GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling
本研究提出GASP这一GPU加速安全规划器，结合隐式轨迹采样，可实现毫秒级碰撞感知关节空间运动生成，在机器人乒乓球任务中表现优异且大幅降低训练碰撞次数。
2026-08-06 cs.RO
RALTPER: A Risk-Aware Local Trajectory Planner for Complex Environment with Gaussian Uncertainty
Southeast University（东南大学）
本研究针对高斯不确定性复杂环境下的自动驾驶车辆，提出风险感知局部轨迹规划器RALTPER，通过结合概率风险评估与非线性优化实现避碰，经多场景仿真验证其在狭窄区域等场景下的规划安全性与效率更优。
2024-08-11 cs.RO
FASTER: Fast and Safe Trajectory Planner for Flights in Unknown Environments
Aerospace Controls Laboratory, MIT（麻省理工学院航空航天控制实验室）
通过未知环境的高速轨迹规划需要算法技术，该算法技术能够在获得关于操作环境的新信息时实现快速反应时间，同时保持安全性。计算易处理性的要求通常会导致优化问题，不包括障碍物约束（碰撞检查的解决方案）或使用凸分解的自由空间，然后强加一个特设的时间分配方案的轨迹的每个间隔。此外，安全保证通常通过具有局部规划器来获得，该局部规划器在自由已知空间中规划具有最终“停止”条件的轨迹。然而，这两个决定通常会导致缓慢和保守的轨迹。我们提出了FASTER（快速和安全的轨迹规划器）来克服这些问题。FASTER通过使本地规划器能够在自由已知和未知空间中进行优化来获得高速轨迹。通过在每个重新规划步骤开始时在自由已知空间中始终具有可行的、安全的备用轨迹来确保安全保证。此外，我们提出了一个混合二次规划公式，其中求解器可以选择的轨迹间隔分配，并有效地使用先前的重新规划迭代的结果计算的时间分配启发式。该算法在仿真和实际硬件中进行了广泛的测试，在未知的杂波环境中显示出敏捷的飞行速度高达3.6米/秒。
2020-05-13 cs.RO
DPMPC-Planner: A real-time UAV trajectory planning framework for complex static environments with dynamic obstacles
Carnegie Mellon University（卡内基梅隆大学）
由于环境结构复杂、动态障碍物、测量噪声和不可预测的移动障碍物行为等不确定性，无人机的安全导航具有挑战性。虽然最近的大量工作实现了复杂的静态环境中的安全导航与复杂的映射算法，如占用地图和ESDF地图，这些方法不能可靠地处理动态环境中由于移动障碍物的映射限制。为了解决这个问题，本文提出了一个轨迹规划框架，以实现安全导航，考虑复杂的静态环境与动态障碍。为了可靠地处理动态障碍物，我们将环境表示分为静态映射和动态对象表示，这可以通过计算机视觉方法来获得。我们的框架首先生成一个静态轨迹的基础上提出的迭代走廊收缩算法。然后，反应机会约束模型预测控制与时间目标跟踪应用于避免动态障碍物的不确定性。在各种环境下的仿真结果表明，我们的算法在复杂的静态环境中的动态障碍物的安全导航的能力。
2022-03-12 cs.AI cs.RO
OCEAN: An Openspace Collision-free Trajectory Planner for Autonomous Parking Based on ADMM
Mach Drive, LLC（马赫驱动有限责任公司）；Hong Kong University of Science and Technology（香港科技大学）
本研究提出基于ADMM的自主泊车开放空间无碰撞轨迹规划器OCEAN，通过热启动、凸对偶重构与并行求解提升效率鲁棒性，经仿真与实场测试验证性能优于现有基准。
2024-03-08 cs.RO
Adversarial Attacks on Optimization based Planners
Microsoft Corporation（微软公司）
轨迹规划是机器人算法体系结构中的关键部分。轨迹规划器通常使用迭代优化方案来生成平滑轨迹，该平滑轨迹避免碰撞并且对于给定机器人的物理规格的跟踪是最优的。从最初的估计开始，规划者迭代地改进解决方案，以满足所需的约束。在本文中，我们表明，这种迭代优化的规划者可能容易受到对抗攻击，迫使规划者要么完全失败，或显着增加所需的时间来找到一个解决方案。这里的关键见解是，环境中的对手可以直接影响规划器的优化成本函数。我们演示了对手如何调整自己的状态配置，导致条件不佳的特征结构的目标，导致故障。我们应用我们的方法对两个国家的最先进的轨迹规划，并证明对手可以一贯利用迭代优化方案的某些弱点。
2021-06-04 cs.RO
Elastic Tracker: A Spatio-temporal Trajectory Planner Flexible Aerial Tracking
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
本文提出了弹性跟踪器，一个灵活的轨迹规划框架，可以处理具有挑战性的跟踪任务，保证安全性和可见性。首先，设计了一种目标检测和无意图运动预测方法。然后提出了一种遮挡感知的路径查找方法，以提供适当的拓扑结构。设计了一种基于引导路径的智能安全飞行走廊生成策略，并对遮挡代价进行了分析。最后，一个有效的轨迹优化方法，使生成的飞行走廊内的时空最优轨迹。特殊配方的设计可确保安全性和可视性，同时优化上述所有要求。实验结果表明，我们的方法工作更强大，但与现有的方法相比，更少的计算，即使在一些具有挑战性的跟踪任务。
2022-03-02 cs.RO
TRUST-Planner: Topology-guided Robust Trajectory Planner for AAVs with Uncertain Obstacle Spatial-temporal Avoidance
School of Aerospace Engineering, Beijing Institute of Technology（北京理工大学航空航天工程学院）；Key Laboratory of Dynamics and Control of Flight Vehicle, Ministry of Education（教育部飞行器动力学与控制重点实验室）
提出TRUST-Planner拓扑引导分层规划框架，通过动态增强可见概率图、无终端最小控制多项式和动态距离场实现复杂动态环境下的鲁棒时空避障，达到96%成功率和毫秒级计算效率。
2026-05-28 cs.RO
Improving Trajectory Optimization using a Roadmap Framework
Massachusetts Institute of Technology（麻省理工学院）
我们提出了几个代表性的基于采样和优化的运动规划器的评估，然后介绍了一个集成的运动规划系统，该系统将轨迹优化的最新进展到一个稀疏的路线图框架。通过实验，在4个常见的应用场景，每个5000个测试用例，我们表明，基于优化或基于采样的规划师单独是不有效的，需要快速规划时间的现实问题。据我们所知，这是第一个工作，提出了这样一个系统和全面的评价国家的最先进的运动规划，这是基于大量的实验。然后，我们结合不同的独立规划与轨迹优化。结果表明，我们的稀疏路线图和轨迹优化的组合提供了优于其他标准的基于采样的规划器组合的性能。通过使用多查询路线图，而不是为每个规划问题生成全新的轨迹，我们的方法允许扩展，如持久的控制策略信息与跨规划问题的轨迹。此外，由路线图的稀疏性导致的次优性以及来自环境的意外干扰都可以通过实时轨迹优化过程来克服。
2018-11-05 cs.RO
VH-Diffuser: Variable Horizon Diffusion Planner for Time-Aware Goal-Conditioned Trajectory Planning
Department of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学）
提出VHD框架，将规划视界作为学习变量，通过Length Predictor预测实例特定视界并引导Diffusion Planner生成目标长度轨迹，有效解决了固定视界导致的长度不匹配问题，提升了长视界任务的成功率与鲁棒性。
2025-09-15 cs.RO cs.SY eess.SY
Topology-Driven Parallel Trajectory Optimization in Dynamic Environments
TU Delft（代尔夫特理工大学）
针对动态环境下非凸优化轨迹规划易陷入局部最优、运动低效不安全的问题，提出拓扑驱动的并行优化策略，通过全局规划生成不同同伦类轨迹、并行局部规划优化，滚动选最优可行轨迹，经行人场景验证更快速安全。
2024-10-04 cs.RO
S2Planner: Multi-Scale Semantic Planner for End-to-End Autonomous Driving
Technical University of Munich（慕尼黑工业大学）；Huaibei Normal University（淮北师范大学）
S2Planner提出一种结合多尺度图像特征与自车条件轨迹初始化的端到端轨迹规划方法，在NAVSIM上取得88.03 PDMS，但需进一步验证其泛化性和效率。
2026-09-25 cs.AI cs.CV
SHIFT Planner: Speedy Hybrid Iterative Field and Segmented Trajectory Optimization with IKD-tree for Uniform Lightweight Coverage
本文提出SHIFT Planner框架，集成语义建图与自适应覆盖规划，通过扩散场模型动态调整轨迹和速度，实现均匀轻量覆盖。
2025-04-24 cs.RO
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University（浙江大学）；Huzhou institute of Zhejiang University（浙江大学湖州研究院）
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而，调整参数具有挑战性，因为现代规划者已经变得过于复杂，无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环，提出了一个规划参数自适应框架，制定目标成两个互补的类别，并异步优化它们。分别使用贝叶斯优化（BayesOpt）和粒子群优化（PSO）优化有和无轨迹执行的目标。通过将两类目标相结合，加快了黑箱优化的总收敛速度，同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试，验证了其实时环境适应性，这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 cs.RO
FlowDrive: moderated flow matching with data balancing for trajectory planning
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究中心）
FlowDrive通过数据平衡和流量匹配技术，提升轨迹规划在稀有场景下的性能，实现最先进的规划效果。
2026-11-04 cs.AI cs.LG cs.RO
Perception-aware receding horizon trajectory planning for multicopters with visual-inertial odometry
UC Berkeley（加州大学伯克利分校）
视觉惯性里程计（VIO）被广泛用于多旋翼飞行器的状态估计，但它可能在视觉特征较少的环境中或在过于激进的飞行中表现不佳。在这项工作中，我们提出了一个感知感知防撞轨迹规划多旋翼机，可用于任何基于特征的VIO算法。我们的方法是能够飞行的车辆以快速的目标位置，避免在一个未知的静止环境中的障碍物，同时实现良好的VIO状态估计精度。该规划器对一组最小加加速度轨迹进行采样，并在其中找到无碰撞轨迹，然后根据它们到达目标的速度和感知质量对其进行评估。运动模糊的功能和他们的位置被认为是感知质量。我们对特征的运动模糊的新颖考虑使得能够在具有不同光照水平的环境下自动适应轨迹的侵略性。来自评估的最佳轨迹由车辆跟踪，并且当从相机接收到新图像时以滚动水平线的方式更新。只对VIO做了一般性的假设，这样规划器就可以与各种现有的系统一起使用。该方法可以在小型嵌入式计算机上实时运行。我们通过室内和室外环境中的实验验证了我们提出的方法的有效性。与感知不可知的规划器相比，所提出的规划器在相机的视图中保留了更多的特征，并且使飞行不那么具有攻击性，从而使VIO更准确。它还减少了VIO故障，这发生在感知不可知的规划器，但不建议的规划器。所提出的规划飞行通过密集的障碍物的能力也得到了验证。实验视频可以在https://youtu.be/qO3LZIrpwtQ上找到。
2022-08-01 cs.RO
GFM-Planner: Perception-Aware Trajectory Planning with Geometric Feature Metric
Dalian University of Technology（大连理工大学）
本文提出GFM-Planner框架，通过几何特征度量、度量编码地图和感知感知轨迹规划，引导机器人主动选择特征丰富区域的轨迹以提升LiDAR定位精度。
2025-07-22 cs.RO
Globally Guided Trajectory Planning in Dynamic Environments
TU Delft（代尔夫特理工大学）
在与人类共享的环境中导航移动机器人具有挑战性。从机器人的角度来看，人类是必须避免的动态障碍。这些障碍物使无碰撞空间非凸，这导致每个障碍物有两种不同的通过行为（向左或向右通过）。对于局部规划器，例如滚动时域轨迹优化，每种行为都代表了规划器可能陷入的局部最优。这可能导致缓慢或不安全的动作，即使存在更好的计划。在这项工作中，我们确定多个局部最优驾驶行为的轨迹，通过考虑他们的拓扑结构。通过传播拓扑信息，使这种识别在连续迭代中保持一致。最合适的高级轨迹引导基于局部优化的规划器，从而产生快速安全的运动规划。我们验证了移动机器人在仿真和现实世界的实验所提出的规划。
2023-03-14 cs.RO
Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning
Department of Electrical and Computer Engineering, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系）；Department of Mathematical and Computational Sciences, University of Toronto（多伦多大学数学与计算科学系）
本文提出了一种新的损失函数，通过核密度估计校准高斯轨迹预测器的不确定性，以提高安全规划性能。
2026-07-14 cs.RO
A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing
Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich（慕尼黑工业大学工程与设计学院自动驾驶车辆系统教授组）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
针对自主赛车在多智能体场景下的规划问题，提出将博弈论推理集成到基于采样的运动规划器的混合架构，利用离线学习势函数和在线梯度优化生成交互参考路径，在模拟环境中验证该方法能诱导防御行为且无计算负担。
2026-07-16 cs.RO
Tunable Trajectory Planner Using G3 Curves
University of Waterloo（滑铁卢大学）
轨迹规划通常用作自动驾驶中本地规划器的一部分。本文考虑的问题，规划一个连续的曲率率固定的开始和目标状态之间的轨迹，最大限度地减少乘客舒适度和旅行时间之间的可调权衡。这个问题是两个连续函数的无限维优化的一个实例：路径和速度分布。我们提出了一个简化的这个问题，有利于离散化的两个功能。本文还提出了一种方法来快速生成的最小长度路径之间的起始状态和目标状态的基础上一个单一的调整参数：曲率的二阶导数。此外，我们沿着给定的路径离散成一个选择的加速路点沿路径的速度分布的集合，然后使用连续下降，以最小化成本的曲率的二阶导数的可行选择，和加速路点，导致在一个方法，反复解决的路径和速度分布的迭代方式。数值例子来说明所提出的方法的好处。
2021-06-07 cs.RO cs.SY eess.SY
Real-Time Motion Planning of a Hydraulic Excavator using Trajectory Optimization and Model Predictive Control
Seoul National University（首尔大学）；Automation and Systems Research Institute（自动化与系统研究院）
挖掘任务的自动化要求满足各种约束的实时的【形】轨迹规划。为了保证约束可行性和实时的【形】轨迹可重规划性，我们提出了一个集成的框架，基于实时的【形】优化的液压挖掘机轨迹规划。该框架由两个主要模块组成：全局规划器和实时的【形】局部规划器。全局规划器考虑挖掘体积和能量最小化来计算整个全局轨迹，而局部规划器以滚动时域的方式跟踪全局轨迹，满足动态可行性、物理约束和干扰感知。我们验证了所提出的规划算法在模拟环境中进行两种类型的操作中存在的仿真干扰液压摩擦和土壤-桶的相互作用：浅，深挖掘。优化的全局轨迹以秒的顺序获得，其由本地规划器以快于30 Hz的速度跟踪。据我们所知，这项工作提出了第一个实时的【形】运动规划框架，满足液压挖掘机的约束条件，如力/扭矩，功率，缸位移和流量限制。
2021-07-08 cs.RO
Warm-Started Optimized Trajectory Planning for ASVs
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
我们认为，热启动的优化轨迹规划的自主水面车辆（ASV）的两种类型的规划者的优势相结合：A* 的实现，快速找到最短的分段线性路径，和基于控制的最优轨迹规划。一个非线性的3自由度欠驱动模型的ASV被认为是，随着目标功能，促进能源效率和易于观察的机动。A* 算法保证基于均匀分解的映射找到到达目标位置的最短分段线性路径。动态信息的构建和添加到A* 生成的路径，并提供了一个初始的猜测热启动的最优控制为基础的规划。最优控制规划器的运行时间大大减少了这个初始猜测，并输出一个动态可行的和局部最优的轨迹。
2019-07-05 cs.RO cs.SY eess.SY
Sparse Planner: A Hybrid Planner for Efficient Sampling via a Conditional Variational Autoencoder
Technische Hochschule Ingolstadt (THI)（英戈尔施塔特应用技术大学）；German Aerospace Center (DLR)（德国航空航天中心）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
提出一种基于条件变分自编码器的稀疏规划器，通过学习场景与轨迹参数的关系直接生成高效样本，在八分之一采样密度下实现优于FISS+的轨迹成本与稳定运行。
2026-10-01 cs.RO
Online State-Time Trajectory Planning Using Timed-ESDF in Highly Dynamic Environments
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）
在线状态时间轨迹规划在高度动态环境中仍然是一个未解决的问题，由于不可预测的运动的移动障碍物和灾难的维数从状态时间空间。现有的状态时间规划器通常是基于随机采样方法或离散状态图上的路径搜索来实现的。这些规划器的平滑性、路径间隙和规划效率通常不能令人满意。在这项工作中，我们提出了一个基于梯度的规划在高度动态的环境中的在线轨迹生成的状态时间空间。为了实现基于梯度的优化，我们提出了一个定时ESDT，支持距离和梯度查询的状态时间键。基于Timed-ESDT，我们还定义了一个光滑的先验和障碍似然函数，这是兼容的状态时间空间。轨迹规划，然后制定一个MAP问题，并解决了一个有效的数值优化。此外，为了提高规划器的最优性，我们还定义了一个状态时间图，然后进行路径搜索，以找到一个更好的初始化优化器。通过集成图搜索，规划质量得到显著提高。模拟和基准数据集上的实验结果表明，我们的规划器可以优于国家的最先进的方法，证明了其显着的优势，比传统的。
2020-10-29 cs.RO
Robust and Recursively Feasible Real-Time Trajectory Planning in Unknown Environments
Seoul National University（首尔国立大学）
在未知环境中的移动机器人运动规划面临的挑战，同时保持对未建模的不确定性和持久的可行性的冗余发现问题的鲁棒性。也就是说，在处理不确定性时，运动规划器必须更新其轨迹，以实时的【形】适应新显示的环境;如果不这样做，可能会涉及不安全的情况。许多现有的规划算法通过保持执行紧急制动所需的间隙来保证这些，紧急制动本身是一种鲁棒且持续可行的机动。然而，这种机动不适用于制动不可能或有风险的系统，例如固定翼飞机。为此，我们提出了一个实时的【形】鲁棒规划，递归地保证持久的可行性，而不需要任何制动。该规划器从滚动时域局部轨迹的前向可达集开始，通过构造一个连续组成的漏斗循环，确保对有界不确定性和持久可行性的鲁棒性。我们实现了所提出的算法的机器人车跟踪速度固定的参考轨迹。实验结果表明，该算法可以在16 Hz以上的频率下运行，同时成功地避免了系统进入任何死胡同，保持了安全性和可行性。
2021-07-14 cs.RO
BITKOMO: Combining Sampling and Optimization for Fast Convergence in Optimal Motion Planning
TU Berlin（柏林工业大学）；BITS Pilani（比尔拉科学技术学院皮拉尼分校）；KTH Royal Institute of Technology（KTH皇家理工学院）
基于最优采样的运动规划和轨迹优化是生成最优运动规划的两个相互竞争的框架。这两个框架具有互补的特性：基于采样的规划器通常收敛缓慢，但提供了最优性保证。然而，轨迹优化器通常收敛速度很快，但在非凸问题（例如，有障碍物的情况）中不能提供全局最优性保证。为了实现两全其美，我们引入了一个新的计划，BITKOMO，它集成了渐近最优批通知树（BIT*）计划与K阶马尔可夫优化（KOMO）轨迹优化框架。我们的规划器是随时随地，并保持由BIT* 提供的相同的渐近最优性保证，同时还利用了KOMO轨迹优化器的快速收敛。我们的实验评估我们的计划，涉及高维配置空间的操作方案，多达两个7自由度的机械手，障碍物和狭窄的通道。即使KOMO失败，BITKOMO也比KOMO更成功，并且在收敛到最优解方面优于BIT*。
2022-09-16 cs.RO
First Plan Then Evaluate: Multi-Target Planning with Post-Planning Success Evaluation Improves Learning-Based Grasping Pipelines
NVIDIA
研究自主多指抓取问题，提出先规划到一组抓取目标，再由评估器估计成功可能性，机器人执行最可能成功轨迹的框架，该方法在多方面优于传统框架且能推广到新环境。
2026-07-08 cs.RO
Analysis of Functional Insufficiencies and Triggering Conditions to Improve the SOTIF of an MPC-based Trajectory Planner
samoconsult GmbH（samoconsult公司）；University of Lübeck（吕贝克大学）
针对基于MPC的轨迹规划器安全应用受限、SOTIF实践经验不足的问题，本文分析其SOTIF特性，落地ISO21448的FIs与TCs判定流程，提出SOTIF-EooC方法并优化安全方案。
2024-08-01 cs.RO cs.SE cs.SY
Off the Rails: Hijacking the Scoring Head in Generative End-to-End Driving Planners with Safety-Violating Adversarial Perturbations
University of California, Irvine（加利福尼亚大学尔湾分校）
针对生成式端到端自动驾驶规划器中评分头的攻击面，提出Derail对抗框架，通过安全违规目标扰动使轨迹选择从安全候选翻转为不安全候选，评分下降39-80%，碰撞率高达50%。
2026-07-01 cs.CR cs.CV cs.RO
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种集成的运动规划系统的自主车辆（AV）停车在其他移动车辆的存在。拟议的系统包括1）预测周围车辆运动的混合环境预测器和2）对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合，以进行长期预测。该策略运动规划器包括：1）基于模型预测控制的安全控制器，用于轨迹跟踪; 2）基于搜索的撤退规划器，用于在紧急情况下寻找规避路径; 3）基于优化的修复规划器，用于在原始路径无效时规划新路径。仿真验证表明，所提出的方法在初始规划，运动预测，安全跟踪，在紧急情况下撤退，和轨迹修复方面的有效性。
2022-04-26 cs.RO
Real-time Quasi-Optimal Trajectory Planning for Autonomous Underwater Docking
Flinders University（弗林德斯大学）
针对自主水下航行器（AUV）安全进入漏斗形固定对接站的问题，提出了一种实时的【形】准最优轨迹规划方法。通过利用变分法和逆动力学优化的直接方法，建议的轨迹规划器提供了一个计算效率高的框架，自主水下对接在三维复杂的海底环境。车辆的约束，如AUV状态和执行器的约束;边界条件，包括初始和最终的车辆姿态;和环境约束，例如禁飞区和电流干扰，都建模和考虑的问题制定。所提出的规划器算法的性能进行了分析，通过仿真研究。为了显示该方法在处理不确定性方面的可靠性和鲁棒性，进行了Monte Carlo运行和统计分析。仿真结果表明，该规划器非常适合于动态和不确定环境中的实时的【形】实现。
2016-05-03 cs.RO
Test-Time Trajectory Optimization for Autonomous Driving
valeo.ai；Sorbonne Université（索邦大学）；CNRS（国家科学研究中心）；ISIR（信息科学研究所）
提出TOAD方法，在测试时使用交叉熵方法优化轨迹，无需重新训练即可提升多种规划器的性能。
2026-10-21 cs.RO
BoundPlanner: A convex-set-based approach to bounded manipulator trajectory planning
Automation and Control Institute (ACIN), TU Wien（自动化与控制研究所（ACIN），维也纳技术大学）
BoundPlanner通过基于凸集的轨迹规划方法，实现机械臂在考虑运动学和碰撞约束下的高效在线轨迹规划。
2026-02-16 cs.RO
Time-aware Motion Planning in Dynamic Environments with Conformal Prediction
Lehigh University（理海大学）；University of California Riverside（加州大学河滨分校）
本文提出基于符合预测的时间感知运动规划框架，通过全局和局部规划器结合自适应分位数机制，实现动态环境中鲁棒且高效的轨迹生成与安全保证。
2025-11-22 cs.RO
Resilient Timed Elastic Band Planner for Collision-Free Navigation in Unknown Environments
Lincoln Centre for Autonomous Systems, University of Lincoln（林肯大学林肯自主系统中心）
针对自主导航中初始规划方案失效问题，提出结合混合A*算法和软约束平滑技术的弹性轨迹重规划方法，通过动态Voronoi图优化障碍约束，在高障碍密度环境中较TEB和NMPC规划器性能提升约20%，提升导航效率与鲁棒性。
2024-12-04 cs.RO math.OC
Learning Neural Observer-Predictor Models for Limb-level Sampling-based Locomotion Planning
Department of Mechanical Engineering, University of Delaware（德克萨斯大学机械工程系）；School of Mechanical Engineering, National Technical University of Athens（希腊国家技术大学机械工程学院）
本文提出一种神经观测器-预测器框架，用于准确预测四足机器人全身运动，支持肢体级碰撞检查，并在Vision 60上集成MPPI规划器，通过硬件实验验证了在狭窄通道等场景中的有效性。
2025-10-26 cs.RO
ASPIRe: An Informative Trajectory Planner with Mutual Information Approximation for Target Search and Tracking
College of Engineering, Peking University（北京大学工学院）；Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院）
针对受限视场杂乱环境中的移动目标搜索与跟踪问题，提出 ASPIRe，用 sigma 点近似非高斯信念的互信息，并通过 APFT 自适应规划时域，实现实时且更高效、更精确的轨迹规划。
2024-03-04 cs.RO
Hybrid Task Constrained Planner for Robot Manipulator in Confined Environment
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种混合优化框架，在配置空间和零空间中联合搜索，为受限环境中的冗余机器人臂生成满足任务约束和避碰要求的高质量轨迹，并在抛光场景中验证其优于现有方法。
2023-04-18 cs.RO
Optimization-based motion planning for multi-steered articulated vehicles
Linköping University（林雪平大学）
即使对于有经验的驾驶员来说，在狭窄的环境中操纵多转向铰接车辆的任务也是困难的。在这项工作中，我们提出了一个基于优化的轨迹规划器，针对低速机动的非结构化环境中的多转向N拖车车辆，这是由一个汽车一样的拖拉机和任意数量的相互连接的拖车固定或可转向的车轮。所提出的轨迹规划框架分为两个步骤，其中基于网格的轨迹规划器在第一步骤中用于计算轨迹规划问题的离散化版本的分辨率最优解。然后，在第二步骤中使用来自网格规划器的输出来初始化最优控制问题求解器，这使得框架能够计算在车辆的初态开始并精确地到达目标状态的局部最优轨迹。所提出的基于优化的轨迹规划器的性能进行评估，在一组实际相关的情况下，多转向3拖车车辆与车一样的拖拉机，其中最后一个拖车是可操纵的。
2020-03-02 cs.RO math.OC
Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance
Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学数学、物理与信息学院）
研究机器人轨迹规划问题，提出基于自监督学习框架，利用正反模型作监督机制，在含障碍物环境下规划轨迹，实验证明方法可行，针对规划器问题提出并评估了额外训练机制和缓解策略。
2026-07-24 cs.AI cs.LG cs.RO
What Did I Learn? Operational Competence Assessment for AI-Based Trajectory Planners
Netherlands Organisation for Applied Scientific Research（荷兰应用科学研究院）；Integrated Vehicle Safety Group（集成车辆安全组）；Radboud University（拉德堡德大学）；Donders Institute for Brain, Cognition and Behaviour（多纳尔斯脑、认知与行为研究所）
针对自动驾驶机器学习模型训练数据匹配度与运行风险评估问题，提出基于知识图谱的驾驶场景建模方法，通过子场景覆盖度与复杂度评估模型运行能力，提升自动驾驶AI的安全性与可解释性。
2025-10-01 cs.AI cs.RO
Perching on Moving Inclined Surfaces using Uncertainty Tolerant Planner and Thrust Regulation
Shanghai Jiao Tong University（上海交通大学）
四旋翼能够停在移动的倾斜表面上，可以节省能源，并通过利用地面车辆延长行驶距离。实现动态驻留对SE（3）中的轨迹规划性能和终端状态精度提出了很高的要求。然而，在停留过程中，目标表面预测，跟踪控制和外部干扰的不确定性可能会导致轨迹规划失败或导致不可接受的终端误差。为了解决这些挑战，我们首先提出了一个轨迹规划器，考虑适应目标预测和跟踪控制中的不确定性。为了方便这项工作，四旋翼的状态的可达集首先进行了分析。最优航路点定义为可达集对不确定目标具有最大覆盖概率的状态。在此基础上，提出了一种针对静态和运动不确定目标的局部最优航路点搜索方法。在此基础上，提出了一种基于优化航路点的实时航迹规划器。其次，推力调节也实施在终端姿态跟踪阶段，以应对外部干扰。当四旋翼的姿态被命令与目标表面对准时，推力被优化以最小化终端误差。这使得终端位置和速度以闭环方式被控制。因此，提高了抗干扰性和终端精度。大量的仿真实验表明，我们的方法可以提高终端状态的不确定性的准确性。与没有推力调节的两端规划器相比，成功率大约增加了$50\%$。栖息在汽车的后窗也实现了使用我们提出的异构合作系统户外。这验证了我们的方法的可行性和实用性。
2022-12-21 cs.RO
Design and Simulation of Time-energy Optimal Anti-swing Trajectory Planner for Autonomous Tower Cranes
Nanyang Technological University（南洋理工大学）；School of Mechanical and Aerospace Engineering (MAE)（机械与航空航天工程学院）
针对自主塔式起重机的防摆与时间-能耗优化需求，提出基于微分平坦性和多目标进化算法的轨迹规划模块，并通过仿真验证其有效性。
2024-04-08 cs.RO cs.SY eess.SY
Injecting Knowledge in Data-driven Vehicle Trajectory Predictors
Ecole polytechnique fédérale de lausanne (EPFL)（洛桑联邦理工学院）
车辆轨迹预测任务通常从两个不同的角度来解决：知识驱动的方法或最近的数据驱动的方法。一方面，我们可以显式地实现领域知识或物理先验，例如预测车辆将沿着道路中间行驶。虽然这种观点导致可行的输出，但由于难以在城市环境中手工制作复杂的交互，因此性能有限。另一方面，最近的作品使用数据驱动的方法，可以从数据中学习复杂的交互，从而获得卓越的性能。然而，泛化，\textit{i.e.}，具有对未知数据的准确预测，是导致不切实际的输出的问题。在本文中，我们建议学习一个“现实残差块”（RRB），它有效地连接这两个角度。我们的RRB采用任何现成的知识驱动模型，并找到所需的残差添加到知识感知轨迹。我们提出的方法通过限制残差范围并考虑其不确定性来输出现实的预测。我们还约束我们的输出与模型预测控制（MPC），以满足运动约束。使用公开的数据集，我们表明，我们的方法优于以前的作品在准确性和泛化到新的场景。我们将在这里发布我们的代码和数据分割：https://github.com/vita-epfl/RRB。
2022-03-04 cs.AI cs.RO
Shortcut Trajectory Planning for Efficient Offline Reinforcement Learning
The University of Tokyo（东京大学）
研究针对离线强化学习中轨迹规划器的问题，提出捷径轨迹规划（STP）框架，将捷径模型作为轨迹生成器，单阶段训练条件捷径轨迹模型，支持可调推理，用增强可行性感知校正的评论家选候选计划，在多任务基准测试中性能强且简化训练管道。
2026-07-13 cs.AI cs.LG cs.RO
Safe and Stylized Trajectory Planning for Autonomous Driving via Diffusion Model
本文提出SDD Planner，通过结合多源风格感知编码器和风格引导动态轨迹生成器，实现自动驾驶中安全与风格化轨迹规划的平衡，实验表明其在多个基准测试中表现优异。
2026-03-12 cs.RO
Interaction-Aware Trajectory Prediction for Safe Motion Planning in Autonomous Driving: A Transformer-Transfer Learning Approach
National University of Singapore（新加坡国立大学）；Delft University of Technology（代尔夫特理工大学）；Southeast University（东南大学）
针对自动驾驶中忽略人驾车辆交互的问题，提出基于Transformer-迁移学习的交互感知轨迹预测器，并引入不确定性量化方法，实验证明其有效提升安全运动规划。
2024-11-03 cs.RO
QTOS: An Open-Source Quadruped Trajectory Optimization Stack
Vanderbilt University（范德堡大学）
QTOS是一个开源四足机器人轨迹优化栈，集成全局与局部规划、模拟、控制和机器人接口，简化高层导航目标到低层命令的转化，并提升复杂地形长距离步态规划的稳定性与适应性。
2023-09-16 cs.RO
Design of A Two-point Steering Path Planner Using Geometric Control
Ford Motor Company（福特汽车公司）
对于横向车辆动力学，车道保持和车道变换的规划轨迹可以概括为路径规划任务，以使车辆稳定在目标车道上，这是当今自动驾驶系统中的基本要素。另一方面，两点转向换道和车道保持作为人类驾驶员的感觉运动机制，已经被心理学研究者研究。在本文的第一部分中，利用几何控制知识，我们将首先设计一个满足五个设计目标的路径规划器：不同车辆模型的通用性、收敛到目标车道、最优性、换道机动的安全性和低计算复杂性。在此基础上，提出了两点转向路径规划器，并严格证明了两点转向路径规划器具有规划轨迹的转向半径小于目标车道参考线的内半径的优点。这种优势也被描述为驾驶中的“切角”。轨迹的较小的行驶半径将导致沿着弯曲道路的更高的车辆速度和对乘客的更舒适性。
2020-04-29 cs.RO
TPPO: A Novel Trajectory Predictor with Pseudo Oracle
Changzhou University（常州大学）；University of California, Berkeley（加州大学伯克利分校）；Hohai University（河海大学）
在动态场景中预测行人轨迹仍然是各种应用中的关键问题，例如自动驾驶和具有社会意识的机器人。这种预测是具有挑战性的，因为人与人和人与物体的相互作用以及人类随机性造成的未来不确定性。基于生成模型的方法通过对潜在变量进行采样来处理未来的不确定性。然而，很少有研究探讨潜变量的产生。在这项工作中，我们提出了轨迹预测与伪甲骨文（TPPO），这是一个基于生成模型的轨迹预测。第一个伪预言是行人的移动方向，第二个是根据地面真实轨迹估计的潜在变量。一个社会注意力模块被用来聚合邻居的互动基于行人的移动方向和未来的轨迹之间的相关性。这种相关性的灵感来自于这样一个事实，即行人未来的轨迹往往受到前面行人的影响。提出了一种潜变量预测器，用于从观测轨迹和地面实况轨迹中估计潜变量分布。此外，这两个分布之间的差距在训练期间被最小化。因此，潜变量预测器可以从观察到的轨迹估计潜变量以近似从地面实况轨迹估计的潜变量。我们在几个公共数据集上比较了TPPO与相关方法的性能。结果表明，TPPO优于国家的最先进的方法，具有较低的平均和最终的位移误差。烧蚀研究表明，预测性能不会显着降低采样时间下降，在测试过程中。
2021-12-29 cs.CV
An Efficient Trajectory Planner for Car-like Robots on Uneven Terrain
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Xi’an Jiaotong University（西安交通大学）；Hangzhou City University（浙大城市学院）
针对不平坦地形上类车机器人轨迹规划易保守或难跟踪的问题，提出地形姿态映射及轨迹优化框架，生成符合动力学且易跟踪的轨迹。
2023-09-12 cs.RO
MMH-Planner: Multi-Mode Hybrid Trajectory Planning Method for UAV Efficient Flight Based on Real-Time Spatial Awareness
School of Surveying and Mapping, Information Engineering University（测绘学院，信息工程大学）；School of Geodesy and Geomatics, Hubei Luojia Laboratory（地质测绘学院，湖北珞珈实验室）
MMH-Planner通过多模式混合轨迹规划方法，结合实时空间感知提升无人机飞行效率，优化规划效率与计算成本。
2026-03-03 cs.RO
IA Planner: Motion Planning Using Instantaneous Analysis for Autonomous Vehicle in the Dense Dynamic Scenarios on Highways
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
在密集、动态的场景中，当交通参与者高速行驶时，规划一条安全舒适的轨迹充满挑战。经典的图搜索和采样方法首先进行路径规划，然后配置相应的速度，这缺乏一个策略来处理高速障碍。解耦优化方法分别在S-L域和S-T域进行运动规划。这些方法需要大的自由配置空间来规划车道变换轨迹。在密集的动态场景中，很容易造成轨迹规划失败，被他人切入，造成行驶速度缓慢，带来安全隐患。在时空域上分析了碰撞关系，提出了一种同时只分析碰撞关系的瞬时分析模型。该模型将三维时空域中的无碰撞约束投影到二维空间域，去除了冗余约束，降低了计算复杂性。实验结果表明，该方法能够在密集动态场景下规划出安全舒适的换道轨迹。同时，它提高了交通效率，增加了乘坐舒适性。
2021-03-19 cs.AI cs.RO cs.SY
