OptiRoute: A Heuristic-assisted Deep Reinforcement Learning Framework for UAV-UGV Collaborative Route Planning
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出OptiRoute框架，利用强化学习优化无人机-无人地面车协同路径中的充电地点选择，并结合约束规划生成路径，实验表明其优于遗传算法基线，可减少任务时间、空闲时间与能耗。
2023-09-18 cs.RO
An Adaptive Coverage Control Approach for Multiple Autonomous Off-road Vehicles in Dynamic Agricultural Fields
Dept. of Electrical and Computer Engineering, The University of Memphis, Memphis, TN 38152 USA（电气与计算机工程系，密苏里州孟菲斯大学）
本文提出一种自适应覆盖控制方法，利用无人机检测障碍物和地形，动态调整越野无人地面车辆的覆盖路径，以应对动态农业环境，仿真验证了其提高效率并保持稳健覆盖。
2025-09-08 cs.RO cs.SY eess.SY
A Safety-Critical Framework for UGVs in Complex Environments: A Data-Driven Discrepancy-Aware Approach
The School of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院航空航天工程学院）
针对UGV在未知障碍与建模不确定性下的安全导航问题，提出数据驱动的差异感知多层规划控制框架，通过共形预测构建鲁棒控制器与碰撞缓冲，经多场景实验验证有效且可拓展为驾驶辅助系统。
2024-03-05 cs.RO
Unified Linear Parametric Map Modeling and Perception-aware Trajectory Planning for Mobile Robotics
School of Information Science and Engineering, Shenyang University of Technology（沈阳理工大学信息科学与工程学院）；State Key Laboratory of Synthetic Automation for Process Industries, Northeastern University（东北大学过程工业综合自动化重点实验室）；State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所机器人重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
针对移动机器人建图负担重、感知受限等挑战，提出RMRP线性参数化地图与RPATR规划框架，统一ESDF建图并利用泛化预测，实现高效、安全的自主导航。
2025-08-07 cs.LG cs.RO
Deep Reinforcement Learning Enabled Persistent Surveillance with Energy-Aware UAV-UGV Systems for Disaster Management Applications
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出基于编码器-解码器Transformer与多头注意力的深度强化学习框架，协同优化无人机与无人地面车的路径和充电会合点，以最小化任务点访问间隔，实现灾害场景下能量感知的持续监视，并在解质量和运行时间上优于启发式及现有学习方法。
2025-02-04 cs.RO
Algorithms for Routing of Unmanned Aerial Vehicles with Mobile Recharging Stations
Virginia Tech（弗吉尼亚理工大学）
研究了能量有限的无人机在最短时间内访问多个地点的规划问题。我们设想的情况下，无人机可以通过降落在固定充电站或无人地面车辆（UGV）作为移动充电站的方式进行充电。这导致了旅行商问题（TSP）与移动充电站的一个新变种。我们提出了一种算法，不仅可以找到访问网站的顺序，还可以找到何时何地登陆充电站充电。我们的算法为UGV规划行程，并确定放置固定充电站的最佳位置。虽然我们研究的问题是NP-Hard的，我们提出了一个实用的解决方案，使用广义TSP，找到最佳的解决方案。如果UGV较慢，则算法还找到支持UAV任务所需的UGV的最小数量，使得UAV不需要等待UGV。我们的模拟结果表明，运行时间是可以接受的合理大小的实例在实践中。
2017-09-18 cs.MA cs.RO
Trailblazer: Learning offroad costmaps for long range planning
DEVCOM Army Research laboratory（陆军研究实验室）
针对越野环境下UGV长距离自主导航的难题，提出Trailblazer框架，结合模仿学习与可微分A*规划器从专家演示学习多模态代价地图，无需手动调参，经真实测试验证在复杂动态环境中具备鲁棒导航性能。
2025-06-11 cs.RO
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
Optimizing UAV-UGV Coalition Operations: A Hybrid Clustering and Multi-Agent Reinforcement Learning Approach for Path Planning in Obstructed Environment
University of Dhaka（达卡大学）；Green University of Bangladesh（孟加拉国绿色大学）；University of Maine at Presque Isle（缅因大学普雷斯克艾尔分校）；King Saud University（沙特国王大学）
本文提出一种基于改进 mean-shift 聚类与 MADDPG、MAPPO 多智能体强化学习的 UAV-UGV 可变数量协同路径规划方法，通过多区域目标分配实现无碰撞导航，大幅提升了多目标交战的任务完成率与导航效率。
2024-01-03 cs.MA cs.RO
Local Minima Prediction using Dynamic Bayesian Filtering for UGV Navigation in Unstructured Environments
Robotics（机器人学）；Electrical Engineering and Computer Science（电气工程与计算机科学）；School of Information（信息学院）；Mechanical Engineering（机械工程）
针对非结构化环境下UGV因依赖过时全局视图与局部信息易陷入局部极小值的问题，提出基于动态贝叶斯滤波的局部极小值主动预测方法，助力车辆提前规避风险或求助、重规划，提升自主导航能力。
2025-05-20 cs.RO
GSRM: Building Roadmaps for Query-Efficient and Near-Optimal Path Planning Using a Reaction Diffusion System
Robert Bosch GmbH（博世公司）；TU Berlin（柏林技术大学）
提出GSRM方法，结合Gray-Scott反应扩散系统与Delaunay三角剖分构建路图，在狭窄通道环境中保持良好连通性，实现查询高效且路径近似最优。
2024-10-14 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
Unidirectional-Road-Network-Based Global Path Planning for Cleaning Robots in Semi-Structured Environments
Guangzhou Shiyuan Electronic Technology Co., Ltd.（广州视源电子科技股份有限公司）；School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机学院）
针对半结构化环境下清洁机器人全局路径规划的现有缺陷，本文提出基于单向道路网络的混合规划方法，实现路径长度与规则遵从性的更优平衡。
2025-11-17 cs.RO
On-Road Motion Planning for Automated Vehicles at Ulm University
University of Ulm（乌尔姆大学）
乌尔姆大学的测量、控制和微技术研究所研究先进的驾驶辅助系统已有数十年，主要集中在自动驾驶方面。众所周知，运动规划是自动驾驶的关键技术。它首先负责车辆乘客以及周围所有交通参与者的安全。然而，进一步的任务在于提供平稳和舒适的驾驶行为。在乌尔姆，我们有机会在公共交通和各种场景的真实条件下测试我们的算法。在本文中，我们希望让读者了解我们的工作，关于车辆，测试轨道，以及相关的问题，挑战和解决方案。因此，我们将描述运动规划系统并解释所实现的功能。此外，我们将展示我们的车辆如何在公共道路交通中行驶，以及如何应对具有挑战性的场景，例如驾驶通过环形交叉口和十字路口。
2021-06-02 cs.RO
SwarmPRM: Probabilistic Roadmap Motion Planning for Large-Scale Swarm Robotic Systems
College of Engineering, Peking University（北京大学工学院）
本文提出SwarmPRM，一种分层可扩展的基于采样的运动规划方法，利用GMM表示集群宏观状态并构建高斯路线图，结合CVaR增强风险意识，通过线性规划优化轨迹，显著提升大规模集群机器人的计算效率、可扩展性与轨迹质量。
2024-10-13 cs.RO
Reasoning About Traversability: Language-Guided Off-Road 3D Trajectory Planning
Department of Automotive Engineering, Hanyang University, Seoul, Republic of Korea（韩雅大学汽车工程系，首尔，大韩民国）
本文提出语言精修框架与偏好优化策略，通过动作对齐监督和地形感知优化，提升越野3D轨迹规划的合规性与地形一致性。
2026-04-23 cs.RO
Improved path planning algorithms for non-holonomic autonomous vehicles in industrial environments with narrow corridors: Roadmap Hybrid A* and Waypoints Hybrid B*. Roadmap hybrid A* and Waypoints hybrid A* Pseudocodes
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）；Gruppo TecnoFerrari S.p.a. con socio unico（泰克诺法拉利集团股份公司（单一股东））
针对狭窄走廊工业场景的类车自主车辆，提出结合静态路线图搜索的Roadmap Hybrid A*与拓扑图航点引导的Waypoint Hybrid A*两种路径规划算法，仿真验证其在多项指标上优于标准Hybrid A*。
2023-04-27 cs.RO
COVER:COverage-VErified Roadmaps for Fixed-time Motion Planning in Continuous Semi-Static Environments
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯特理工学院（WPI））
本文提出COVER框架，通过增量构建覆盖验证的路标，为半静态环境提供固定时间内的运动规划解决方案，展示了更广的问题空间覆盖和更高的查询成功率。
2026-04-17 cs.RO
Densification Strategies for Anytime Motion Planning over Large Dense Roadmaps
Carnegie Mellon University（卡内基梅隆大学）
我们考虑在密集的运动规划路线图$\mathcal{G}$中计算最短路径的问题。我们假设$\mathcal{G}$的顶点数~ $n$非常大。因此，使用任何直接搜索$\mathcal{G}$、在$O(V\textrm{log}V + E) \approx O(n^2)$时间内运行的路径规划算法变得不可接受地昂贵。因此，我们有兴趣在任何时候搜索，以获得连续更短的可行路径，并收敛到最短路径在$\mathcal{G}$。我们的主要见解是提供现有的路径规划算法与一系列越来越密集的子图的$\mathcal{G}$。研究了$\mathcal{G}$的所有（$r$ -圆盘）子图的空间.然后，我们制定并提出了两个致密化的策略，穿越这个空间表现出互补的性能方面的问题的难度。这激发了第三种混合策略，无论问题的难度如何，它都具有有利的特性。然后，使用低色散确定性序列来生成用于$\mathcal{G}$的样本的特定情况来演示和分析这种一般方法。最后，我们经验评估我们的策略的随机情况下，在$\mathbb{R}^{2}$和$\mathbb{R}^{4}$和7自由度机器人手臂的操作规划问题的性能，并验证我们的分析。
2017-03-05 cs.RO
BenchNav: Simulation Platform for Benchmarking Off-road Navigation Algorithms with Probabilistic Traversability
Keio University（庆应义塾大学）；Nagoya University（名古屋大学）
本文提出BenchNav，一个基于PyTorch和Gymnasium的开源仿真平台，用于在不确定可通行性下对越野导航算法进行基准测试，提供数据生成、可通行性预测和统一规划执行功能，并通过三种代表性算法验证其多功能性。
2024-05-22 cs.RO
Stein Variational Probabilistic Roadmaps
University of Washington（华盛顿大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
高效、可靠地生成全局路径规划对于自治系统的安全执行和部署是必要的。为了生成充分解决给定环境的拓扑结构的规划图，许多基于采样的运动规划器诉诸于粗糙的、运动驱动的策略，这些策略通常不能推广到新的和变化的环境。此外，这些方法中的许多方法并不是为了对抗部分可观测性而设计的。我们认为，这种不确定性的环境几何形状，事实上，有助于推动采样过程中产生可行的，概率安全的规划图。我们提出了一种方法的概率路线图，它依赖于基于粒子的变分推理，有效地覆盖后验分布在配置空间中的可行区域。我们的方法，斯坦变分概率路线图（SV-PRM），结果在样本有效的生成规划图和传统的采样方法的大的改进。我们展示了各种具有挑战性的规划问题，包括现实世界的概率占用地图和机器人技术中常见的高自由度操纵问题的方法。
2022-05-20 cs.RO
Experience-Based Planning with Sparse Roadmap Spanners
University of Colorado（科罗拉多大学）；Google [x]；Rice University（莱斯大学）
我们提出了一个基于经验的规划框架，称为雷霆，学习，以减少计算时间所需的解决高维规划问题，在不同的环境。该方法特别适合于大的配置空间，包括许多不变的约束，如发现与全身人形运动规划。使用概率采样生成的经验，并存储在一个稀疏的路线图（SPARS），它提供了渐近接近最佳的覆盖范围的配置空间，使存储，检索和修复过去的经验非常有效的内存和时间。Thunder框架通过将经验存储在图中而不是单个路径中，消除冗余信息，为路径重用提供更多机会，并为经验图的大小提供理论限制，从而改进了过去基于经验的规划器。这些属性还改进了对动态变化环境的处理、对最佳路径的推理以及减少查询解析时间。该方法被证明在一个30自由度的人形机器人，并与闪电框架，经验为基础的规划，使用个人路径存储过去的经验。在具有可变障碍物和稳定性约束的环境中，实验表明，Thunder平均比Lightning快一个数量级，并且从头开始规划。与Lightning相比，Thunder在10，000次试验后存储其经验时使用的内存减少了98.8%。我们的框架是实现和免费提供的开放运动规划库。
2014-10-08 cs.RO
Considering Perspectives for Automated Driving Ethics: Collective Risk in Vehicular Motion Planning
Eindhoven University of Technology（埃因霍温理工大学）；CARISSMA Institute of Safety in Future Mobility（未来移动安全研究所）；Technische Hochschule Ingolstadt（因戈尔施塔特技术大学）；TNO（荷兰代尔夫特理工大学）
本文提出了一种考虑多视角风险的自动驾驶运动规划策略，通过平衡所有道路使用者的风险来提高整体交通安全性和效率，同时体现人类驾驶行为的伦理考量。
2026-02-26 cs.RO
Robust Route Planning with Distributional Reinforcement Learning in a Stochastic Road Network Environment
Stevens Institute of Technology（史蒂文斯理工学院）；University of Alberta（阿尔伯塔大学）
针对高随机道路网络中期望回报 DRL 策略性能不稳的问题，提出基于回报分布与 SSD 关系的分布式强化学习框架，可按鲁棒性偏好规划行程时间随机性最小的最短路径。
2023-04-19 cs.RO
HIRO: Heuristics Informed Robot Online Path Planning Using Pre-computed Deterministic Roadmaps
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人类工程与机器人研究所）；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）
提出HIRO在线路径规划方法，利用静态环境预计算确定性路线图形成启发式下界，并结合模糊碰撞检查、闭环更新与回溯，在动态环境中显著加快无碰撞路径规划。
2024-10-26 cs.RO
Effort Informed Roadmaps (EIRM*): Efficient Asymptotically Optimal Multiquery Planning by Actively Reusing Validation Effort
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；University of Oxford（牛津大学）
本文提出EIRM*多查询规划算法，通过非对称双向搜索主动识别并重用已有路径信息，在保证几乎必然渐近最优的同时，使初始解求解速度比现有最优算法快一个数量级。
2023-04-18 cs.RO
Multi-Sample Long Range Path Planning under Sensing Uncertainty for Off-Road Autonomous Driving
Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
针对越野自动驾驶长距离动态重规划中的感知不确定性问题，提出DREAMS方法，通过评估和聚合多个确定性化样本，在真实数据集上优于现有方法，兼顾效率与鲁棒性。
2024-03-17 cs.RO
CTopPRM: Clustering Topological PRM for Planning Multiple Distinct Paths in 3D Environments
Czech Technical University in Prague（捷克布拉格技术大学）
针对三维杂乱环境中多同伦路径规划难题，提出CTopPRM，通过聚类密集PRM生成稀疏路线图，在相同运行时间下将找全不同路径的概率提升近20%。
2023-09-28 cs.RO
Terrain-Aware Local Path Planning with Global DEM Data Integration for Autonomous UGV Navigation
Memorial University of Newfoundland（纽芬兰纪念大学）；Compusult Ltd.（康普萨尔特有限公司）
本研究针对UGV户外导航中全局地图与实时传感器反馈脱节的问题，提出融合DEM与LiDAR的混合路径规划框架，经仿真验证可提升障碍物规避率、降低平均坡度，为可靠自主导航提供支撑。
2026-08-19 cs.RO
A Roadmap-Path Reshaping Algorithm for Real-Time Motion Planning
Tsinghua University（清华大学）；BNRist（北京信息科学与技术国家研究中心）
实时的【形】运动规划是机器人系统的重要功能。与现有的先确定自由空间然后确定无碰撞路径的路线图算法不同，研究人员最近提出了几种基于凸松弛的平滑算法，其首先选择初始路径来连接起始配置和目标配置，然后重新整形该路径以满足其他要求（例如，无碰撞条件）。然而，基于凸松弛的平滑算法往往不能给出令人满意的路径，因为初始路径是随机选择的。此外，现有的基于凸松弛的光顺算法没有考虑曲率约束。在本文中，我们表明，我们可以首先网格整个配置空间，以挑选一个候选路径和重塑这个最短路径，以满足我们的目标。该算法继承了路标算法和凸可行集算法的优点。进一步讨论了如何利用Beamlet算法选择较好的初始路径和迭代优化算法调整路径的曲率来满足曲率约束，理论分析和数值试验结果表明，该算法几乎一定能找到一条可行路径，而且比最近提出的凸可行集算法所需时间要少得多.
2019-02-28 cs.RO
Hybrid Imitative Planning with Geometric and Predictive Costs in Off-road Environments
UC Berkeley（加州大学伯克利分校）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）；University of Waterloo（滑铁卢大学）；Georgia Institute of Technology（佐治亚理工学院）
通过学习占用和度量地图来解决开放世界越野导航任务的几何方法提供了良好的泛化，但在违反其假设的户外环境中可能很脆弱（例如，高草）。基于学习的方法可以直接从原始观察中学习无冲突行为，但难以与标准的基于几何的管道集成。这就产生了一个不幸的冲突--要么使用学习而失去了很好理解的几何导航组件，要么不使用它，而支持广泛手动调整的基于几何的成本图。在这项工作中，我们通过设计学习和非学习组件来拒绝这种二分法，以便它们可以以自我监督的方式有效地结合起来。这两个组件都有助于规划标准：学习组件有助于预测可通行性作为奖励，而几何组件有助于障碍成本信息。我们在分布和分布环境中对我们的系统进行了实例化和比较评估，结果表明这种方法继承了学习和几何组件的互补增益，并显着优于它们中的任何一个。我们的结果视频托管在https://sites.google.com/view/hybrid-imitative-planning
2021-11-22 cs.RO
Motion Planning (In)feasibility Detection using a Prior Roadmap via Path and Cut Search
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
针对运动规划中不可行问题常被忽略导致边评估低效的疏漏，提出IPC和IDPC算法，利用先验路线图迭代搜索路径与割集，在减少昂贵边评估的同时高效检测不可行性。
2023-05-18 cs.RO
HOPHY: A Hierarchical Hypergraph Representation for Off-Road Path and Mission Planning
University at Buffalo（布法罗大学）
HOPHY提出一种层次超图地形表示，实现高效越野路径与任务规划，在公里级地图上达到100%规划成功率且代价偏差极小，计算量较像素A*降低79倍。
2026-09-18 cs.RO
RAMP: A Risk-Aware Mapping and Planning Pipeline for Fast Off-Road Ground Robot Navigation
Massachusetts Institute of Technology（麻省理工学院）；DEVCOM Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
在3D地形中快速地面机器人导航的一个关键挑战是平衡机器人的速度和安全性。最近的工作表明，2.5D地图（具有附加3D信息的2D表示）是实时安全和快速规划的理想选择。然而，通过光线跟踪生成2D占用网格的流行方法由于未知空间的不准确表示而使得所生成的地图对于规划而言不安全。此外，现有的规划器（如MPPI）没有分别考虑已知自由空间和未知空间中的速度，导致总体规划较慢。这里提出的RAMP管道使用新的映射和规划方法解决了这些问题。这项工作首先提出了地面点膨胀与持久的空间记忆作为一种方式来生成准确的占用网格地图分类点云。然后，我们提出了一个基于MPPI的规划器与嵌入式的变化，在已知的自由空间中的速度最大化，同时保持谨慎的渗透到未知的空间。最后，我们将此映射和规划管道与3D地形产生的风险约束相结合，并使用模拟和硬件演示验证它可以实现快速安全的导航。
2023-03-10 cs.RO
Sparsification of Motion-Planning Roadmaps by Edge Contraction
Tel-Aviv University（特拉维夫大学）；Duke University（杜克大学）
我们提出的路线图稀疏化边缘收缩（RSEC），一个简单而有效的算法，用于减少的运动规划路线图的大小。该算法表现出最小的影响，可以从新的路线图中提取的路径的质量。RSEC使用的基本操作是边收缩-将路线图边收缩为单个顶点，并将新顶点连接到收缩边的相邻顶点。对于某些情况下，我们压缩超过98%的边缘和顶点的平均最短路径长度的退化的成本最多为2%。
2012-09-20 cs.DS cs.RO
Incorporating Stochastic Models of Controller Behavior into Kinodynamic Efficiently Adaptive State Lattices for Mobile Robot Motion Planning in Off-Road Environments
University of Rochester（罗切斯特大学）；DEVCOM Army Research Laboratory（陆军研究实验室）；Parsons（帕尔逊公司）
本研究提出三种将随机控制器行为模型融入KEASL规划器的方法，实验表明其产生更保守轨迹，降低预测碰撞概率，但相比扩大障碍物足迹的基线，规划成功率有所下降。
2025-08-06 cs.RO
VCTP: Vehicle-Conditioned Terrain Planning for Off-Road Navigation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；U.S. Army Engineer Research and Development Center（美国陆军工程兵研究与发展中心）
VCTP通过评估八个航向和车轮接触点来规划越野路线，相比中心采样降低地表成本39.3%，并在474次比较中实现选择性更新与全量重算一致。
2026-09-17 cs.RO
Performance Characterization of a Point-Cloud-Based Path Planner in Off-Road Terrain
Robust Autonomous Systems Laboratory（鲁棒自主系统实验室）；Department of Electrical and Computer Engineering（电气与计算机工程系）；Michigan Technological University（密歇根技术大学）
本文评估了基于点云的越野导航栈MUONS，通过3万次模拟试验和现场测试，发现Bi-RRT扩展半径对性能影响最大，验证了蒙特卡洛模拟用于参数调优的有效性。
2025-09-09 cs.RO
GET-DIPP: Graph-Embedded Transformer for Differentiable Integrated Prediction and Planning
National University of Singapore（新加坡国立大学）；Yinson；MooVita
准确预测交互式道路智能体的未来轨迹并相应地规划符合社会要求和人性化的轨迹对于自动驾驶车辆非常重要。本文提出了一种以规划为中心的预测神经网络，该网络以周围智能体的历史状态和地图上下文信息为输入，通过模仿学习输出周围智能体的联合多模态预测轨迹以及自我车辆的控制命令序列。在我们的网络结构中，提出了一个沿时间轴的代理交互模块，以更好地理解道路上所有其他智能代理之间的关系。为了融合地图的拓扑信息，采用动态图卷积神经网络（DGCNN）来处理道路网络拓扑。此外，整个架构可以作为一个骨干的微分集成运动预测与规划（DIPP）方法，提供准确的预测结果和初始规划命令。在真实世界的数据集上进行了实验，以证明我们所提出的方法在规划和预测精度方面与以前的最先进的方法相比所取得的改进。
2022-11-11 cs.RO
Fast Local Planning and Mapping in Unknown Off-Road Terrain
Texas A&M University（德州农工大学）
在本文中，我们提出了一个快速，在线地图和规划解决方案，在未知的，越野，环境中的操作。我们将障碍物检测与地形梯度图相结合，以制作简单且适应性强的成本图。该图可以在10 Hz下创建和更新。A* 规划器在地图上找到最优路径。最后，我们在控制输入空间上取多个样本，并进行运动学正向仿真，以生成可行的轨迹。然后，由成本图和与A* 路径的接近度确定的最优轨迹被选择并发送到控制器。我们的方法允许在30 Hz的速率下实时的操作。我们证明了我们的方法在各种越野地形在高速的效率。
2019-10-18 cs.CV cs.RO
Optimization-Based On-Road Path Planning for Articulated Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Linköping University（林雪平大学）；Scania CV AB（斯堪尼亚汽车公司）
在狭窄的道路延伸段上操纵铰接式车辆对于人类驾驶员来说通常是一项具有挑战性的任务。除非车辆被准确地转向，否则车身的一部分可能会超出其指定的车道，从而增加与周围交通碰撞的风险。在这项工作中，提出了一种基于优化的路径规划算法，针对道路上行驶的情况下，铰接车辆组成的牵引车和拖车。为此，我们在适合道路规划的道路对齐坐标系中对牵引车-拖车车辆进行建模。基于驾驶行为学，提出了一组不同的优化目标，其总体目标是设计一个路径规划器，该路径规划器计算最小化车身扫掠区域的偏离轨道的路径，同时保持在道路上并避免与障碍物碰撞。使用最具挑战性的牵引车拖车尺寸，在一组复杂且实际相关的道路规划场景的模拟中评估和分析了所提出的基于优化的路径规划算法以及不同的优化目标。
2020-05-11 cs.RO cs.SY eess.SY
Uncertainty-aware Perception Models for Off-road Autonomous Unmanned Ground Vehicles
GE Research（通用电气研究院）；Motional（Motional公司）；GE Digital（通用电气数字部门）
越野无人驾驶地面车辆（UGV）正在开发用于军事和商业用途，以在偏远地区提供关键物资，帮助测绘和监视，并在有争议的环境中协助作战人员。由于越野环境的复杂性以及地形、照明条件、昼夜和季节变化的可变性，用于感知环境的模型必须处理大量的输入可变性。当前用于训练越野自主导航感知模型的数据集缺乏季节、位置、语义类别以及一天中的时间的多样性。我们测试了一个假设，即由于输入分布漂移，在单个数据集上训练的模型可能无法推广到其他越野导航数据集和新位置。此外，我们研究了如何结合多个数据集来训练一个基于语义分割的环境感知模型，我们表明，训练模型来捕获不确定性可以显着提高模型性能。我们扩展的Masksembles方法的不确定性量化的语义分割任务，并将其与蒙特卡洛辍学和标准基线。最后，我们在一个新的测试环境中对从UGV平台收集的数据进行测试的方法。我们表明，开发的感知模型与不确定性量化可以可行地部署在UGV上，以支持在线感知和导航任务。
2022-09-22 cs.CV cs.LG cs.RO
Ground-Aware Octree-A* Hybrid Path Planning for Memory-Efficient 3D Navigation of Ground Vehicles
Robotics Program, Korea Advanced Institute of Science and Technology(KAIST)（韩国科学技术院机器人项目）；Department of Mechanical Engineering, KAIST（韩国科学技术院机械工程系）
本研究提出结合八叉树结构与改进3D A*的地面车辆混合路径规划方法，通过高度惩罚项利用可通行障碍、规避不可通行障碍，借助八叉树地图压缩减少节点探索量，在保证最优路径的同时显著降低内存与计算开销，支持实时3D导航。
2025-09-05 cs.RO
A Data-Driven Approach for Autonomous Motion Planning and Control in Off-Road Driving Scenarios
本文提出了一种新的数据驱动的方法，车辆运动规划和控制在越野驾驶场景。对于自动越野驾驶，环境条件会影响地形的可通行性，这是天气、表面成分和坡度的函数。处理地理信息系统和国家环境信息中心数据集，为交互式规划和控制系统要素提供这一信息。顶层全局路线规划器（GRP）使用动态规划（DP）来定义最优航路点。本地路径规划器（LPP）计算航路点之间的期望轨迹，从而避免不可行的控制状态和与障碍物的碰撞。LPP还利用实时感测和控制数据更新GRP。一个低层次的反馈控制器应用反馈线性化渐近跟踪指定的LPP轨迹。自动驾驶模拟结果的地形穿越俄勒冈州和印第安纳州的案例研究。
2018-05-25 cs.AI cs.RO
URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground Traversability Estimation for Off-road Environments
Mississippi State University（密西西比州立大学）
本文提出URA*方法，利用集成CNN从航空图像估计非道路可通行性，并通过不确定性感知规划与快速重规划提升自主导航路径质量，在多个数据集上优于传统规划算法。
2023-09-15 cs.AI 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
Quotient-Space Motion Planning
CNRS-AIST Joint Robotics Laboratory（CNRS-AIST联合机器人实验室）
运动规划算法通过计算穿过机器人的配置空间的路径来计算机器人的运动。为了提高运行时间的运动规划算法，我们建议嵌套机器人在彼此之间，创建一个嵌套的配置空间的约束空间分解。基于此分解，我们定义了一个新的基于路线图的运动规划算法称为商空间路线图规划（QMP）。该算法开始增长的最低维商空间上的一个图形，切换到下一个商空间一旦一个有效的路径已经找到，并不断更新每个商空间上的图形同时，直到一个有效的路径中的配置空间已经found.We表明，该算法是概率上完整的，并优于一组国家的最先进的算法实现在开放的运动规划库（OMPL）。
2018-08-03 cs.RO
Off-road Autonomous Vehicles Traversability Analysis and Trajectory Planning Based on Deep Inverse Reinforcement Learning
Key Lab of Machine Perception (MOE), Peking University（北京大学机器感知重点实验室（教育部））
地形可通过性分析是实现机器人在越野环境下自主行走的基础。基于几何和基于外观的方法已经研究了几十年，而基于行为的方法利用从演示示教学习（LfD）是新的趋势。基于行为的方法学习成本函数，指导轨迹规划符合专家的演示，这可以更可扩展到各种场景和驾驶行为。提出了一种基于深度最大熵逆强化学习的越野可通过性分析和轨迹规划方法。为了在解决状态空间复杂度指数增长的问题的同时结合车辆的运动学，使用了两个卷积神经网络，RL ConvNet和Svf ConvNet被开发用于将运动学编码到卷积核中，并实现高效的前向强化学习。我们在越野环境中进行实验。场景地图使用3D LiDAR数据生成，专家演示是车辆在场景中的真实行驶轨迹，或者是合成的轨迹，以表示特定的行为，例如穿越负面障碍物。在不同的能力场景下学习和测试了不同的可通行性分析成本函数，以指导不同行为的轨迹规划。我们还证明了所提出的方法的性能和计算效率。
2020-05-09 cs.LG cs.RO
A Distributed Multi-UGV Exploration Framework With Loop-Aware Planning and Descriptor-Aided Localization in Resource-Limited Environments
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械与车辆学院）；China North Artificial Intelligence & Innovation Research Institute, Collective Intelligence & Collaboration Laboratory (CIC)（中国北方人工智能与创新研究院集体智能与协作实验室）；Zhengzhou Intelligent Technology Research Institute, Beijing Institute of Technology（北京理工大学郑州智能科技研究院）
提出一种完全分布式的多无人地面车辆（UGV）探索框架，通过轻量级LiDAR全局描述符实现跨UGV环回检测，并结合环回感知分层规划，在资源受限环境中减少探索时间和行驶距离。
2026-06-09 cs.RO
A Vision-Language-Action Model with Visual Prompt for OFF-Road Autonomous Driving
Defense Innovation Institute, Academy of Military Sciences（军事科学院国防科技创新研究院）；Information Engineering College, Nanchang University（南昌大学信息工程学院）；Computer Science College, Xi’an Jiaotong University（西安交通大学计算机学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
本文提出OFF-EMMA模型，通过视觉提示和COT-SC策略提升越野自动驾驶轨迹规划的准确性和鲁棒性。
2026-01-12 cs.RO
Incremental Generalized Hybrid A*
University of Washington（华盛顿大学）；Technion-Israel Institute of Technology（技术ion-以色列理工学院）
Incremental Generalized Hybrid A*通过动态组织顶点扩展，提高了复杂动态下的实时规划效率。
2025-12-09 cs.RO
Self-Supervised Traversability Learning with Online Prototype Adaptation for Off-Road Autonomous Driving
College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院）
针对越野自动驾驶地形可通行性分析的数据集稀缺、标注成本高、实时性要求严等挑战，提出基于自监督学习的新方法，以BEV表示为输入，通过在线原型自适应消除手动标注需求，降低计算负担，实车实验验证其实时性与规划兼容性。
2025-04-16 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
Comparison of Path Planning Algorithms for Autonomous Vehicle Navigation Using Satellite and Airborne LiDAR Data
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；HUN-REN Institute for Computer Science and Control (SZTAKI)（HUN-REN计算机科学与控制研究所 (SZTAKI)）
本研究比较了多种路径规划算法在卫星和LiDAR数据生成的2D/3D道路网络上的性能，发现Dijkstra算法在路径成本、时间和内存方面表现最稳定高效，为自动驾驶静态地形导航提供了可靠选择。
2025-07-08 cs.AI cs.RO
