CollisionSplatting: Collision-Aware Motion Planning in 3DGS Scenes with Image-Conditioned Objectives and Adjustable Conservatism
New York University(纽约大学);University of Klagenfurt(克拉根福大学);Artificial and Natural Intelligence Toulouse Institute (ANITI)(图卢兹人工智能与自然智能研究所)
提出CollisionSplatting,一种GPU加速、可调保守性的概率距离度量,直接作用于3DGS场景,结合图像条件奖励实现联合几何与视觉规划,在MPPI和RRT规划器中达到同等或更优碰撞分类性能,同时提高吞吐量并降低VRAM使用。
2026-09-29 cs.RO
Fast and Bounded Probabilistic Collision Detection in Dynamic Environments for High-DOF Trajectory Planning
University of North Carolina(北卡罗来纳大学)
我们提出了一种新的方法来执行高自由度的机器人和高自由度的障碍物在动态,不确定的环境中的概率碰撞检测。在高自由度机器人和移动障碍物的动态环境中,我们的方法有效地计算机器人和障碍物之间的准确碰撞概率的误差上限。此外,我们描述了一个预测算法,未来的障碍物的位置和运动,占空间和时间的不确定性。提出了一种基于概率碰撞检测的高自由度机器人在动态、不确定环境中的轨迹优化算法。我们强调运动规划性能在具有挑战性的情况下,机器人手臂在动态移动的人类障碍物的环境中操作。
2016-07-16 cs.RO
Robotic Sculpting with Collision-free Motion Planning in Voxel Space
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们探讨了机器人雕刻的任务。提出了一种基于搜索的多轴机械手材料去除造型规划算法。我们生成无碰撞轨迹的操纵器使用最佳优先搜索体素空间。我们还展示了显着的加速我们的算法,通过使用八叉树分解体素空间。我们展示了我们的算法在模拟多轴机械手雕刻米开朗基罗的大卫雕像,评估我们的算法的某些指标,并讨论该项目的未来目标。
2019-11-17 cs.RO
Narrow Passage Path Planning using Collision Constraint Interpolation
Seoul National University(首尔大学)
针对狭窄通道路径规划中可行路径难找、计算开销大及深度穿透导致优化失败的问题,提出通过碰撞约束插值生成序列子问题的优化框架。
2024-10-28 cs.RO
CaSCo: Cascade-Aware Soft-Collision Motion Planning
Nanyang Technological University(南洋理工大学)
针对传统碰撞规划忽视物体接触后果差异的问题,提出CaSCo框架,利用视觉-语言模型分配语义风险,结合物理模拟预测级联碰撞,搜索最小化总风险的最优路径,并通过实验验证其有效性。
2026-09-17 cs.RO
Chance-Constrained Motion Planning using Modeled Distance-to-Collision Functions
University of California San Diego(加州大学圣地亚哥分校)
本文介绍了一种用于机器人系统在运动和状态估计不确定情况下的运动规划算法--机会约束高斯过程-运动规划(CCGP-MP)。本文的核心思想是捕捉的变化,碰撞距离测量所造成的不确定性,在状态估计技术使用高斯过程(GP)模型。我们制定的规划问题作为一个机会约束问题,并提出了一个确定性的约束,使用建模的距离函数来验证的机会约束。我们应用单纯形同调全局优化(SHGO)方法来寻找全局最小值的确定性约束函数沿轨迹和使用的最小值来验证的机会约束。在此公式下,我们可以证明优化函数在一定条件下是光滑的,并且SHGO收敛到全局最小值。因此,CCGP-MP将始终保证规划轨迹上的所有点满足给定的机会约束。实验结果表明,CCGP-MP算法在运动和状态不确定的情况下,能够生成满足最优性准则的路径,减少碰撞。我们的机器人模型和路径规划算法的实现可以在GitHub上找到。
2021-07-22 cs.RO
A Learning-Based Framework for Collision-Free Motion Planning
针对杂乱环境无碰撞运动规划问题,本文提出基于学习的CF规划器扩展框架,用深度神经网络从深度图像推断最优增益,无需手动调参即可实时规划,在仿真和Franka Emika Panda机器人上验证了其任务完成能力与更优泛化性。
2025-11-14 cs.RO
Trajectory Planning Under Stochastic and Bounded Sensing Uncertainties Using Reachability Analysis
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Stanford University(斯坦福大学)
不确定环境下的轨迹规划是一个非常活跃的研究课题。以前的工作预测状态和状态估计不确定性沿轨迹检查碰撞安全。他们假设随机或有界的传感不确定性。然而,GNSS伪距通常被建模为在城市环境中包含具有附加偏差的随机不确定性。因此,给定偏差的界限,规划者需要考虑随机和有界的传感不确定性。在我们以前的工作中,我们提出了一个可达性分析,预测状态和状态估计的不确定性下的随机和有界的不确定性。然而,我们忽略了这些不确定性之间的相关性,导致状态不确定性的不完美近似。在本文中,我们通过预测状态不确定性作为独立量的函数来改进我们的可达性分析。我们设计了一个度量的预测不确定性比较候选轨迹在规划过程中。最后,对基于GNSS的固定翼无人机城市导航规划器进行了验证。
2020-12-17 cs.RO
TD3 Based Collision Free Motion Planning for Robot Navigation
Northeastern University(东北大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);Columbia University(哥伦比亚大学)
本文提出TD3-DWA混合算法,融合DWA与TD3并优化采样间隔参数,实现复杂环境下机器人无碰撞路径规划,仿真实验验证其提升自主导航可靠性与安全性。
2024-05-24 cs.RO
Anytime Motion Planning on Large Dense Roadmaps with Expensive Edge Evaluations
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学);University of Washington(华盛顿大学)
我们提出了一个算法框架,用于在大型密集几何路线图上进行有效的随时运动规划,在碰撞检查和边缘评估的计算成本很高的领域。大的密集路线图(图)通常可以确保大多数运动规划问题的高质量解决方案的存在,但是路线图的大小,特别是在高维空间中,使得现有的基于搜索的规划算法在计算上昂贵。我们以两种方式处理昂贵的搜索和冲突检查的挑战。首先,我们框架的问题,任何时候运动规划的路线图搜索的最短路径在整个路线图的一系列子图,产生的一些致密化策略。这使我们能够实现有界的次最优与有界的最坏情况下的规划工作。其次,对于搜索每个子图,我们开发了一个随时规划算法,使用的信念模型来计算未知配置的碰撞概率和搜索路径的帕累托最优的路径长度和碰撞概率。该算法是有效的碰撞检查,因为它搜索连续较短的路径。我们从理论上分析了我们的想法,并分别对高维运动规划问题进行评估。最后,我们将这两个想法一起应用在我们的算法框架中,用于任何时候的运动规划,并表明它在高维超立方体问题上优于BIT*。
2017-11-10 cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside(加州大学河滨分校)
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变,即可以利用而不是完全避免与环境的潜在碰撞。为此,我们引入了一种新的基于采样的在线规划算法,可以明确地处理与环境碰撞的风险,并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能,使用反射模型评估可能的碰撞的影响。通过这种方式,规划者可以做出与环境碰撞的深思熟虑的决定,如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线,我们提出了一个状态扩展修剪技术,显着减少了搜索空间,同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人,可以承受碰撞。我们进行了广泛的参数研究,以调查(用户调整)的风险水平之间的权衡,故意碰撞决策,和轨迹统计,如时间,以达到目标和路径长度。
2020-09-04 cs.RO
Evaluating Trajectory Collision Probability through Adaptive Importance Sampling for Safe Motion Planning
Stanford University(斯坦福大学)
本文提出了一种工具,用于解决在许多算法规划机器人轨迹的不确定性的关键组成部分:评估的机器人的行动是由一个闭环反馈政策附近的标称规划轨迹的安全性。我们描述了一个自适应的重要性采样蒙特卡罗框架,使一个给定的控制策略的概率避碰约束的满意度的评估,也提供了相关的证书的准确性(在置信区间的形式)。特别是这种自适应技术非常适合于解决复杂的刚体碰撞检查应用于非线性机器人动力学。作为一种蒙特卡罗方法,它适合于并行计算的易处理性,并且通常适用于广泛的可模拟系统,包括替代噪声模型。数值实验证明了自适应重要性采样程序的有效性,并进行了讨论。
2017-06-01 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
Decentralized Motion Planning with Collision Avoidance for a Team of UAVs under High Level Goals
KTH Royal Institute of Technology(瑞典皇家理工学院)
研究了在高水平目标下的空中智能体团队的运动规划问题。我们提出了一种混合控制策略,保证每个代理的本地目标规范,这是作为一个时间逻辑公式的完成,同时保证代理间的冲突避免。特别是,通过定义3-D领域,绑定代理的体积,我们扩展了以前的工作分散的导航功能,并提出控制律,导航代理之间的预定义区域的工作空间的兴趣,同时避免相互碰撞。这使我们能够抽象的代理有限转移系统的运动,并通过采用标准的形式化验证技术,得到一个高层次的控制算法,满足代理的规格。仿真和四旋翼实验结果验证了该方法的有效性。
2016-10-04 cs.RO
Efficient Path Planning In Manipulation Planning Problems by Actively Reusing Validation Effort
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
在操纵规划和任务及运动规划设置中出现的路径规划问题通常是重复的:同一操纵器在仅轻微改变的空间中移动。尽管有这种信息再利用的潜力,但很少有规划者充分利用现有的信息。为了更好地实现这种重用,我们将碰撞检查分解为可重用和不可重用的部分。然后,我们把操作规划中的路径规划问题的序列作为一个多查询路径规划问题。这允许使用规划器,主动地最小化多个查询的规划工作,并且通过这样做,主动地重用先前的知识。我们实现了这种方法在ESTO * 和努力有序LazyPRM*,并在多个模拟机器人的例子基准。此外,我们还表明,分解冲突检查的方法还可以在同一问题的多个不同实例上重用所获得的知识,即,在多查询操作规划场景中。规划者使用分解碰撞检查优于其他规划者在初始解决方案的时间高达两个因素,同时提供了类似的解决方案的质量。
2023-03-01 cs.RO
Design, Contact Modeling, and Collision-inclusive Planning of a Dual-stiffness Aerial RoboT (DART)
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University(制造系统与网络学院,伊拉·A·福尔顿工程学院,亚利桑那州立大学)
本文提出双刚度飞行机器人DART,通过锁定机构切换刚性与柔性模式以适应不同环境,并基于线性互补系统理论建立碰撞响应预测模型,推进了空中机器人的包含碰撞轨迹规划。
2025-04-26 cs.RO
Exploration, Path Planning with Obstacle and Collision Avoidance in a Dynamic Environment
Universidade da Beira Interior(贝拉内政大学)
如果我们给机器人一个任务,将物体从当前位置移动到未知环境中的另一个位置,机器人必须探索地图,识别所有类型的障碍物,然后确定完成任务的最佳路线。我们提出了一个数学模型,以找到一个最佳的路径规划,避免碰撞的所有静态和移动的障碍物,并具有最小的完成时间和最小的行驶距离。该模型不考虑障碍物和机器人周围的限界框,使机器人可以非常接近障碍物而不与其发生碰撞。我们考虑了两种类型的障碍物:确定性障碍物,包括所有静态障碍物,如不移动的墙壁和所有移动障碍物,其移动具有固定的模式,以及非确定性障碍物,包括所有障碍物,其移动可以在任何时间以某种概率分布在任何方向发生。我们还考虑了机器人的加速度和减速度,以提高避碰。
2022-08-19 cs.RO
ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation
School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院)
ParaMaP通过并行映射与SMPC规划器实现未知环境中机器人操作的实时无碰撞运动规划。
2025-12-27 cs.RO
Collision-Free Poisson Motion Planning in Ultra High-Dimensional Molecular Conformation Spaces
Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(SLAC国家加速器实验室);University of Erlangen-Nuremberg(埃尔朗根-纽伦堡大学)
蛋白质、RNA和DNA的功能通过三维构象之间的快速、动态交换来调节。利用精确和零空间逆运动学,以可旋转键为旋转关节,以非共价相互作用为完整约束,对生物分子进行构象采样,可以准确地表征这些天然系综。然而,采样生物分子仍然具有挑战性,因为它们的超高维配置空间,以及避免(自)碰撞的要求,这导致低接受率。在这里,我们提出了两种新的机制来克服这些限制。首先,我们在近碰撞链接之间引入了临时约束。由此产生的约束品种瞬间重定向搜索无碰撞的构象,并耦合运动之间的遥远的部分的联系。其次,我们采用了一个随机泊松盘运动规划,防止局部过采样和扩大搜索,超高的维度。我们评估了我们的算法在几个模型系统。我们的贡献适用于一般的高维运动规划问题的静态和动态环境中的障碍。
2016-07-25 cs.RO
Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
UC San Diego(加州大学圣地亚哥分校)
基于采样的运动规划是机器人技术中一种在连续空间中寻找路径的常用方法。碰撞检测是该过程中的主要计算瓶颈。我们提出了新的基于学习的方法,通过训练执行路径探索和路径平滑的图神经网络来减少碰撞检查以加速运动规划。给定从批量采样生成的随机几何图(RGG),路径探索组件迭代地预测无冲突边缘以优先考虑它们的探索。路径平滑组件然后优化从探索阶段获得的路径。该方法受益于GNN通过批量采样从RGG捕获几何图案的能力,并更好地推广到不可见的环境。实验结果表明,学习组件可以显着减少碰撞检查,提高整体规划效率,在具有挑战性的高维运动规划任务。
2022-10-17 cs.AI cs.RO
Easing Reliance on Collision-free Planning with Contact-aware Control
MIT(麻省理工学院)
我们相信,机器人运动规划的未来将与今天看起来非常不同:而不是复杂的防撞轨迹与脆弱的依赖感测和估计的环境,运动计划应该包括平滑,简单的轨迹,并由机器人执行,不害怕接触。在这里,我们提出了一个“接触感知”控制器,它继续执行给定的轨迹,尽管意外的碰撞,同时保持接触力稳定和小。我们引入了一个二次规划(QP)制定,它最大限度地减少了准静态动力学和接触力约束的跟踪误差。与经典的零空间投影技术相比,在所提出的QP控制器的接触力的不等式约束允许更温和的释放时,机器人出来的接触。在准静态动力学模型中,控制动作仅包括命令的关节位置,允许QP控制器在刚度控制的机器人上运行,该机器人没有直接的扭矩控制接口,也没有准确的动态模型。所提出的QP控制器的有效性证明了在库卡iiwa手臂。
2021-09-26 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
Fast MILP-based Task and Motion Planning for Pick-and-Place with Hard/Soft Constraints of Collision-Free Route
Data Science Research Laboratories, NEC Corporation(日本电气股份有限公司数据科学研究实验室)
提出了一种新的基于优化的任务和运动规划(TAMP)模型,用于机器人拾取和放置(P&P),以低计算成本规划动作序列和运动轨迹。我们改进了现有的国家的最先进的TAMP模型集成的避碰,这是制定为一个混合整数线性规划(MILP)问题。为了使MILP求解器能够有效地搜索解决方案,我们引入了两种利用机器人P& P中碰撞避免功能的方法。第一种方法通过将其重新表述为连续变量来减少与交付对象碰撞避免相关的二进制变量的数量。具有额外的硬约束。这些硬约束通过有条件地将与机器人的搬运动作状态和碰撞避免相关的二进制值传播到重构的连续变量来保持一致性。第二种方法更了解分支定界方法,这是现代MILP求解器的基本算法。这种方法通过添加软约束来引导MILP求解器找到具有较浅分支的整数解,该软约束软地限制机器人围绕递送对象的路线。我们证明了所提出的方法与现代MILP求解器的有效性。
2021-09-06 cs.RO
Forward Kinematics Kernel for Improved Proxy Collision Checking
University of California San Diego(加州大学圣地亚哥分校)
核函数可以在机器人技术中用于比较机器人的不同姿态,诸如在碰撞检查、逆运动学和运动规划中。这些比较通常基于联合空间测量提供距离度量,并且每秒执行数百或数千次,连续地用于变化的环境。很少有例子存在于创建新的内核,尽管它们在机器人控制和规划的计算性能和鲁棒性的显着影响。我们引入了一个新的核函数的基础上的正运动学(FK)比较机器人操作器的配置。我们将新的FK内核集成到我们的代理碰撞检查器Fastron中,Fastron以前在碰撞检查和运动规划方面表现出显着的速度改进。与以前使用的径向基函数内核相比,使用新的FK内核,我们实现了代理碰撞检查速度的两倍加速,内存减少了8倍,并将7自由度机器人手臂的分类准确率从75%提高到95%以上。与最先进的几何碰撞检查器相比,使用FK内核,碰撞检查现在快了9倍。为了展示该方法的广泛性,我们将Fastron FK应用于OMPL中的各种运动规划器,一致显示出更快的机器人规划。
2019-10-14 cs.RO
LAGO Policy: Latency-Aware Asynchronous Diffusion Policies with Goal-Directed Collision-Free Planning for Smooth Manipulation
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));International Digital Economy Academy(国际数字经济学院);The University of Hong Kong(香港大学);Southern University of Science and Technology(南方科技大学)
提出LAGO策略,通过延迟感知条件引导和时空轨迹优化,解决异步扩散策略的间断和碰撞问题,实现平滑安全的操作。
2026-06-17 cs.RO
db-A*: Discontinuity-bounded Search for Kinodynamic Mobile Robot Motion Planning
TU Berlin(柏林工业大学)
我们考虑时间最优的运动规划的动力系统是不变性的,许多移动机器人,如差分驱动器,汽车,飞机,和多旋翼的属性。我们的主要见解是,我们可以扩展图搜索算法的连续情况下,共生使用优化。对于图搜索,我们引入不连续有界A*(db-A*),A* 算法的推广,使用基于采样的规划器的概念和数据结构。Db-A* 重用短轨迹,即所谓的运动基元,作为边缘,并允许顶点处的最大用户指定不连续性。利用轨迹优化对这些轨迹进行局部修复,这也提供了新的改进的运动基元。我们的新的运动动力学运动规划器,kMP-db-A*,几乎肯定渐近最优的行为和计算接近最优的解决方案迅速。为了进行经验验证,我们提供了第一个基准测试,比较了不同设置中多个动力系统上基于搜索、采样和优化的时间最优运动规划。与基线相比,kMP-db-A* 始终能够解决更多问题实例,找到成本更低的初始解决方案,并且收敛速度更快。
2022-08-01 cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology(麻省理工学院)
本文介绍了概率Chekov(p-Chekov),一个机会约束运动规划系统,可应用于高自由度(DOF)机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型,它可以找到可行的轨迹,满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中,将积分理论应用到航路点碰撞风险估计中,并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同,p-Chekov可以应用于高自由度的机器人规划任务,而无需对环境进行凸化。本文的实验结果表明,该p-Chekov系统可以有效地降低碰撞风险,并满足用户指定的机会约束,在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
Collision-free Trajectory Planning for Autonomous Surface Vehicle
College of Control Science and Technology, Zhejiang University(浙江大学控制科学与工程学院);Institute of Cyber-Systems and Control, Zhejiang University(浙江大学智能系统与控制研究所)
在本文中,我们提出了一种高效和准确的方法,自主表面车辆生成一个光滑的和无碰撞的轨迹,考虑其动力学约束。将轨迹规划问题解耦为前端可行路径搜索和后端运动学轨迹优化。首先,建立了双推力欠驱动水面舰艇的数学模型。然后采用基于采样的路径搜索方法,在障碍物周围环境中寻找一条渐近最优路径,并从中提取多个航路点,在后端采用数值优化方法生成轨迹。从野外航行安全的角度出发,提出了航行走廊法,以保证航迹远离障碍物。此外,考虑到有限的燃料ASV携带,我们设计了一个数值目标函数,可以优化一个节省燃料的轨迹。最后,我们在仿真环境中验证和比较所提出的方法,结果符合我们的预期轨迹。
2020-05-20 cs.RO
Feasible Computationally Efficient Path Planning for UAV Collision Avoidance
Nanyang Technological University(南洋理工大学);Fuzhou University(福州大学)
提出了一种鲁棒的、计算效率高的无人机实时避碰算法--基于记忆的壁面跟随人工势场法(MWF-APF)。新算法在沿墙法(WFM)和人工势场法(APF)之间切换,提高了态势感知能力。考虑历史轨迹,避免重复错误决策。此外,它可以有效地应用于低计算能力的平台。最后,以配备有限个飞行时间测距仪的四旋翼飞行器为例,验证了该算法的有效性。通过软件仿真和物理飞行试验验证了MWF-APF方法在复杂场景下的性能。
2021-02-08 cs.RO
Efficient Collision Detection Oriented Motion Primitives for Path Planning
Panasonic Holdings Corporation(松下控股株式会社)
本文提出用双圆弧作为运动基元来加速路径规划中的单边碰撞检测,同时保持路径平滑连续,且不依赖圆盘形碰撞盒,适用于多种尺寸和差速驱动机器人。
2023-12-05 cs.RO
Enhanced Probabilistic Collision Detection for Motion Planning Under Sensing Uncertainty
Department of Mechanical Engineering, National University of Singapore(国立新加坡大学机械工程系);University of Delaware(特拉华大学)
本文提出一种增强型概率碰撞检测方法,通过超二次曲面近似物体形状并同时考虑位置与方向估计误差,将碰撞概率建模为机会约束问题求解,显著提升了感知不确定性下运动规划的鲁棒性和效率。
2025-08-27 cs.RO
Flatness-based Finite-Horizon Multi-UAV Formation Trajectory Planning and Directionally Aware Collision Avoidance Tracking
Department of Cybernetics, Czech Technical University in Prague(捷克技术大学布拉格分校自动化系);Mechanical and Aerospace Engineering, Old Dominion University(旧 Dominion 大学机械与航空航天工程系);Mechanical Engineering Faculty, Sahand University of Technology(沙赫德大学机械工程系);Aksaray University(阿克萨雷大学)
本文提出一种基于微分平坦性的多无人机有限时间无碰撞编队控制方案,通过庞特里亚金原理规划编队轨迹,并设计方向感知避碰策略实现无碰撞跟踪,仿真验证了其有效性。
2025-07-01 cs.RO
Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa(热那亚大学)
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离,与以前的方法不同,我们提供了一种方法来计算准确的碰撞概率。此外,我们提供了一个严格的上限,可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下,所提出的方法进行了评估模拟。
2021-10-12 cs.AI cs.RO
Finding Near-optimal Solutions in Multi-robot Path Planning
Agent Technology Center, Dept. of Computer Science, Faculty of Electrical Engineering, CTU in Prague(布拉格捷克理工大学电气工程学院计算机科学系智能体技术中心);Algorithmics, EEMCS, Delft University of Technology(代尔夫特理工大学电气工程、数学与计算机科学学院算法组);iRobot Inc., Pasadena(iRobot公司(帕萨迪纳))
我们处理的问题,规划无碰撞的机器人在共享空间中运行的轨迹。给定每个机器人的起始位置和目的地位置,任务是找到所有机器人的轨迹,以最小的总成本到达目的地,使得机器人在遵循找到的轨迹时不会碰撞。我们的方法从每个机器人的单独最佳轨迹开始,然后因与其他机器人碰撞而受到惩罚。惩罚逐渐增加,并且迭代地重新规划各个轨迹以考虑增加的惩罚,直到找到无碰撞的解决方案。我们发现,这样的惩罚方法在最优值已知的情况下构造出具有接近最优值的成本的轨迹,并且在其他情况下,其成本比优先规划生成的轨迹低4- 10%,并且最高可达40%。这比通过局部碰撞避免技术(例如ORCA)生成的轨迹更便宜。
2014-10-20 cs.RO
Motion Planning for Multi-Mobile-Manipulator Payload Transport Systems
IIIT Hyderabad(国际信息技术研究所海得拉巴分校);University of Genoa(热那亚大学);University of Tübingen(图宾根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);IIT Jodhpur(焦特布尔印度理工学院)
提出了一种空间有效载荷协同操作的运动学运动规划算法。介绍了一种层次化的方法来计算实时无碰撞的移动机械臂机器人形成的运动计划。首先,在规划范围内识别可变形2-D虚拟限界框的无碰撞配置,以定义整个系统的凸工作空间。然后,计算其投影位于定义的凸工作空间内的3-D有效载荷配置。最后,一个凸分散模型预测控制器制定规划无碰撞轨迹的移动机械手形成。这种方法有利于系统的实时运动规划,并且在机器人的数量上是可扩展的。该算法在模拟的动态环境中进行了验证。模拟视频:https://youtu.be/9EKj7RwRs_4。
2019-03-18 cs.RO
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA(英伟达);University of Southern California(南加州大学);Amazon(亚马逊)
针对含交互动态障碍的杂乱环境,本文提出DREAM去中心化异步概率多机器人轨迹规划器,仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Shape-Space Graphs: Fast and Collision-Free Path Planning for Soft Robots
Department of Mechanical Engineering, Stanford University(机械工程系,斯坦福大学);Institute of Applied Mechanics, Friedrich-Alexander-Universität Erlangen–Nürnberg(应用力学研究所,弗赖堡-埃尔兰根-纽伦堡大学)
本文提出了一种基于形状空间图的路径规划方法,用于软机器人在复杂环境中的快速且无碰撞导航,通过预计算形状库和多目标边成本实现高效路径生成。
2026-01-14 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
Learning-Accelerated Narrow-Phase Collision Detection via Check Ordering for Sampling-Based Motion Planning
Shanghai Jiao Tong University(上海交通大学)
本文提出一种基于学习的窄相位碰撞检测加速方法,通过超网络预测碰撞概率以优化检查顺序,减少检测时间,提升采样运动规划在杂乱环境中的效率与成功率。
2026-09-28 cs.RO
Near Time-Optimal Hybrid Motion Planning for Timber Cranes
Automation & Control Institute (ACIN), TU Wien(自动化与控制研究所(ACIN),维也纳技术大学);Center for Vision, Automation & Control, AIT Austrian Institute of Technology GmbH(视觉、自动化与控制中心,奥地利技术研究所)
本文提出了一种针对液压驱动木工起重机的混合运动规划方法,通过改进的 VP-STO 算法和碰撞成本公式,实现了时间最优且无碰撞的运动规划。
2025-06-25 cs.RO
Parametrised collision-free optimal motion planning algorithms in Euclidean spaces
Universidade de São Paulo(圣保罗大学);Centro de Investigación y de Estudios Avanzados del I.P.N.(墨西哥国立理工学院高级研究中心)
本文提出了参数化无碰撞最优运动规划算法,用于控制点状物体在偶数维欧几里得空间中避开最多三个先验未知障碍物移动,其参数化局部规划器具有最小可能尺寸,实现最优性。
2023-06-24 cs.RO math.AT
Tight Collision Probability for UAV Motion Planning in Uncertain Environment
The University of Hong Kong(香港大学);Zhejiang University(浙江大学)
针对动态障碍、外部扰动、定位与建模误差,本文提出融合多源不确定性的无人机机会约束运动规划框架,并用碰撞概率紧致上界降低轨迹保守性。
2023-09-28 cs.RO
Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields
TU Darmstadt(达姆施塔特工业大学);German Research Center for AI (DFKI)(德国人工智能研究中心)
本文提出 Deep Collision Probability Fields,将采样式碰撞概率估计转移到训练阶段,以神经网络快速推理支持含不确定静态与动态障碍物的二维安全路径规划。
2024-09-06 cs.AI cs.RO
Occlusion-Aware Path Planning for Collision Avoidance: Leveraging Potential Field Method with Responsibility-Sensitive Safety
The University of Tokyo(东京大学)
针对传统势场路径规划未考虑遮挡导致的瞬时力干扰问题,提出融合责任敏感安全的遮挡感知路径规划方法,经仿真验证可消除横向振荡、生成更平滑路径。
2023-06-12 cs.RO
Optimal Vehicle Path Planning Using Quadratic Optimization for Baidu Apollo Open Platform
路径规划是自主车辆运动规划的关键组成部分。路径规定了车辆将行驶的几何形状,因此,它对车辆安全和舒适的运动至关重要。对于城市驾驶场景,自动驾驶车辆需要能够在混乱的环境中导航,例如,道路被一些车辆/障碍物部分堵塞。如何在复杂的环境中生成运动学上可行的、平滑的、能够避免碰撞的路径,使得路径规划成为一个具有挑战性的问题。在本文中,我们提出了一种新的二次规划方法,产生最佳路径的分辨率完全避免碰撞的能力。
2021-12-03 cs.RO
Path planning for autonomous vehicles with minimal collision severity
Universität der Bundeswehr München(慕尼黑联邦国防军大学)
本文提出一种针对自动驾驶车辆的两层最优控制路径规划算法,通过生成碰撞严重度图,在碰撞不可避免时寻找严重度最低且转向力最小的路径,并验证了其有效性。
2024-08-28 cs.RO math.OC
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University(庆北国立大学)
本文针对高速公路自动驾驶中的车辆交互问题,提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架,并基于庞特里亚金极小值原理实现轨迹优化,仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
Parametrized topological complexity of collision-free motion planning in the plane
Louisiana State University(路易斯安那州立大学);Queen Mary University of London(伦敦大学玛丽皇后学院);The University of Chicago(芝加哥大学)
参数化运动规划算法具有高度的通用性和灵活性,因为它们被设计为在各种外部条件下工作,这些外部条件被视为参数并形成底层运动规划问题的输入的一部分。在本文中,我们分析了参数化运动规划问题的运动中的许多不同的点在平面上,移动无碰撞,避免多个不同的障碍物与先验未知的位置。这补充了我们先前的工作[arXiv:2009.06023],其中引入了参数化运动规划算法,并充分研究了三维空间中的避障无碰撞运动规划问题。平面情况需要不同的代数和拓扑工具比它的空间模拟。
2021-10-14 cs.RO math.AT math.GT
Collision free motion planning on a wedge of circles
Wright College(赖特学院)
我们展示了一个算法,连续的指令,两个机器人移动没有碰撞的轨道形状为一个楔形的三个圆圈。我们表明,与这个问题相关的配置空间的拓扑复杂性是3。拓扑复杂度是一个同伦不变量,可以被认为是描述机器人在任何初始配置到任何最终配置之间无碰撞的运动所需的最小连续指令数。所提出的算法是最优的,在这个意义上,它需要正好3个连续的指令。
2020-10-11 cs.RO math.AT
RAVEN: Reinforcement-Adaptive Visibility-Graph Planning for Robust Humanoid Navigation with Collision-Free MPC
Robotics and Mechanisms Laboratory (RoMeLa), Department of Mechanical and Aerospace Engineering, University of California, Los Angeles(机器人与机构实验室(RoMeLa),机械与航天工程系,加利福尼亚大学洛杉矶分校)
研究针对人形机器人在动态环境中的导航问题,提出RAVEN框架,通过强化学习自适应调整可见性图规划器几何结构,结合无碰撞MPC层跟踪轨迹,经实验评估,该方法能减少超调、提高狭窄通道稳健性及在延迟噪声下可靠导航。
2026-07-20 cs.RO
VAMP-MR: Vector-Accelerated Motion Planning and Execution for Multi-Robot-Arms
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);University of Michigan(密歇根大学)
针对多机器人手臂运动规划这一关键挑战,结合经典规划算法与矢量化碰撞检查技术,引入新运动规划器,基于CPU SIMD指令加速碰撞检查,在运动规划和执行后处理中实现加速,并发布实现降低研发门槛。
2026-07-16 cs.RO
Motion Planning for Multi-Link Robots by Implicit Configuration-Space Tiling
Tel-Aviv University(特拉维夫大学)
我们研究自由飞行的多连杆机器人的运动规划问题,并开发了一个基于采样的算法,是专门为任务量身定制的。我们的工作是基于一个简单的观察,一组配置的机器人是自碰撞自由是独立的障碍物或机器人的确切位置。这使得在解决运动规划问题时无需在线执行昂贵的自碰撞检查,假设一些离线预处理。特别是,给定一个特定的机器人类型,我们的算法预先计算平铺路线图,有效地和隐式编码的自碰撞自由(子)空间在整个配置空间,后者可以是无限的。为了回答任何查询,在任何给定的场景中,我们遍历平铺路线图,同时只测试与障碍物的碰撞。我们的算法比普遍的范例,其中预先计算的路线图取决于机器人和手头的情况下,建议更多的灵活性。我们通过各种模拟展示了这种方法在开放和封闭链多连杆机器人上的有效性,在某些情况下,我们的算法比最先进的算法快50倍以上。
2015-11-25 cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology(波兹南理工大学)
在本文中,我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外,规划者应该检查多个约束,如静态稳定性,自碰撞,与地形的碰撞,以及腿的工作空间。结果,检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中,我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后,我们提出了一种新的规划方法,提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Learning Unions of Convex Sets via Invertible Latent Decomposition for Path Planning
Korea University(高丽大学);ETH Zurich(苏黎世联邦理工学院)
提出ILD框架,联合学习可逆映射和潜在空间中的显式凸多面体并集,实现路径规划,并通过可见性引导采样保持凸集连通性,在多种环境中取得更高成功率。
2026-06-11 cs.RO