A deterministic shortening approach for fast near-optimal path planning in large-scale uncluttered 3D environments
University of Sherbrooke（舍布鲁克大学）
提出RRT-Rope算法，通过改进RRT-Connect快速生成可行路径，并利用确定性缩短技术后处理，在大型无杂波3D环境中实现比现有RRT变体快70%的近最优路径规划。
2026-07-01 cs.RO
Probabilistic completeness of RRT for geometric and kinodynamic planning with forward propagation
Tel-Aviv University（特拉维夫大学）；Technion（以色列理工学院）；Rutgers University（罗格斯大学）
快速探索随机树（RRT）算法是近二十年来最流行的运动规划技术之一。令人惊讶的是，尽管它的中心地位，有一个积极的辩论，在何种条件下RRT是概率完整的。我们提供了两个新的证明的概率完备性（PC）的RRT减少了一组假设。第一个是纯几何设置，我们只要求解决方案路径与障碍物有一定的间隙。对于向前传播的随机控制和持续时间的kinodynamic的情况下，我们只考虑另外温和的Lipschitz连续性条件。这些证明填补了RRT本身研究的空白。他们也奠定了良好的基础，为各种最近的和替代的采样为基础的方法，其PC属性依赖于RRT。我们的原始出版物在分析运动动力学RRT病例时包含一个错误。在这里，我们通过修改定理2的证明来纠正这个问题，特别是需要修改引理3。简单地说，定理2的原始（和错误的）证明使用了一系列大小相等的球。校正使用一系列半径增加的球。我们强调的是，修正仅在引理3和定理2的证明中。主要结果保持不变。
2022-05-31 cs.RO
Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators
USACE ERDC, Information Technology Lab（美国陆军工程兵团工程研究中心信息科技实验室）；Collaborative Robotics Lab（协作机器人实验室）
Many-RRT*通过同时规划多个目标解决串联机械臂在关节空间中规划的鲁棒性和最优性问题，显著提高了轨迹质量和成功率。
2026-03-04 cs.RO
Neural Informed RRT*: Learning-based Path Planning with Point Cloud State Representations under Admissible Ellipsoidal Constraints
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对RRT*路径规划收敛效率问题，提出结合规则启发与学习优势的Neural Informed RRT*，通过点云表示、Neural Focus和Neural Connect模块提升性能，保留理论特性并在真实机器人导航中验证有效。
2024-03-07 cs.RO
iDb-RRT: Sampling-based Kinodynamic Motion Planning with Motion Primitives and Trajectory Optimization
New York University（纽约大学）；TU Berlin（柏林工业大学）；ETH Zurich（苏黎世联邦理工学院）
提出iDb-RRT，一种结合运动基元与轨迹优化的采样型动力学运动规划算法，具备概率完备性，在30个问题、8个系统的基准测试中，求解速度比先前方法快最多10倍，尤其适用于长轨迹和狭窄通道场景。
2024-03-16 cs.RO
Efficient RRT*-based Safety-Constrained Motion Planning for Continuum Robots in Dynamic Environments
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；City University of Hong Kong（香港城市大学）
针对连续体机器人运动规划耗时且难以适应动态环境的问题，提出一种嵌入姿态安全约束的 RRT* 方法，并通过仿真与双段绳索驱动原型验证其高效避障和可迁移性。
2023-09-25 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
Dynamic Path Planning and Replanning for Mobile Robots using RRT*
University of Nevada, Reno（内华达大学里诺分校）
移动机器人必须能够有效地规划从其起始位置或当前位置到期望目标位置的路径。当环境是静态的时，这是一个微不足道的任务。然而，机器人的操作环境很少是静态的，并且它经常具有许多移动障碍物。机器人可能会遇到这些未知和不可预测的移动障碍物中的一个或多个。机器人在遇到障碍物时需要决定如何前进，提出了一种基于RRT* 的动态重规划方法。当未知的随机运动障碍物阻挡路径时，机器人将修改其当前的规划，各种实验结果表明了该方法的有效性。
2017-04-15 cs.RO
Informable Multi-Objective and Multi-Directional RRT* System for Robot Path Planning
Princeton University（普林斯顿大学）
多目标或多目的地路径规划对于移动机器人应用至关重要，例如移动即服务，机器人检测和电动汽车长途充电。本文提出一个随时迭代系统来同时求解多目标路径规划问题和确定目的地的访问顺序。该系统包括一个随时不变形的多目标和多方向的RRT* 算法，以形成一个简单的连通图，和一个建议的求解器，由一个增强的最便宜的插入算法和遗传算法，以解决放松旅行商问题在多项式时间。此外，通常会为机器人检查和车辆路由提供一系列路点，以便机器人可以优先访问某些设备或感兴趣的区域。我们表明，所提出的系统可以固有地将这些知识，并可以通过具有挑战性的拓扑导航。所提出的随时随地系统进行评估，为现实世界的驾驶应用程序建立的大型和复杂的图形。所有实现都是用多线程C++编写的，可以在https://github.com/UMich-BipedLab/IMOMD-RRTStar上找到。
2022-05-30 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
RRT and Velocity Obstacles-based motion planning for Unmanned Aircraft Systems Traffic Management (UTM)
International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院）
提出了一种针对有限数量无人机的无人机系统交通管理算法。该算法是结合快速探索随机树（RRT）和速度障碍（VO）算法开发的，称为RRT-VO UTM算法。在这里，RRT算法离线工作，以在具有已知静态障碍物的给定环境中生成无障碍航路点。另一方面，VO算法在线操作以避免与其他UAV和已知静态障碍物碰撞。静态障碍物的边界被近似为小圆圈，以方便VO算法的制定。该算法的性能进行了评估，使用数值模拟，然后比较著名的人工势场（APF）避碰算法。所提出的方法的优点清楚地显示在较低的路径长度和碰撞避免能力的一个具有挑战性的情况。
2023-02-28 cs.RO
Robust-RRT: Probabilistically-Complete Motion Planning for Uncertain Nonlinear Systems
Stanford University（斯坦福大学）；Technion（以色列理工学院）
鲁棒运动规划需要计算在所有可能的不确定性实现下都是安全的全局运动计划，无论是在系统动态中，机器人的初始位置，还是相对于外部干扰。目前的鲁棒运动规划方法要么缺乏理论保证，要么对系统动力学和不确定性分布进行限制性假设。在本文中，我们提出了强大的快速探索随机树（Robust-RRT）算法，该算法将前向可达性分析直接集成到基于采样的控制轨迹合成，以解决这些限制。我们证明了Robust-RRT是概率完备的（PC）的非线性Lipschitz连续动力系统的有界不确定性。换句话说，Robust-RRT最终找到在所有可能的不确定性实现下可行的鲁棒运动计划，假设存在这样的计划。我们的分析甚至适用于不稳定的系统，只承认短期可行的计划，这是因为我们明确考虑可达集沿控制轨迹的时间演化。由于在我们的分析中明确考虑了时间依赖性，PC适用于不稳定系统。据我们所知，这是最普遍的PC证明鲁棒采样为基础的运动规划，在类型的不确定性和动力系统，它可以处理。考虑到可达集的精确计算对于某些动力系统来说可能是计算昂贵的，我们将基于采样的可达性分析纳入Robust-RRT中，并在非线性、欠驱动和混合动力系统上展示了我们的鲁棒规划器。
2022-11-01 cs.RO
Hierarchical Trajectory Planning for Autonomous Driving in Low-speed Driving Scenarios Based on RRT and Optimization
The Hong Kong University of Science and Technology（香港科技大学）
虽然人们对城市道路和高速公路上的路径规划进行了大量的研究，但很少有研究低速驾驶场景下的驾驶策略和轨迹规划，例如，在大学校园内驾驶或在住宅区或工业区内驾驶。在这些情况下的规划研究是至关重要的，因为这些环境往往涵盖了日常旅行或物流系统的第一公里或最后一公里。此外，有必要区别对待这些场景，因为在大多数情况下，驾驶环境是狭窄的，动态的，并且充满障碍物，这也导致在这种环境中进行规划仍然是一项具有挑战性的任务。提出了一种将路径规划和时间规划分离的层次规划方法。通过改进的双向快速探索随机树（bi-RRT）方法生成满足运动学约束的路径。然后，通过序列二次规划（SQP）的安全区间（SI）定义的可行的搜索范围，优化的路径的每个节点的时间戳。不同驾驶场景下的仿真和实车试验证明了该方法的有效性。
2019-04-04 cs.RO
Exploration-RRT: A multi-objective Path Planning and Exploration Framework for Unknown and Unstructured Environments
Luleå University of Technology（吕勒奥理工大学）
本文建立了Exploration-RRT算法：一种基于多目标快速探索随机树（RRT）框架的新型通用联合探索和路径规划算法。Exploration-RRT（ERRT）是专门设计用于3D探测任务，部分或完全未知和非结构化的环境。新提出的ERRT是基于一个多目标优化框架，它能够考虑潜在的信息增益，行驶的距离，和驱动成本，沿轨迹伪随机目标，从考虑板上传感器模型和所利用的平台的非线性模型产生。在本文中，将建立ERRT的算法流水线，并将在配备有3D激光雷达的无人机（UAV）模型的模拟操作环境中的应用上展示所提出的方案的总体适用性和效率，其目标是尽可能高效和快速地探索完全未知的区域
2021-04-08 cs.RO
The Role of Vertex Consistency in Sampling-based Algorithms for Optimal Motion Planning
Georgia Institute of Technology（佐治亚理工学院）
运动规划问题一直是机器人学和控制研究领域的研究热点，并提出了许多求解算法。其中，基于增量采样的运动规划算法，如快速探索随机树（RRT）和概率路径图（PRM），由于其实现简单和在处理高维问题方面的优势，最近变得非常流行。虽然这些算法在实践中工作得很好，但计算出的解的质量通常不好，即，解决方案可能远非最佳解决方案。RRT的最新变化，即RRT* 算法，通过确保样本数趋于无穷大时的渐近最优性，绕过了传统RRT算法的这一缺点。然而，收敛到最优解的速度可能仍然很慢。本文提出了一种新的增量采样为基础的运动规划算法的基础上快速探索随机图（RRG），表示RRT#（RRT“夏普”），这也保证了渐近最优性，但此外，它也确保了构造的生成树的几何图形是一致的，在每次迭代。在相容树中，有可能成为最优解的一部分的顶点具有最小的成本收益值。这意味着，如果当前图中有一些顶点已经在目标区域中，则很容易计算出最佳可能的解决方案。数值结果与RRT* 算法进行了比较。
2012-04-29 cs.RO
GPU Parallelization of Policy Iteration RRT#
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）；Daniel Guggenheim School of Aerospace Engineering, Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院丹尼尔·古根海姆航空航天工程学院，机器人与智能机器研究所）
基于采样的规划已经成为复杂机器人的事实标准，因为它具有快速探索高维配置空间的优越能力。大多数现有的基于最优采样的规划算法本质上是顺序的，并且不能利用现代计算机硬件上可用的广泛并行性。此外，在这些算法中，探测和开发阶段的紧密同步限制了样本吞吐量和规划器性能。策略迭代RRT#（PI-RRT#）在开发阶段公开了细粒度的并行性，但尚未使用具体实现对这种并行性进行评估。我们首先提出了一种新的GPU实现PI-RRT#的开发阶段，并讨论了数据结构的考虑，以最大限度地提高并行性能。我们的实现实现了3- 4倍的加速比串行PI-RRT#实现的总体规划时间平均减少77.9%。作为第二个贡献，我们引入了批扩展RRT#算法，该算法放松了PI-RRT#中的同步，分别在串行和并行开发下实现了独立的12.97倍和12.54倍加速比。
2020-09-08 cs.RO
NAMR-RRT: Neural Adaptive Motion Planning for Mobile Robots in Dynamic Environments
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；Peng Cheng National Laboratory（鹏城国家实验室）；Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳校区）
针对动态拥挤环境下传统基于风险的运动规划算法探索效率低的问题，提出NAMR-RRT方法，通过神经网络生成的启发式区域动态引导探索并自适应调整，提升了规划效率与成功率，经仿真和实际验证有效。
2024-11-01 cs.RO
Safe Interval Randomized Path Planning For Manipulators
FRC CSC RAS（俄罗斯科学院控制科学研究所）；MIPT（莫斯科物理技术学院）；AIRI（人工智能研究所）
针对高自由度机械臂在动态障碍环境下的三维路径规划难题，提出结合安全区间路径规划与RRT-Connect的SI-RRT规划器，在运行时间和解代价上均优于现有最优方法，且代码已开源。
2025-01-17 cs.RO
Intelligent bidirectional rapidly-exploring random trees for optimal motion planning in complex cluttered environments
National University of Sciences And Technology (NUST)（国立科技大学）；Osaka University（大阪大学）
快速探索随机树（RRT）算法是一种基于采样的运动规划算法，由于其计算效率和有效性，受到了许多研究者的关注。最近，RRT的一个变种RRT* 已被提出，以确保渐近最优性。随后，其双向版本也被引入文献中，称为双向RRT *（B-RRT*）。我们介绍了一个新的变种称为智能双向RRT *（IB-RRT*），这是一个改进的最佳RRT* 和双向版本的RRT*（B-RRT*）算法的变种，是专门为复杂的杂乱环境。IB-RRT* 利用双向树方法，并引入智能样本插入启发式算法，使用均匀采样启发式算法快速收敛到最优路径解决方案。所提出的算法进行了理论评估和实验结果比较IB-RRT* RRT * 和B-RRT*。此外，实验结果表明，IB-RRT* 的优越效率与RRT* 和B-RRT在复杂的杂波环境。
2017-03-27 cs.AI cs.RO
pRRTC: GPU-Parallel RRT-Connect for Fast, Consistent, and Low-Cost Motion Planning
Columbia College, Columbia University（哥伦比亚大学哥伦比亚学院）；Department of Computer Science, Purdue University（普渡大学计算机科学系）
提出pRRTC，一种GPU并行RRT-Connect规划器，通过并行扩展与SIMT优化碰撞检测实现全算法加速，在MotionBenchMaker上达10倍加速，并成功部署于14自由度双臂机器人。
2025-10-07 cs.RO
Post Triangular Rewiring Method for Shorter RRT Robot Path Planning
Dongguk University（东国大学）
本文提出了一种后三角重布线方法，该方法最大限度地减少了规划时间的牺牲，并克服了快速探索随机树（RRT）算法等基于采样的算法的最优性限制。通过三角不等式原理，提出的“后三角重布线”方法比应用前的RRT算法更接近最优路径。进行了实验，以验证所提出的方法的性能。当本文提出的方法应用于RRT算法，最优性效率提高相比，规划时间。
2021-07-12 cs.AI cs.RO
RUL-Aware RRT*: Degradation-Balanced Motion Planning for Robotic Manipulators
Laboratoire Génie Industriel, CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工高等电力学院工业工程实验室）；Chair of Risk and Resilience of Complex Systems, CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学中央理工高等电力学院复杂系统风险与韧性教席）；Key Laboratory of Urban Underground Engineering, Beijing Jiaotong University（北京交通大学城市地下工程教育部重点实验室）
针对机械臂长期运行中关节退化不均导致过早失效的问题，提出RUL-Aware RRT*方法，将剩余使用寿命信息融入规划并自适应调整关节使用，实验表明能抑制退化不平衡、延迟故障并提升长期可靠性。
2026-10-05 cs.RO
A Dual Quaternion based RRT* Path Planning Approach for Satellite Rendezvous and Docking
University of Würzburg, Chair of Space Informatics（乌尔姆大学空间信息技术系）
本文提出基于双四元数的RRT*方法，用于生成平滑无碰撞的卫星会合与对接轨迹，提升姿态连续性和障碍物避障能力。
2025-12-19 cs.RO
Potentially Guided Bidirectionalized RRT* for Fast Optimal Path Planning in Cluttered Environments
National University of Sciences And Technology (NUST)（国立科技大学）；University of California San Diego（加州大学圣迭戈分校）；Manchester Metropolitan University (MMU)（曼彻斯特城市大学）
快速探索随机树星（RRT*）最近在运动规划社区中获得了极大的普及，因为它提供了一个概率上完整和渐近最优的解决方案，而不需要障碍空间的完整信息。尽管RRT* 具有所有优点，但它收敛到最优解的速度非常缓慢。因此，为了提高收敛速度，引入了其双向变体，双向RRT*（B-RRT*）和智能双向RRT*（IB-RRT*）。然而，由于这两种变体都执行纯探索，它们往往会在高度混乱的环境中受到影响。为了克服这些限制，我们引入了一个新的概念，潜在的指导双向树在我们提出的潜在引导智能双向RRT*（PIB-RRT*）和潜在引导双向RRT*（PB-RRT*）。所提出的算法大大提高了收敛速度，并具有更有效的内存利用率。理论和实验评估所提出的算法已经取得了最新的最先进的运动规划算法在不同的挑战性的环境条件下，并已被证明其显着改善的效率和收敛速度。
2018-07-22 cs.AI cs.RO
MINER-RRT*: A Hierarchical and Fast Trajectory Planning Framework in 3D Cluttered Environments
Southern University of Science and Technology（南方科技大学）；Hong Kong University of Science and Technology（香港科技大学）；Shandong University（山东大学）
本文提出MINER-RRT*分层轨迹规划框架，通过神经网络加速采样路径规划并结合微分平坦最优条件构建多项式轨迹，在三维杂乱环境中以更少时间和内存生成高质量四旋翼飞行轨迹。
2024-06-14 cs.RO
AORRTC: Almost-Surely Asymptotically Optimal Planning with RRT-Connect
Purdue University（普渡大学）
AORRTC通过扩展RRT-Connect实现几乎确定性渐进最优规划，以高效且可靠的方式解决高自由度机器人运动规划问题。
2025-09-24 cs.RO
Monte-Carlo Robot Path Planning
Technische Universität Darmstadt（达姆施塔特工业大学）；Aalto University（阿尔托大学）
路径规划是机器人行为设计的重要算法。基于采样的方法，如快速探索随机树（RRT）或概率路线图，是路径规划问题的主要算法解决方案。尽管它的指数收敛速度，RRT只能找到次优路径。另一方面，$\textrm{RRT}^*$，一个广泛使用的RRT的扩展，保证概率的完整性，找到最佳路径，但在实践中遭受在复杂的环境中缓慢的收敛。此外，现实世界的机器人环境往往是部分可观察的或描述不佳的动态，铸造应用程序的$\textrm{RRT}^*$在复杂的任务次优。研究了机器人路径规划中常用的蒙特卡罗树搜索（MCTS）算法。值得注意的是，我们研究蒙特卡罗路径规划（MCPP）的分析和证明，一方面，它的指数收敛速度的最优路径完全可观察的马尔可夫决策过程（MDP），另一方面，它的概率完备性，找到可行的路径在部分可观察的MDP（POMDP）假设有限的距离可观察性（证明草图）。我们的算法的贡献，使我们能够采用最近提出的MCTS的变种，不同的探索策略，机器人路径规划。我们的实验评估在模拟的2D和3D环境与7自由度（DOF）的机械手，以及在现实世界的机器人路径规划任务，证明了优越性的MCPP POMDP任务。
2022-08-04 cs.RO
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
Non-Holonomic RRT & MPC: Path and Trajectory Planning for an Autonomous Cycle Rickshaw
Technical University of Munich (TUM)（慕尼黑工业大学）；University of Sarajevo（萨拉热窝大学）
提出了一种基于快速探索随机树（RRT）进行全局规划和基于模型预测控制（MPC）进行局部规划的分层运动规划方法。该方法的目标是用于共享空间中的自主城市交通的三轮自行车（三轮车）。由于车辆的性质，算法必须进行调整，以遵守非完整的运动学约束，使用运动学单轨模型。该车辆旨在为共享环境中的人员和货物提供运输，例如道路，人行道，自行车道以及经常被其他交通参与者占用的开放空间。因此，本文提出的算法需要预测和避免动态障碍物，如行人或自行车，但也要足够快，以便实时工作，使其能够适应环境的变化。我们的方法使用了RRT的变种，已被修改为单轨道运动学和改进，利用死端节点的全球规划。这使我们能够在非结构化环境中非常快速地计算全局路径。在第二步中，我们的基于MPC的本地规划器利用全局路径来计算车辆的轨迹，同时将动态障碍物，如行人和其他道路使用者。我们的方法已被证明在模拟和第一次现实生活中的测试，可以很容易地扩展到更复杂的行为。
2021-03-10 cs.RO
Motion planning in high dimensional spaces hybridizing RRT and HAR via position-direction decoupling
Centre Inria at Université Côte d’Azur（Inria中心，蔚蓝海岸大学）
针对高维空间路径规划难题，提出解耦位置与方向的RRT与HAR混合方法，并引入稀疏移动策略，在复杂多机器人规划中显著提速。
2026-09-16 cs.RO
Incremental Sampling-based Algorithms for Optimal Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
在过去的十年中，基于增量采样的运动规划算法，如快速探索随机树（RRT）已被证明在实践中工作良好，并拥有理论保证，如概率完整性。然而，没有理论上的界限，这些算法得到的解决方案的质量已经建立到目前为止。本文的第一个贡献是一个否定的结果：它被证明，在温和的技术条件下，在RRT的最佳路径的成本几乎肯定收敛到一个非最优值。其次，考虑了一种新的算法，称为快速探索随机图（RRG），它表明，在RRG的最佳路径的成本几乎必然收敛到最优。第三，一个树版本的RRG介绍，称为RRT $^*$算法，它保留了渐近最优的RRG，同时保持一个树结构像RRT。新算法的分析取决于基于采样的运动规划算法和随机几何图形理论之间的新联系。在计算复杂性方面，它示出的RRG和RRT $^*$算法所需的简单操作的数量是渐近的RRT所需的一个常数因子内。
2010-05-03 cs.RO
Long-Horizon Motion Planning via Sampling and Segmented Trajectory Optimization
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种混合机器人运动规划器，产生长期的运动规划机器人导航的环境中的障碍。我们提出了一种混合规划器，RRT* 与分段轨迹优化（RRT*-sOpt），它结合了基于采样的规划，基于优化的规划和轨迹分裂的优点，快速规划无碰撞和动态可行的运动计划。在生成规划时，RRT* 层快速采样出一条半最优路径，并将其设置为初始参考路径。然后，sOpt层将参考路径进行拆分，并对每个分段进行优化。然后，它再次分割新的轨迹，并重复该过程，直到整个轨迹收敛。我们还建议减少收敛前的段数，以进一步减少计算时间。仿真结果表明，RRT*-sOpt受益于混合结构与轨迹分裂，并在各种机器人平台和场景中表现稳健。
2022-04-17 cs.RO
cpRRTC: GPU-Parallel RRT-Connect for Constrained Motion Planning
针对 GPU 上基于采样的约束运动规划不足及 pRRTC 在复杂模型与环境中的局限，提出利用 NVRTC 运行时编译的 cpRRTC 并行框架，以高效支持高复杂度约束规划并提升性能。
2025-05-11 cs.RO
Multi-Risk-RRT: An Efficient Motion Planning Algorithm for Robotic Autonomous Luggage Trolley Collection at Airports
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；University of Pennsylvania（宾夕法尼亚大学）；Shanghai Jiao Tong University（上海交通大学）；Yanshan University（燕山大学）
本文提出Multi-Risk-RRT算法，通过多子树并行探索与主树启发式信息融合，提升机场行李推车收集机器人在动态环境中的运动规划效率与稳健性。
2023-09-20 cs.RO
Motion Planning and Control for On-Orbit Assembly using LQR-RRT* and Nonlinear MPC
Massachusetts Institute of Technology（麻省理工学院）
部署大型复杂的空间结构对现代科学界具有极大的兴趣，因为它可以提供获得科学，通信和观测信息的新能力。然而，许多理论上的飞行任务设计包含复杂性，必须受到运载火箭要求的限制，如体积和质量。为了缓解这些限制，使用在轨增材制造和机器人组装可以灵活地建造大型复杂结构，包括望远镜，空间站和通信卫星。这项工作的贡献是开发运动规划和控制算法，使用线性二次调节器和快速探索随机树（LQR-RRT*），路径平滑，并跟踪轨迹使用闭环非线性滚动时域控制优化机器人Astrobee自由飞行器。通过获得控制轨迹，考虑避障和动力学的车辆和机械手，自由飞行器迅速考虑和计划的建设空间结构。该方法是一个自然的概括，维修，加油，并重新提供空间结构组件，同时提供最佳的无碰撞的轨迹在操作过程中。
2020-08-06 cs.RO
NR-RRT: Neural Risk-Aware Near-Optimal Path Planning in Uncertain Nonconvex Environments
The Chinese University of Hong Kong（香港中文大学）；Georgia Institute of Technology（佐治亚理工学院）；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）
在不确定环境下，如何平衡安全性和效率之间的关系对于路径规划具有重要意义。许多具有风险意识的路径规划器已经被开发出来，以明确限制碰撞的概率在不确定的环境中的可接受的范围。然而，凸障碍或高斯不确定性通常假设，使问题易于在现有的方法。这些假设限制了路径规划器在现实世界中的推广和应用。在这篇文章中，我们提出将深度学习方法应用于基于采样的规划器，开发了一种新的风险有界近优路径规划算法，称为神经风险感知RRT（NR-RRT）。具体而言，一个确定性的风险轮廓图保持感知概率非凸障碍，并提出了一个神经网络采样器来预测下一个最有希望的安全状态。此外，递归分治规划和双向搜索策略的使用，以加快收敛到一个近最优解，保证有界风险。最坏情况下的理论保证也可以证明，由于备用的安全保证计划，利用均匀的抽样分布。仿真实验表明，该算法在具有不确定性和非凸约束的可见和不可见环境中寻找风险有界的低成本路径的性能明显优于现有算法.
2022-05-14 cs.RO
Zonal RL-RRT: Integrated RL-RRT Path Planning with Collision Probability and Zone Connectivity
Purdue University（普渡大学）；Northeastern University（东北大学）；Sharif University of Technology（谢里夫理工大学）
提出分区RL-RRT算法，利用kd-tree分区和强化学习实现高层规划，在复杂环境中显著提升时间效率并保持成功率，性能优于多种现有方法。
2026-09-15 cs.AI cs.RO
