Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited(腾讯科技(北京)有限公司)
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中,我们提出了一种新的时空运动规划算法,有效地解决了约束非线性最优控制问题,使用迭代线性二次型调节器(iLQR),该方法考虑了交通车辆的不确定驾驶行为,并将自动驾驶车辆之间的碰撞风险降至最低,(称为“自我”车辆)和交通车辆之间的距离,使得自我车辆能够与所有周围车辆保持足够大的距离,以实现交通中期望的防撞操纵。为此,我们引入了“碰撞多边形”的概念,用于计算自我车辆和交通车辆之间的最小距离,并提供了两种不同的解决方案,设计的运动规划问题的约束条件,通过适当建模的交通车辆的行为,以评估碰撞风险。最后,利用仿真器和3级自动驾驶测试平台,对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
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
ARMOR: Egocentric Perception for Humanoid Robot Collision Avoidance and Motion Planning
Carnegie Mellon University(卡内基梅隆大学);Apple(苹果公司)
针对仿人机器人在密集环境中运动规划的感知缺陷,提出集成软硬件的ARMOR第一视角感知系统,通过分布式感知增强空间意识,结合基于Transformer的模仿学习策略,在仿真和真实机器人上实现更优避碰与运动规划性能。
2024-11-30 cs.LG cs.RO
Probabilistic Collision Constraint for Motion Planning in Dynamic Environments
University of Genoa(热那亚大学)
无碰撞轨迹的在线生成对于自主导航至关重要。动态环境、机器人运动和传感不确定性给防撞系统带来了进一步的挑战。本文提出了一种动态环境中,机器人和障碍物的状态不确定性的避碰方法。我们推导出了机器人与障碍物碰撞概率的严格上界,并将其表示为一个运动规划约束,该约束可实时的求解。所提出的方法进行了测试,在考虑移动机器人以及四旋翼的仿真,以证明成功的碰撞避免是在实时的应用。我们还提供了我们的方法与几个国家的最先进的方法的比较。
2021-04-04 cs.RO
A Differentiable Signed Distance Representation for Continuous Collision Avoidance in Optimization-Based Motion Planning
Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出了一套新的条件,以准确地表示碰撞避免的约束条件内的优化为基础的运动规划算法。这些条件是连续可微的,因此适合与标准非线性优化求解器一起使用。该方法表示凸形状使用的支持函数表示,因此是相当普遍的。对于涉及多面体或椭球形状的碰撞避免,所提出的方法引入了更少的变量和约束比现有的方法。此外,所提出的方法可以用来严格地确保连续的碰撞避免作为车辆之间的离散姿态之间的转换所确定的运动规划算法。数值例子表明,这可以用来防止切角和通过障碍物时可能发生的碰撞避免只在离散的时间步长执行的问题。
2023-02-20 cs.RO cs.SY eess.SY
Learning-Based Proxy Collision Detection for Robot Motion Planning Applications
Department of Electrical and Computer Engineering, University of California San Diego(加利福尼亚大学圣地亚哥分校电气与计算机工程系);University of California San Diego(加利福尼亚大学圣地亚哥分校);Electrical and Computer Engineering, University of California San Diego(加利福尼亚大学圣地亚哥分校电气与计算机工程)
本文表明,碰撞检测密集型应用程序,如机器人运动规划,可以通过执行碰撞检查与机器学习模型加速。我们提出了Fastron,一个基于学习的算法来模拟机器人的配置空间,作为一个代理碰撞检测器的地方标准的几何碰撞检查。我们证明,利用代理碰撞检测器的结果在机器人仿真和规划的性能比最先进的碰撞检测库的数量级更快。我们的研究结果表明,Fastron学习模型的速度比竞争对手的C空间建模方法快100倍以上,同时还提供了学习收敛的理论保证。使用OMPL运动规划库,我们能够在不同的机器人和环境复杂性的所有实验中生成初始运动计划。使用Fastron,我们可以以56 Hz的速率从头开始重复执行规划,显示其在与人类控制的操纵器共享环境中的自主手术辅助任务中的应用。尽管仅使用基于CPU的计算,但仍然实现了所有性能增益,这表明可以并行化张量代数的GPU方法可以进一步提高计算增益。代码可在线获取。
2019-02-21 cs.RO
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
Predictive Collision Management for Time and Risk Dependent Path Planning
LMU Munich(慕尼黑大学)
自动驾驶汽车或包裹机器人等自主智能体需要识别并避免可能与障碍物发生碰撞,以便在其环境中成功移动。然而,人类已经学会了凭直觉预测运动,并以前瞻性的方式避开障碍物。避碰任务可以分为全局和局部两个层次。关于全球层面,我们提出了一种方法,称为“预测碰撞管理路径规划”(PCMP)。在地方一级,使用避免碰撞的解决方案,以防止不可避免的碰撞。因此,PCMP的目的是使用预测碰撞管理来避免不必要的局部碰撞场景。PCMP是一种基于图的算法,其重点在于由三个部分组成的时间维度:(1)运动预测,(2)将运动预测集成到时间相关图中,以及(3)时间和风险相关路径规划。该算法结合了搜索最短路径的问题:绕道值得避免可能的碰撞情况?我们在不同的模拟场景中评估了规避行为,结果表明,风险敏感的代理可以避免47.3%的碰撞场景,而绕道1.3%。一个规避风险的代理避免了高达97.3%的碰撞场景,绕道39.1%。因此,一个代理的规避行为可以控制主动和风险依赖于使用PCMP。
2020-11-26 cs.AI cs.LG 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
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
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
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
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
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
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
Efficient Formulation of Collision Avoidance Constraints in Optimization Based Trajectory Planning and Control
Kiel University(基尔大学)
为了适用于现实世界的情况下,移动自主系统的轨迹规划方案必须能够有效地处理在操作区域中的障碍物。在基于优化的轨迹规划和控制的背景下,可以在文献中找到许多不同的方法来制定防撞约束。在这里,本工作的贡献是双重的。首先,最流行的方法来表示障碍物,即简单的椭球表示,构造性立体几何(CSG)的方法,以及直接和间接实现的符号距离为基础的方法进行了总结。制剂的特点是相对于最优化问题的复杂性的影响,以及满足不同的问题要求的能力。其次,这项工作提出了一种新的变形CSG方法来描述避碰约束。它是非常高效的,由于一个非常低的数量的非线性不等式约束所需的一个给定数量的障碍物和样本点,并与原来的CSG制定允许考虑受控系统的形状。通过与先前提到的替代品的比较,证明了所提出的制剂的良好性能。为此,将制定为非线性规划问题的海洋水面船舶最佳轨迹规划用作基准示例,其中该场景是基于德国基尔的海事测试场设计的。
2021-04-26 cs.RO math.OC
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
An NMPC Approach using Convex Inner Approximations for Online Motion Planning with Guaranteed Collision Avoidance
University of Freiburg(弗莱堡大学);Robert Bosch GmbH(罗伯特·博世股份有限公司)
尽管移动机器人已经存在了几十年,但轨迹优化和连续时间碰撞避免仍然是积极研究的主题。现有的方法在路径质量、计算复杂性和运动动力学可行性之间进行权衡。这项工作的方法的问题,使用非线性模型预测控制(NMPC)的框架,这是基于一种新的凸内近似的避碰约束。所提出的凸内近似(CIAO)方法发现kinodynamically可行的和连续的时间无碰撞的轨迹,在几个迭代,通常一个。对于可行的初始化,该方法保证找到可行的解决方案,即它保持可行性。我们的实验评估表明,CIAO优于最先进的基线规划效率和路径质量方面。在具有12个状态的机器人上的实验表明,它也可以扩展到高维系统。此外,真实世界的实验表明,它的能力,统一的轨迹优化和跟踪的安全运动规划在动态环境中。
2020-03-01 cs.RO cs.SY eess.SY
UAV Path Planning Employing MPC- Reinforcement Learning Method Considering Collision Avoidance
University of Luxembourg(卢森堡大学)
针对复杂不确定环境下的无人机路径规划问题,设计了一种基于深度确定性策略梯度算法的长短期记忆(LSTM)网络的模型预测控制(MPC)。在所提出的解决方案中,LSTM-MPC在DDPG网络中作为确定性策略操作,并且它利用预测池来存储预测的未来状态和动作,以提高鲁棒性和效率。预测池的使用还使得能够初始化批评网络,从而与传统的强化学习和深度强化学习方法相比,提高了收敛速度并降低了故障率。通过数值模拟评估所提出的解决方案的有效性。
2023-03-07 cs.AI cs.LG cs.RO
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
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
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
Scenario-Based Motion Planning with Bounded Probability of Collision
TU Delft(代尔夫特理工大学)
提出Safe Horizon MPC方法,通过场景优化和预测控制显式约束运动规划周期内与所有障碍物碰撞的联合概率,有效减少保守性并保证概率安全。
2023-07-03 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
Language-Conditioned Path Planning
University of California, Berkeley(加州大学伯克利分校);Dyson Robot Learning Lab(戴森机器人学习实验室)
针对传统路径规划忽视接触需求的问题,提出语言条件路径规划及LACO方法,利用单视角图像和语言提示预测碰撞,实现灵活的条件路径规划,并在仿真和真实世界中验证其有效性。
2023-08-31 cs.AI cs.CV cs.LG
Learning Configuration Space Belief Model from Collision Checks for Motion Planning
Carnegie Mellon University(卡内基梅隆大学)
对于高维构形空间中的运动规划,一个重要的计算瓶颈是碰撞检测。我们的目标是通过使用碰撞测试的结果创建配置空间的信念模型来减少碰撞检查的预期数量。我们假设机器人的配置空间是一个连续的环境空间,相邻的点往往共享相同的碰撞状态。这使我们能够制定一个概率模型,分配给未评估的配置是无碰撞的信念估计。我们已经提出了一个详细的比较分析的各种kNN方法和距离度量用于评估C-空间的信念。我们还提出了一个加权矩阵在C空间,以提高性能的kNN方法。此外,我们提出了一种拓扑方法,利用C空间的高阶结构来生成一个信念模型。我们的研究结果表明,我们提出的拓扑方法优于kNN方法,实现更高的模型精度,同时计算效率。
2019-02-10 cs.AI cs.RO
Collision Probability Estimation for Optimization-based Vehicular Motion Planning
Department of Dynamics and Control, Eindhoven University of Technology(埃因霍温理工大学动力学与控制系);CARISSMA Institute of Safety in Future Mobility, Technische Hochschule Ingolstadt(未来移动安全研究所);TNO, Integrated Vehicle Safety(TNO集成车辆安全)
本文提出了一种基于多圆形状近似的碰撞概率估计方法,用于优化车辆运动规划,以提高计算效率和安全性。
2026-01-21 cs.RO math.OC
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
Embodied Footprints: A Safety-guaranteed Collision Avoidance Model for Numerical Optimization-based Trajectory Planning
Hunan University(湖南大学);Concordia University(康考迪亚大学);Galatasaray University(加拉塔萨雷大学);Tsinghua University(清华大学);Beihang University(北京航空航天大学)
针对基于优化的轨迹规划中相邻配置点间可能发生的碰撞,提出具身足迹模型,通过扩大车辆足迹保证任意时刻无碰撞,并优化配置点数量,经仿真与实车验证有效。
2023-09-14 cs.RO math.OC
Multitasking collision-free motion planning algorithms in Euclidean spaces
Universidade de São Paulo(圣保罗大学);Instituto de Ciências Matemáticas e de Computação - USP(USP数学与计算机科学研究所);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)
我们提出了最佳的运动规划算法,可用于设计实际的系统,控制对象在欧氏空间中移动无碰撞。我们的算法是最佳的,在一个非常具体的意义上,即,他们有最小的本地规划者的数量。我们的算法受到Mas-Ku和Torres-Giese(由Farber简化)提出的算法的启发,并在多任务(a.k.a.~较高)运动规划问题。此外,我们的算法的最终实现预计将比以前的更有效地工作时,应用到系统中有大量的移动对象。
2021-01-24 cs.RO math.AT
Predicting Sample Collision with Neural Networks
University at Albany, SUNY(奥尔巴尼大学(纽约州立大学));University of Richmond(里士满大学)
许多最先进的机器人应用需要快速有效的运动规划算法。现有的运动规划方法随着机器人及其工作空间维数的增加而变得不那么有效,尤其是碰撞检测例程的计算成本。在这项工作中,我们提出了一个框架,以解决成本昂贵的原始操作采样为基础的运动规划。该框架确定了一个样本机器人配置的有效性,通过一个新的组合的收缩自动编码器(CAE),它捕获的占用网格表示的机器人的工作空间,和一个多层感知器,有效地预测碰撞状态的机器人从CAE和机器人的配置。我们评估我们的框架上的多个规划问题与各种机器人在2D和3D双。结果表明,(1)该框架是计算效率在所有调查的问题,(2)该框架推广到新的问题。
2020-06-30 cs.CV cs.LG cs.RO
Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision Avoidance
Technion(以色列理工学院)
我们介绍了合作多智能体路径寻找(Co-MAPF)问题,经典的MAPF问题的扩展,其中合作行为被纳入。在这种设置中,一组自主智能体在共享环境中操作,并且必须完成协作任务,同时避免与组中的其他智能体发生冲突。这个扩展自然地模拟了许多现实世界的应用程序,其中需要多组代理进行协作以完成给定的任务。为此,我们对Co-MAPF问题进行了形式化,并引入了基于冲突的协作搜索(Co-CBS),这是一种基于CBS的算法,用于为广泛的Co-MAPF问题最佳地解决该问题。Co-CBS使用集成到CBS中的协作规划模块,使得协作规划与路径规划解耦。最后,我们提出了实证结果几个MAPF基准证明我们的算法的属性。
2021-05-23 cs.AI cs.MA 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
Cascaded Diffusion Models for Neural Motion Planning
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);University of Washington(华盛顿大学);Hello Robot Inc(Hello Robot公司)
针对扩散策略等生成模型难以处理全局运动规划中细微约束违反的问题,提出结合全局预测、局部细化与在线修复的级联层次扩散模型方法,在多领域任务中性能优于基线约5%。
2025-05-21 cs.LG cs.RO
Online Search-based Collision-inclusive Motion Planning and Control for Impact-resilient Mobile Robots
University of California, Riverside(加州大学河滨分校)
本文重点研究碰撞包容性运动规划和控制的冲击弹性移动机器人的新兴范式转变,并开发了一个统一的层次框架,在未知和部分可观察的混乱空间导航。在较低的水平,我们开发了一个变形恢复控制和轨迹重新规划策略,处理碰撞,可能会发生在运行时,本地。低级别系统主动检测碰撞(通过内置的-house中的移动机器人上的嵌入式霍尔效应传感器),使机器人能够从碰撞中恢复,并局部调整碰撞后的轨迹。然后,在更高的层次上,我们提出了一个基于搜索的规划算法,以确定如何最好地利用潜在的冲突,以提高某些指标,如控制能量和计算时间。我们的方法建立在具有跳跃点的A* 上。我们生成了一个新的启发式函数,碰撞检查和调整技术,从而使A* 算法收敛速度更快,通过开发和利用可能的碰撞达到目标。通过结合全局A* 算法和局部变形恢复和重新规划策略生成的整体分层框架,以及该框架的各个组件,在仿真和实验中进行了广泛的测试。消融研究将链接到相关的最先进的基于搜索的碰撞避免规划器(用于整体框架),以及基于搜索的碰撞避免和基于采样的碰撞包容性全局规划器(用于更高级别)。结果表明,我们的方法的碰撞包容性运动规划和控制在未知的环境中孤立的障碍物一类的冲击弹性机器人在2D操作的有效性。
2022-10-18 cs.RO cs.SY eess.SY
Modified Hybrid A* Collision-Free Path-Planning for Automated Reverse Parking
Ohio State University(俄亥俄州立大学)
本文提出改进的混合A*算法用于自动倒车,结合动态模型和碰撞避障功能,实现碰撞自由的可行路径规划。
2025-12-12 cs.RO cs.SY eess.SY
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
Optimal Predefined-time Trajectory Planning for a Free-floating Space Robot
随着人类空间探索的不断深入,空间环境中逐渐充满了废弃的卫星碎片和未知的微小陨石,这些碎片将严重影响空间机器人的捕获运动。因此,本文将重点研究一种具有预定时间位姿反馈的双臂自由漂浮空间机器人(FFSR)快速避碰轨迹规划策略,以实现末端执行器的微米级跟踪精度。然而,与控制类似,指数反馈导致相对于比例反馈的较大的初始关节角速度。首先,从控制的角度推导出基于位姿误差的FFSR运动学模型。在预定时间轨迹规划中,采用累积危险场(CDF)避碰算法,实现了微米级的避碰轨迹跟踪精度。最后,采用基于遗传算法的优化算法对预定时间参数进行优化,得到了机器人手臂低关节角速度的运动轨迹。仿真结果验证了我们的猜想和结论。
2021-09-01 cs.RO math.OC
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
End-to-end deep learning-based framework for path planning and collision checking: bin picking application
University of Victoria(维多利亚大学);Apera AI(阿佩拉人工智能公司)
提出端到端 PPCNet,通过双网络顺序生成并验证无碰撞路径点,结合模仿学习与几何碰撞函数逼近,在料箱拣选实验中显著降低规划时间。
2023-03-31 cs.RO cs.SY eess.SY
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
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
Denoising Heat-inspired Diffusion with Insulators for Collision Free Motion Planning
Yonsei University(延世大学);University of California, Berkeley(加州大学伯克利分校)
针对扩散模型运动规划依赖推理时障碍物检测及额外设备的问题,提出基于避障扩散核的框架,仅凭单一视觉输入即可同时生成可达目标并规划无碰撞运动,在多模态环境中表现出强鲁棒性。
2024-02-12 cs.AI cs.LG cs.RO
Topological Robotics: Subspace Arrangements and Collision Free Motion Planning
本文研究拓扑机器人的一个基本问题:一组不同的$n$粒子的集体运动,其中一个粒子必须从一个初始构型移动到一个最终构型,要求在运动过程中不发生碰撞。最终的目标是构建一个算法,一旦初始和最终的配置是给定的,将执行此任务。这就归结为一个拓扑问题:求\R^m中$n$不同有序粒子的构形空间C_n(\R^m)的拓扑复杂度TC(C_n(\R^m)).我们对m=2(平面情形)和所有奇数m(包括m=3的情形(三维空间中的粒子))解决了这个问题。我们还研究了欧几里得空间中以超平面排列为障碍的更一般的运动规划问题。
2002-10-08 cs.RO math.AT math.DG
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
Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning
FZI - Forschungszentrum Informatik(FZI 信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
针对遥操作中自碰撞与环境碰撞问题,提出基于对偶可微碰撞约束的轨迹规划方法,采用胶囊体与多面体建模,实现更低计算时间和更精确障碍物建模,保证平滑无碰撞遥操作。
2026-06-07 cs.RO cs.SY eess.SY