Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling
University of Maryland（马里兰大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有随机最短路径增量采样方法保守、未考虑尾部风险的问题，提出结合CVaR的风险敏感RRT*算法，在保证复杂度相近的同时提升路径鲁棒性、降低故障率。
2024-08-16 cs.AI cs.RO cs.SY
IA-TIGRIS: An Incremental and Adaptive Sampling-Based Planner for Online Informative Path Planning
Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）；Department of Mechanical Engineering, Brigham Young University（杨百翰大学机械工程系）
本文提出IA-TIGRIS，一种用于实时任务的增量和自适应采样路径规划方法，通过增量优化和动态更新信念地图，提升信息获取效率，实验证明其在无人机应用中信息增益提升达38%。
2026-04-01 cs.RO
Static and Dynamic Path Planning Using Incremental Heuristic Search
German Aerospace Center (DLR)（德国航空航天中心（DLR））
路径规划是任何高度自动化的车辆系统中的重要组成部分。在这份报告中，路径规划的一般问题首先被认为是在部分已知的静态环境中，只有静态障碍物存在，但环境的布局正在改变的代理获取新的信息。然后，注意的路径规划问题，在动态环境中，除了静态的有移动的障碍。具体而言，一个2D汽车一样的代理人在2D环境中遍历被认为是。有人发现，传统的配置时间空间的方法是不适合生产的轨迹一致的动态约束的汽车。然后提出了一种新的方案，其中状态空间是由位置，速度和时间组成的4D，但搜索是在由位置和速度组成的3D空间中进行的。仿真实验表明，新方案能够有效地产生轨迹尊重动态约束的汽车类代理与约束上的最优性。
2018-04-19 cs.RO
Incrementally Stochastic and Accelerated Gradient Information mixed Optimization for Manipulator Motion Planning
Zhejiang University（浙江大学）
本文介绍了一种新的运动规划器，增量随机和加速梯度信息混合优化（iSAGO），机器人在狭窄的工作空间。首先，我们提出了一个有效的约束优化的基础上的惩罚方法的混合动量通知iSAGO的整体方案。在随机部分，我们通过基于自适应动量（Adam）方法的子泛函的随机选择来产生自适应随机动量，以解决身体-障碍物卡住的情况。针对随机部分收敛速度慢的问题，结合加速梯度下降（AGD）算法提高规划效率。采用贝叶斯树推理（BTI）将全局轨迹优化（SAGO）转化为增量式子轨迹优化（iSAGO），进一步提高了计算效率和成功率。最后，我们调整关键参数，并将iSAGO与书架上的LBR-iiwa和存储架上的AUBO-i5上的其他5个规划器进行基准测试。结果表明，iSAGO的成功率最高，求解效率适中。
2022-07-19 cs.RO math.OC
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架，用于多物体共享空间的调度与运动规划，通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI 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
Voxblox: Incremental 3D Euclidean Signed Distance Fields for On-Board MAV Planning
ETH Zürich（苏黎世联邦理工学院）
微型飞行器（MAV）在非结构化的、未探索的环境中运行，需要快速灵活的本地规划，当探索地图的新部分时可以重新规划。轨迹优化方法满足这些需求，但需要障碍物距离信息，这可以通过欧几里德符号距离场（ESDF）给出。我们提出了一种方法来逐步建立ESDFs从截断符号距离场（TSDF），一种常见的隐式表面表示在计算机图形学和视觉。TSDF可以快速构建和平滑许多观测结果中的传感器噪声，并设计用于生成表面网格。网格允许人类操作员更好地评估机器人的环境，并设定高级别的任务目标。我们表明，我们可以更快地建立TSDF比Octomaps，它是更准确地建立ESDFs的TSDF比占用地图。我们的完整系统称为voxblox，将作为开源软件提供，并在单个CPU核心上实时运行。我们验证我们的方法上的微型飞行器，通过使用我们的系统与轨迹优化本地规划，完全在船上和实时。
2017-04-21 cs.RO
Guided Incremental Local Densification for Accelerated Sampling-based Motion Planning
Aurora Innovation Inc.（奥罗拉创新公司）；Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
基于采样的运动规划器依赖于增量致密化来发现逐渐更短的路径。在计算开始$x_s$和目标$x_t$之间的可行路径$ξ$之后，通知集（IS）通过保守地消除不能产生较短路径的点来修剪配置空间$\mathcal{C}$。通过从该知情集采样的致密化保持从整个配置空间采样的渐近最优性。对于路径长度$c(ξ)$和欧几里德启发式$h$，$IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(ξ) \}$。依赖于启发式可以使IS在高维或复杂环境中特别保守。此外，IS仅在发现较短路径时缩小。因此，如果加密和规划的每次迭代不能产生更短的路径，则浪费了来自加密和规划的每次迭代的计算工作，尽管改进了搜索树中的顶点的成本。我们的关键见解是，即使在这样的失败，更短的路径到顶点的搜索树（而不仅仅是目标）可以立即改善规划的采样策略。GuILD（Guided Incremental Local Densification）利用这些信息从IS的局部子集中进行采样。我们表明，GuILD显着优于均匀采样的知情集在模拟$\mathbb{R}^2$，$SE(2)$环境和操作任务中的$\mathbb{R}^7$。
2021-04-11 cs.RO
Anytime Incremental $ρ$POMDP Planning in Continuous Spaces
Technion - Israel Institute of Technology（以色列理工学院）
本文提出随时求解器ρPOMCPOW，通过动态细化信念表示和增量计算依赖信念奖励，在连续空间ρPOMDP规划中显著提升效率与求解质量。
2025-02-04 cs.AI cs.LG cs.RO
Incremental Sampling-based Algorithm for Minimum-violation Motion Planning
Massachusetts Institute of Technology（麻省理工学院）；Royal Institute of Technology（皇家理工学院）；Masaryk University（马萨里克大学）
研究了具有微分约束的动态系统在满足一组安全性规则的同时，满足给定可达性目标的控制策略综合问题。特别注意的是，只有当一个子集的安全规则被违反，成为可行的目标。所提出的算法计算的控制律，最大限度地减少不安全的水平，同时保证达到预期的目标。这个问题的动机是自动驾驶汽车在城市环境中导航，同时遵循道路规则，例如“始终在右车道行驶”和“不要频繁改变车道”。基于采样的运动规划算法，如概率道路图（PRM）和快速探索随机树（RRT）背后的想法，逐步构建一个有限的具体化的动态作为一个持续的Kripke结构。与此结合，使用捕获安全规则的加权有限自动机，以便找到最小化违反安全规则的最佳轨迹。我们证明了所提出的算法保证渐近最优性，即，几乎必然收敛到最优解。我们提出了一个自主的城市移动按需系统的模拟实验和实施的结果。
2013-11-06 cs.RO
Sampling-based Incremental Information Gathering with Applications to Robotic Exploration and Environmental Monitoring
College of Engineering, University of Michigan（密歇根大学工程学院）；Centre for Autonomous Systems (CAS), University of Technology Sydney（悉尼科技大学自主系统中心）
在这篇文章中，我们提出了一个基于采样的运动规划算法配备了一个信息理论的收敛标准，增量信息运动规划。所提出的方法允许密集的地图表示，并将完整的状态不确定性纳入规划过程。该问题被公式化为一个约束最大化问题。我们的方法是建立在快速探索的信息收集算法，并受益于基于采样的最佳运动规划算法的优势。我们提出了两个信息函数及其变种的快速和在线计算。我们证明了一个信息理论的收敛，整个勘探和信息收集任务的平均地图熵的最小上界的基础上。收敛性分析的结果，信息驱动的运动控制的自然自动停止的标准。我们使用三种方案来演示所提出的算法的性能：建议的信息函数和传感器配置选择的比较，未知环境中的机器人探索，以及使用自主水面车辆收集的公开数据集在湖泊中的无线信号强度监测任务。
2017-09-23 cs.RO
LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of California, Merced（加利福尼亚大学默塞德分校）
本文提出LLM-A*，将A*的精确寻路与大语言模型的全局推理相结合，以在保证路径有效性的同时提升大规模场景下的路径规划效率。
2025-04-09 cs.AI cs.CL cs.RO
An Incremental Inverse Reinforcement Learning Approach for Motion Planning with Separated Path and Velocity Preferences
Delft University of Technology（代尔夫特理工大学）；Honda Research Institute Europe（欧洲本田研究院）
本文提出增量式逆强化学习方法，从动觉示教中分离学习路径与速度奖励，并分两步规划轨迹，使 Franka 机械臂可经少量用户反馈适配个人运动偏好。
2023-04-25 cs.RO
SC-Explorer: Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning
ETH Zürich（苏黎世联邦理工学院）；Technical University of Munich（慕尼黑工业大学）；Google（谷歌）
未知环境的探索是机器人技术中的一个基本问题，也是自治系统许多应用中的一个重要组成部分。探索未知环境的一个主要挑战是机器人必须在每个时间步利用有限的信息进行规划。虽然大多数当前的方法依赖于基于这些部分观察的算法和假设来规划路径，但我们提出了一种新的方法，通过利用3D场景完成来将深度学习集成到探索中，以实现明智，安全和可解释的探索映射和规划。我们的方法，SC-资源管理器，结合场景完成使用一种新的增量融合机制和新提出的分层多层映射方法，以保证安全和效率的机器人。我们进一步提出了一个信息丰富的路径规划方法，利用我们的映射方法和一个新的场景完成感知信息增益的能力。虽然我们的方法是普遍适用的，我们评估它在微型飞行器（MAV）的用例。我们在高保真仿真实验中仅使用移动硬件彻底研究了每个组件，并表明与基线相比，我们的方法可以将环境的覆盖率提高73%，而地图精度的降低幅度很小。即使场景完成不包括在最终的地图，我们表明，它们可以用来引导机器人选择更多的信息路径，加快了35%的机器人的传感器的场景测量。我们在一个完全自主的MAV上验证了我们的系统，即使在复杂的混乱环境中也能显示出快速可靠的场景覆盖。我们将我们的方法作为开源提供。
2022-09-15 cs.CV cs.RO
An Incremental Sampling and Segmentation-Based Approach for Motion Planning Infeasibility
Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心）；Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genoa（热那亚大学信息学院、生物工程、机器人与系统工程系）
提出一种检测运动规划不可行性的算法，通过近似机器人配置空间为离散空间，从障碍区域采样分隔起始和目标来判定规划不可行，逐步构建配置空间并划分连通分量，在多场景演示，讨论优化及高维扩展性。
2026-07-13 cs.RO
An Incremental Sampling-based Algorithm for Stochastic Optimal Control
Massachusetts Institute of Technology（麻省理工学院）
针对连续时间连续空间随机最优控制问题，提出增量马尔可夫决策过程（iMDP）算法，通过随机采样状态空间生成离散化序列并异步值迭代，以任意精度逼近最优策略。
2012-02-24 cs.RO cs.SY eess.SY
Toward Asymptotically-Optimal Inspection Planning via Efficient Near-Optimal Graph Search
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Carnegie Mellon University（卡内基梅隆大学）
检查规划，允许机器人检查一组感兴趣的点的规划运动的任务，在诸如工业、现场和医疗机器人等领域中具有应用。检查规划可能在计算上具有挑战性，因为检查感兴趣点的运动规划上的搜索空间随着检查点的数量呈指数增长。我们提出了一种新的方法，增量随机检查路线图搜索（IRIS），计算检查计划的长度和一组检查点渐近收敛到最佳的检查计划。IRIS使用基于采样的算法递增地加密运动规划路线图，并在生成的路线图上执行高效的接近最优的图搜索。我们证明了IRIS的功效，在模拟平面5自由度机械手检查任务和医疗内窥镜检查任务的连续并行手术机器人在解剖分割从病人的CT数据。我们表明，IRIS计算更高质量的检测路径数量级比现有的最先进的方法。
2019-07-01 cs.RO
MPC-based Coarse-to-Fine Motion Planning for Robotic Object Transportation in Cluttered Environments
Department of Electrical and Computer Engineering, University of Kaiserslautern Landau（电气与计算机工程系，凯撒斯劳滕大学）；Department of Mechanical Engineering, Dalhousie University（机械工程系，达尔豪斯大学）
本文提出一种杂乱未建模环境下的机器人粗到细运动规划框架，结合双相机感知与基于B样条的MPC，通过增量视觉数据融合逐步细化环境模型与轨迹，利用核感知器碰撞检测实现实时约束更新，并在多臂平台验证了其鲁棒性与适应性。
2025-07-15 cs.RO cs.SY eess.SY
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University（暨南大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）；Wuyi University（五邑大学）；South China University of Technology（华南理工大学）
本文提出TRACE算法，利用分层覆盖树实现未知环境的在线覆盖路径规划，通过局部优化和全局路径引导，显著提升覆盖效率。
2026-09-21 cs.RO
xFLIE: Leveraging Actionable Hierarchical Scene Representations for Autonomous Semantic-Aware Inspection Missions
Luleå University of Technology（卢莱大学）
xFLIE通过3DLSG实现自主语义感知检查任务的高效路径规划和导航
2026-02-10 cs.RO
Learning Barrier Functions for Constrained Motion Planning with Dynamical Systems
University of Innsbruck（因斯布鲁克大学）；Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心）
稳定动力学系统是一种灵活的工具，规划机器人运动的实时性。在机器人文献中，动力系统运动通常是在不考虑机器人工作空间可能存在的限制的情况下规划的。这项工作提出了一种新的方法来学习工作空间的限制，从人类示范和生成运动轨迹的机器人，躺在受约束的工作空间。将训练数据递增地聚类到不同的线性子空间中，并用于拟合每个子空间的低维表示。通过将学习到的约束子空间视为归零障碍函数，我们能够设计一个控制输入，使系统轨迹保持在学习到的边界内。该控制输入有效地结合了原系统动力学保持最终的渐近性质的无约束系统。仿真和实际机器人上的实验表明，所提出的方法的有效性。
2020-03-25 cs.RO cs.SY eess.SY
Complete Motion Planning using Workspace-Fibered Decomposition for nR-Planar Manipulator
Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心）
针对杂乱环境中nR平面冗余机械手的运动规划问题，提出工作空间纤维分解框架，通过递归提升低维子链可达工作空间简化规划，实验显示其可保留无碰撞连通性并降低碰撞检测复杂度。
2026-08-04 cs.RO
Multi-Objective Path-Based D* Lite
Carnegie Mellon University（卡内基梅隆大学）；Texas A&M University（得克萨斯农工大学）
增量图搜索算法（如D* Lite）重用以前的搜索（可能是部分搜索），以加快后续的路径规划任务。在这篇文章中，我们感兴趣的是开发增量图搜索算法的路径查找问题，同时优化多个目标，如旅行风险，到达时间等，这是具有挑战性的，因为在多目标设置，“帕累托最优”的解决方案的数量可以指数增长相对于图的大小。本文提出了一种新的多目标增量搜索算法，称为多目标路径为基础的D* Lite（MOPBD*），利用基于路径的扩展策略修剪支配的解决方案。此外，我们还引入了MOPBD* 的次优变体，以提高搜索效率，同时近似帕累托最优前沿。我们数值评估的性能MOPBD* 和它的变种在各种地图有两个和三个目标。结果表明，我们的方法是更有效的，从零开始搜索，并运行到一个数量级的速度比现有的增量多目标路径规划方法。
2022-01-21 cs.AI cs.RO
Adaptive Gaussian Process based Stochastic Trajectory Optimization for Motion Planning
Zhejiang University（浙江大学）
针对危险环境下机器人的最优运动规划（OMP）算法，提出了一种新的基于自适应高斯过程的随机轨迹优化（AGP-STO）算法。该算法首先利用重新估计的Lipschitz常数（L-reAGD）重新开始加速梯度下降，提高计算效率，只需要一阶动量。然而，它仍然不能推断的全局最优的非凸问题，由高斯过程（GP）和障碍的先验信息通知。因此，该算法将自适应随机轨迹优化（ASTO）方法引入到L-重估计过程中，通过加速移动平均（AMA）算法学习重要样本的GP先验。此外，我们引入增量最优运动规划（iOMP）的AGP-STO升级到iAGP-STO。它在先前优化的航路点之间增量地插入轨迹，以确保时间连续的安全性。最后，我们将iAGP-STO与数值（CHOMP，TrajOpt，GPMP）和采样（STOMP，RRT-Connect）方法进行基准测试，并进行关键参数的调整实验，以显示L-reAGD，ASTO和iOMP的集成如何提高计算效率和可靠性。此外，在LBR-iiwa，多AGV和Rethink-Baxter上实施iAGP-STO展示了其在操纵，协作和辅助方面的应用。
2021-12-30 cs.RO math.OC
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
Motion Planning and Control with Unknown Nonlinear Dynamics through Predicted Reachability
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对未知非线性动力学下的自主运动规划挑战，提出一种混合规划-控制框架，通过状态空间划分与PWA系统抽象构建有向加权图，结合系统辨识与预测可达性在线更新图并合成控制器，有效实现了目标轨迹规划。
2025-03-05 cs.RO cs.SY eess.SY
Hierarchical Motion Planning and Control under Unknown Nonlinear Dynamics via Predicted Reachability
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出一种分层规划-控制框架，通过分步逼近未知非线性系统，利用可达性理论和预测可达性条件保证运动规划的正式可达性。
2026-03-31 cs.RO cs.SY eess.SY
LES: Locally Exploitative Sampling for Robot Path Planning
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）
基于采样的算法通过在搜索空间中生成随机样本并递增地生长连通图或树来解决路径规划问题。传统上，这些算法中使用的采样策略偏向于探索以获取关于搜索空间的信息。相比之下，这项工作提出了一个基于优化的过程，生成新的样本，以提高成本来的价值的顶点在一个街区。该算法的应用程序增加了一个剥削偏置采样和结果在一个更快的收敛到最优解相比，其他国家的最先进的采样技术。这是证明使用基准实验进行fora各种更高的维度机器人规划任务。
2021-02-25 cs.RO
Sampling-Based Temporal Logic Path Planning
Boston University（波士顿大学）
在本文中，我们提出了一个基于采样的运动规划算法，找到一个无限的路径满足线性时序逻辑（LTL）公式在一组属性满足某些地区在给定的环境。该算法有三个主要特点。首先，它是增量的，在这个意义上，用于在每次迭代中找到满意路径的过程仅与在该迭代中生成的新样本的数量成比例。其次，底层图是稀疏的，这保证了整个方法的低复杂度。第三，它在概率上是完备的。包括说明的有用性和性能的方法的例子。
2013-07-27 cs.RO
Planning with Learned Subgoals Selected by Temporal Information
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人机与机器人研究所）；Robotics and Autonomous Systems, Institute of Applied Research, Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学应用研究所机器人与自主系统部）
针对动态环境中时间相关约束下的机器人路径规划问题，提出用生成模型增量生成子目标，并基于不同统计分布的学习型时间估计器结合时间信息筛选候选，实验证明可在满足约束的同时保持目标导向。
2024-10-26 cs.RO
Hierarchical Planning with Annotated Skeleton Guidance
Texas A&M University（德克萨斯农工大学）；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)（墨西哥自治技术研究所）
我们提出了一个分层的机器人引导运动规划算法来指导移动机器人。一个好的骨架映射了包含重要自由度的c空间子空间的连通性，并且能够指导规划者快速找到所需的解决方案。然而，有时骨架并不紧密地代表自由c空间，这经常误导当前的骨架引导规划者。随着C空间被采样，分层的信标引导的规划策略逐渐放松其对工作空间骨架的依赖，从而递增地返回次优路径，这是标准信标引导算法中不能保证的特征。实验比较标准的导航规划器和其他懒惰的规划策略显示显着改善路线图建设运行时间，同时保持多查询问题在混乱的环境中的路径质量。
2022-06-23 cs.RO
Reactive Task and Motion Planning under Temporal Logic Specifications
Korea Advanced Institute of Science and Technology（韩国科学技术院）
我们提出了一个任务和运动规划（TAMP）算法对人类操作员的合作或对抗性干预鲁棒。干预措施通常会使当前的计划无效，并需要在飞行中重新计划。重新规划可能在计算上是昂贵的，并且经常中断无缝的任务执行。我们介绍了一种动态可重构的规划方法与基于行为树的控制策略对反应TAMP，它利用了以前的计划和增量图搜索在基于时序逻辑的反应合成。我们的算法还显示了高效的恢复功能，可以最大限度地减少重新规划步骤的数量。最后，我们的算法产生一个强大的，高效的，完整的TAMP解决方案。我们的实验结果表明，该算法在模拟和现实世界的任务中具有优异的操作性能。
2021-03-26 cs.RO
LQR-CBF-RRT*: Safe and Optimal Motion Planning
University of Cambridge（剑桥大学）；Lehigh University（利哈伊大学）；Boston University（波士顿大学）
本文提出增量采样运动规划算法 LQR-CBF-RRT*，通过直接验证 CBF 约束、缓存 LQR 增益矩阵及交叉熵重要性采样，在保证安全与最优性的同时提升计算效率。
2023-09-27 cs.RO cs.SY eess.SY
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆创新）
面向自由空间的路线图通常会生成一系列凸几何图元，这些图元构成了运动规划的安全区域。然而，对于这种路线图，假设是静态环境。这一假设使其无法处理动态障碍，限制了其应用。在本文中，我们提出了一个动态的自由空间路线图，它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境，我们逐步将与障碍物相交的多面体分解为无障碍区域，同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明，我们的方法是实用和有效的。
2022-04-20 cs.RO
Visualizing Local Minima in Multi-Robot Motion Planning using Multilevel Morse Theory
多机器人运动规划问题往往存在许多局部极小点。必须将这些局部最小值可视化，以便我们可以更好地理解、调试和与多机器人系统交互。为了实现这一目标，我们提出了多机器人运动探测器，一种算法，通过引入基于组件的框架，通过减少每个机器人的组件空间使用纤维束，减少多机器人配置空间，从而扩展了以前的结果多层次莫尔斯理论。我们的算法利用这种组件结构搜索和可视化局部极小值。该算法的用户可以指定多级抽象和优化算法。我们使用这些信息来逐步建立一个局部最小树为一个给定的问题。我们证明了这种算法上的几个多机器人系统的多达20个自由度。
2020-04-29 cs.RO
Path Planning and Obstacle Avoidance Scheme for Autonomous Robots using Raspberry Pi
University of Moratuwa（莫拉图瓦大学）
随着机器人平台的逐步发展，使手动过程自动化，路径规划已成为一个关键领域，无论是否了解室内和室外环境。算法可以是智能的或预结构化的，并且应该最有效地到达目的地。在这一领域的主要挑战是找到一条路径，这是免费的静态障碍以及动态障碍。在本文中，提出了一种方法与机器人平台的实施细节，以覆盖关键点，并在动态环境中到达原来的关键点。主要的计算发生在Raspberry Pi B+模块中，指南针，车轮编码器和超声波传感器用于实现机器人到相关关键点的定位。
2020-12-20 cs.RO
Planning for Optimal Feedback Control in the Volume of Free Space
Massachusetts Institute of Technology（麻省理工学院）
研究了d维构形空间中障碍物间的最优反馈规划问题。提出了一种基于采样的渐近最优反馈规划方法。我们的方法结合了增量建设的德洛内三角剖分，体积碰撞检测模块，和一个修改后的快速推进方法来计算一个收敛序列的反馈函数。收敛性和渐近运行时间的理论证明和研究在数值实验中，所提出的方法相比，最先进的渐近最优路径规划。实验结果表明，该方法与已有的算法相比具有较好的竞争力。与许多路径规划算法计算的最短轨迹不同，在我们的情况下，所得到的反馈函数可以直接用于机器人导航。最后，我们提出了一个简单的扩展我们的方法，处理动态环境中的障碍物可以出现，消失，或移动。
2015-04-29 cs.RO
Adaptive Sampling Control in Motion Planning of Autonomous Vehicle
Department of Computer and Systems Engineering（计算机与系统工程系）
本文提出基于人工势场的自适应采样（ASAPF）方法，通过聚焦先验最优轨迹区域，显著降低自动驾驶运动规划的计算复杂度，同时保持并提升轨迹质量与稳定性。
2023-07-02 cs.RO cs.SY eess.SY
Deep Reinforcement Learning Graphs: Feedback Motion Planning via Neural Lyapunov Verification
本文提出一种基于深度强化学习控制器图与神经网络的反馈运动规划算法，通过树结构和图结构两种连接方式分别实现点到点和空间到空间控制，并在一阶动态系统上验证了其有效性。
2023-11-29 cs.RO cs.SY eess.SY
nvblox: GPU-Accelerated Incremental Signed Distance Field Mapping
NVIDIA（英伟达）；ETH Zürich（苏黎世联邦理工学院）
针对机器人稠密建图在CPU与GPU系统间的性能差距，提出GPU加速库nvblox，实现表面重建177倍、距离场计算31倍的加速，并开源。
2024-03-15 cs.RO
CAP: A Connectivity-Aware Hierarchical Coverage Path Planning Algorithm for Unknown Environments using Coverage Guidance Graph
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出连通性感知分层覆盖路径规划算法CAP，通过在线增量构建覆盖引导图指导路径规划，在仿真和机器人实验中显著提升了覆盖时间、路径长度和重叠率指标。
2025-03-01 cs.RO
RAMP: Hierarchical Reactive Motion Planning for Manipulation Tasks Using Implicit Signed Distance Functions
Samsung AI Center NY（三星纽约人工智能中心）
提出RAMP分层运动规划器，结合MPPI与向量场控制，利用配置空间的SDF实现快速、安全的实时轨迹规划，速度提升30倍。
2023-07-31 cs.RO cs.SY eess.SY
Model Error Propagation via Learned Contraction Metrics for Safe Feedback Motion Planning of Unknown Systems
University of Michigan（密歇根大学）
我们提出了一种基于收缩的反馈运动规划的局部增量指数稳定系统的未知动态，提供概率安全性和可达性保证的方法。给定一个动态数据集，我们的方法学习动态的深度控制仿射近似。为了找到一个可信的域，这个模型可以用于规划，我们获得了一个估计的Lipschitz常数的模型误差，这是有效的，在一个区域周围的训练数据，提供了一个本地的，空间变化的模型误差范围。我们推导出一个轨迹跟踪误差界的收缩为基础的控制器，受到这个模型误差，然后学习控制器，优化这个跟踪界。在给定的概率下，验证了控制器的正确性和可信域中跟踪误差界的正确性。然后，我们使用与可信域绑定在一起的轨迹误差来指导基于采样的规划器返回可以在执行中鲁棒跟踪的轨迹。我们展示了4D汽车，6D四旋翼和22D可变形物体操作任务的结果，显示我们的方法使用高维欠驱动系统的学习模型安全地计划，而不考虑跟踪误差范围或可信域的基线计划可能无法稳定系统并变得不安全。
2022-03-01 cs.LG cs.RO cs.SY
Efficient Incremental Penetration Depth Estimation between Convex Geometries
Mech-Mind Robotics（梅卡曼德机器人）
本文提出一种基于优化的增量穿透深度估计算法，利用时空相干性进行热启动，在凸几何体场景下比EPA快5到30倍，并兼容现有隐式几何表示。
2024-09-05 cs.CG cs.RO
Task and Motion Planning in Hierarchical 3D Scene Graphs
MIT（麻省理工学院）
本研究提出利用分层3D场景图构建稀疏规划域并增量添加对象，实现大规模任务与运动规划，在真实场景图和机器人上验证了有效性。
2024-11-08 cs.RO
Multi Graph Search for High-Dimensional Robot Motion Planning
本文提出多图搜索算法，用于高维机器人运动规划，通过多图扩展实现高效且可靠的路径搜索。
2026-02-12 cs.AI cs.RO
Continuous-Time Gaussian Process Motion Planning via Probabilistic Inference
Georgia Institute of Technology（佐治亚理工学院）
我们介绍了一种新的制定运动规划，连续时间的轨迹，概率推理。我们首先展示如何平滑的连续时间轨迹可以表示为一个小数目的状态，使用稀疏高斯过程（GP）模型。接下来，我们开发了一个有效的基于梯度的优化算法，利用这种稀疏性和GP插值。我们称之为高斯过程运动规划器（GPMP）的算法。然后，我们详细介绍了如何将运动规划问题公式化为因子图上的概率推理。这构成了GPMP2的基础，GPMP2是一种非常有效的算法，它将轨迹的GP表示与通过数值优化进行的快速结构开发推理相结合。最后，我们将GPMP2扩展为增量算法iGPMP2，该算法可以在条件变化时有效地重新规划。我们基准我们的算法对几个采样为基础的和轨迹优化为基础的运动规划算法在多个环境中的规划问题。我们的评估表明，GPMP2是几倍的速度比以前的算法，同时保持鲁棒性。我们还基准iGPMP2重新规划的问题，并表明它可以找到成功的解决方案，在一小部分的时间所需的GPMP2从头开始重新规划。
2018-11-22 cs.RO
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan（密歇根大学）
本文报道了一个集成的框架，安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图，而安全约束通过控制障碍函数（CBF）来执行。该规划器是基于增量探索信息收集（IIG）算法，并允许使用模型预测控制（MPC）的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说，沿着路径收集的信息取决于状态和观察历史。因此，仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG，这是一种综合信息运动规划算法，它考虑到：1）经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场，2）经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束，以及3）通过设置信息论规划视野的自动停止准则。仿真结果表明，SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 cs.RO
Risk-Aware Coverage Path Planning for Lunar Micro-Rovers Leveraging Global and Local Environmental Data
Tohoku University（东北大学）
本文提出一种面向月球微型巡视器的3D近视覆盖路径规划算法，结合全局与局部地形数据计算运动成本并集成定位建图，在仿真与实地测试中实现低能耗高覆盖率的自主探索。
2024-04-29 cs.RO
Asymptotically Optimal Sampling-based Kinodynamic Planning
基于采样的算法被视为高维运动规划的实用解决方案。最近的进展已经利用随机几何图论来展示如何用这些方法也可以实现渐近最优性。实现这一理想的属性的动态系统需要解决一个两点边值问题（BVP）的基础动力系统的状态空间。这是困难的，但是，如果不是不切实际的，生成一个边界元法求解器的各种重要的动态模型的机器人或物理模拟的。因此，一个开放的挑战是，当规划系统而不访问BVP求解器时，是否有可能实现最优性保证。这项工作解决了上述问题，并介绍了如何实现渐进最优的Kinodynamic规划增量采样为基础的规划器，通过引入一个新的严格的框架。两种新的方法，稳定稀疏RRT（SST）和SST*，结果从这个分析，这是渐近接近最优和最优的，分别。该技术被证明是快速收敛到高质量的路径，而他们只保持一个稀疏的样本集，这使得他们的计算效率。使用动态系统基准的实验结果，以及物理模拟机器人的规划者的良好性能得到证实。
2016-02-05 cs.RO
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
Path Planning Algorithm for Extinguishing Forest Fires
B S Abdur Rahman University（B S 阿卜杜勒·拉赫曼大学）
气候变化的主要影响之一是森林的破坏。森林的破坏有很多种方式，但大部分森林都是由于野火而被摧毁的。在本文中，我们提出了一个路径规划算法，用于灭火，使用无线传感器和执行器网络（WSAN）检测火灾。由于森林火灾的研究大多是基于无线传感器网络（WSNs）的，并且在覆盖、消息传输、节点部署、针对无线传感器网络中传感器节点的电池电量耗尽问题，本文重点研究了Actor移动到火灾发生的目标区域并进行灭火的路径规划方法，提出了一种增量式路径规划方法，“执行者”在有障碍物和无障碍物的环境中灭火的动作。这是通过将确定的移动与使用传感器获得的目标位置读数进行比较来完成的，直到Actor到达目标区域以灭火。
2012-03-18 cs.RO
A Hierarchical Coverage Path Planning Algorithm for Unknown Environments
Jinan University（暨南大学）；Beijing Institute of Technology（北京理工大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出一种未知环境下的在线分层覆盖路径规划算法，通过增量分解树组织子区域并动态更新全局覆盖路线，仿真验证其相比三种基线算法在路径长度和重叠率上提升了覆盖效率。
2026-09-14 cs.RO
Kinodynamic Planning on Constraint Manifolds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（工业机器人信息研究所，CSIC-UPC）
本文提出了一种运动学和动力学约束系统的运动规划器。前者出现在系统中存在运动学回路时，例如在并联机械手中，在合作完成给定任务的机器人中，或在涉及与环境接触的情况下。后者是必要的，以获得现实的轨迹，考虑到力作用在系统上。运动学约束使状态空间成为一个隐式定义的流形，这使得常用的运动规划技术的应用变得复杂。为了解决这个问题，规划器增量地构造状态空间流形的图集，并且使用该图集来生成随机状态并且动态地模拟系统朝向这些状态的转向。然后利用所得到的工具在状态空间上构建一个快速探索的随机树（RRT）。据我们所知，这是第一个随机kinodynamic规划隐式定义的状态空间。本文提出的测试案例验证了显着复杂的系统中的方法。
2017-05-22 cs.RO
