Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑，通过多模式串联实现名义无损喷雾，并与Boustrophedon路径规划下的反应式开关逻辑对比，分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Offline Grid-Based Coverage path planning for guards in games
McGill University（麦吉尔大学）
穷举覆盖的算法在视频游戏中有应用，可以实现自动游戏级探索。目前的设计使用简单的逻辑，经常导致性能差或表现出不自然的行为。在本文中，我们介绍了一种新的算法覆盖的二维多边形（孔）的地区。我们假设地图布局的先验知识，并使用基于网格的世界表示。从简单的布局到实际游戏中使用的更复杂的地图，对几种场景的实验分析显示出良好的性能。这项工作作为第一步，建立一个更有效的覆盖路径规划算法的非玩家角色。
2020-01-15 cs.AI cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题，并用序贯集合卡尔曼平滑器求解，显著降低计算成本。
2025-05-10 cs.RO
Path planning for unmanned surface vehicle based on predictive artificial potential field. International Journal of Advanced Robotic Systems
Beihang University（北京航空航天大学）
本文提出一种结合时间信息和预测势场的改进方法，用于提升无人水面车辆路径规划的效率和避障能力。
2026-02-22 cs.RO
Offline Time-Independent Multi-Agent Path Planning
Tokyo Institute of Technology（东京工业大学）
本文研究离线时间无关的多智能体路径规划（OTIMAPP）问题，旨在为智能体分配路径使其在异步运行且不共享资源时仍能无阻塞到达目标，并给出了解决条件、计算复杂度、求解器及机器人应用。
2023-04-08 cs.MA cs.RO
Offline Deep Model Predictive Control (MPC) for Visual Navigation
International Artificial Intelligence Center of Morocco（摩洛哥国际人工智能中心）；Mohammed VI Polytechnic University（穆罕默德六世理工大学）；ENSAM（高等艺术与制造学院）；Moulay Ismail University（穆莱·伊斯梅尔大学）
针对单RGB相机视觉导航问题，提出结合ViewNet与VelocityNet的离线深度MPC方法，在VT&R框架下实现轨迹跟随，兼具低计算资源需求与高精度，经仿真验证可有效降低轨迹度量误差。
2024-02-07 cs.RO
Consistency Trajectory Planning: High-Quality and Efficient Trajectory Optimization for Offline Model-Based Reinforcement Learning
Department of Information and Communication Engineering（信息与通信工程系）；The University of Tokyo（东京大学）；NEC Corporation（日本电装公司）
本文提出离线强化学习方法 CTP，利用 CTM 实现高效的单步轨迹生成，在 D4RL 基准上以超 120 倍推理加速达到可比性能，解决了扩散模型规划计算成本高的问题。
2025-07-13 cs.AI cs.LG 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
Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
Center for AI & Robotics（人工智能与机器人中心）；New York University Abu Dhabi（纽约大学阿布扎比分校）
针对冗余机械臂表面覆盖问题，提出基于广义生成树的离线与在线联合生成树覆盖算法，通过多IK解建模为广义最小生成树，实现无重复覆盖路径，仿真验证了其高效性。
2026-09-09 cs.RO
Real-Time Motion Planning of Legged Robots: A Model Predictive Control Approach
Agile & Dexterous Robotics Lab, ETH Zürich（苏黎世联邦理工学院敏捷与灵巧机器人实验室）
针对足式机器人的运动规划问题，提出了一种实时的【形】、有约束、非线性的模型预测控制。所提出的方法使用一个约束最优控制算法称为SLQ。我们通过引入一个多处理方案来估计价值函数，从而提高了该算法的效率。这道次通常被计算为一个单一的过程。这种并行SLQ算法可以优化更长的时间范围，而不会成比例地增加其计算时间。因此，我们的MPC算法可以在几毫秒内为接下来的几个运动阶段生成优化的轨迹。这比现有技术至少好一个数量级。该方法的性能验证四足机器人产生动态步态，如小跑。
2017-10-11 cs.RO
Dynamic Programming-Based Offline Redundancy Resolution of Redundant Manipulators Along Prescribed Paths with Real-Time Adjustment
School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院）；Zhejiang Demetics Medical Technology Co., Ltd.（浙江迪美特斯医疗科技有限公司）；Teachers College, Columbia University（哥伦比亚大学教师学院）；Zhejiang College of Sports（浙江体育学院）；Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳高等研究院）
针对离线规划缺乏实时调整、在线规划难以兼顾后续路径约束的问题，本文提出基于动态规划的冗余机械臂离线冗余度求解方法，通过计算调整系数变化全局上限，实现沿预定路径的法向实时调整与离在线规划融合。
2025-03-18 cs.RO
Fast Online Planning for Bipedal Locomotion via Centroidal Model Predictive Gait Synthesis
Beijing Research Institute of UBTECH Robotics（优必选机器人北京研究院）；Tsinghua University（清华大学）
将双足步行的全身运动规划和步行时间规划问题转化为一个模型预测控制（MPC）问题，需要在线求解一系列优化问题。虽然直接解决这些问题是非常耗时的，我们提出了一个预测步态合成器提供即时的解决方案。基于全维模型，离线构建了不同速度和周期的步态库。该步态合成器基于质心动力学的在线预测，通过对步态库进行合成，生成1kHz的实时步态。我们证明了所构造的MPC问题可以确保CoM状态的一致最终有界性（UUB），并表明我们提出的步态合成器可以为MPC优化问题提供可行的解决方案。仿真和实验结果与8自由度（DoF）的双足机器人提供这种方法的性能和鲁棒性。
2021-05-21 cs.RO
Adapting Neural Robot Dynamics on the Fly for Predictive Control
University of California San Diego（加州大学圣迭戈分校）；Kuwait University（科威特大学）
本文提出一种结合离线训练与高效在线更新的方法，用于实时适应神经机器人动力学模型，实现快速更新和鲁棒预测跟踪控制。
2026-09-09 cs.RO
Safe Motion Planning and Control Using Predictive and Adaptive Barrier Methods for Autonomous Surface Vessels
SENSEable City Laboratory, Massachusetts Institute of Technology（麻省理工学院可感知城市实验室）
针对自主水面船舶传统运动规划方法计算量大或过于保守的问题，本文结合MPC与自适应膨胀椭圆障碍物表示的高阶CBFs，提出安全运动规划策略，经仿真与实船实验验证可在保障安全的同时实现狭窄空间实时通行与死锁解决。
2025-10-01 cs.RO
Semantics-aware Predictive Inspection Path Planning
Norwegian University of Science and Technology（挪威科学技术大学）
本文提出SPP语义感知预测规划，通过识别语义场景图中的重复空间模式预测未见环境，并设计两种压载水舱巡检路径策略，仿真与真实船舶实验证明其可缩短巡检时间并保持覆盖率。
2025-06-06 cs.RO
Model Predictive Trajectory Planning for Human-Robot Handovers
TU Wien（维也纳技术大学）；AIT Austrian Institute of Technology GmbH（奥地利技术研究院有限公司）
本研究提出一种基于路径跟踪模型预测控制的人机交接轨迹规划方法，结合高斯过程回归预测交接位置以自适应调整路径偏差边界，经7自由度协作机械臂实验验证了其有效性与通用性。
2024-04-11 cs.RO
BiConMP: A Nonlinear Model Predictive Control Framework for Whole Body Motion Planning
Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
足式机器人的全身运动规划是具有挑战性的，由于在机器人动力学固有的非线性。在这项工作中，我们提出了一个非线性MPC框架，BiConMP，它可以有效地利用机器人动力学的结构在线生成全身轨迹。BiConMP用于在真实的四足机器人上生成各种循环步态，并在不同地形上评估其性能，对抗不可预见的推动并在不同步态之间在线过渡。此外，能力的BiConMP产生非平凡的非循环的全身动态运动的机器人。同样的方法也被用来产生各种动态运动的MPC上的人形机器人（Talos）和另一个四足机器人（AnYmal）的仿真。最后，一个广泛的实证分析的影响，规划水平和频率的非线性MPC框架的报告和讨论。
2022-09-15 cs.RO
Computationally-efficient Motion Cueing Algorithm via Model Predictive Control
Delft University of Technology（代尔夫特理工大学）；Toyota Motor Europe（丰田汽车欧洲公司）
针对基于MPC的运动提示算法在线计算成本高或离线存储需求大的问题，提出一种结合显式与隐式MPC的混合方法，利用查找表暖启动显著降低在线计算负担并保持良好跟踪性能。
2023-04-06 cs.RO
OffRIPP: Offline RL-based Informative Path Planning
Indian Institute of Technology Madras（马德拉斯印度理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Georgia Institute of Technology（佐治亚理工学院）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
提出基于离线强化学习的IPP框架OffRIPP，利用批量约束RL缓解外推误差，在无需实时交互下优化信息增益，兼具安全性与高效性，实验证明其优于基线方法。
2024-09-25 cs.AI cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics（国立信息学研究所）；Hunan University（湖南大学）
在自主应用的路径规划问题中，现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑，很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白，本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
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
Solving Simultaneous Target Assignment and Path Planning Efficiently with Time-Independent Execution
Tokyo Institute of Technology（东京工业大学）
针对多智能体的目标分配和路径规划的组合问题的实时规划，也称为多智能体路径查找（MAPF）的未标记版本，对于多智能体系统中的高层协调至关重要，例如，由机器人群体形成的模式。本文研究了两个方面的unlabeled-MAPF：（1）离线场景：解决大型实例的集中式方法与小的计算时间，（2）在线场景：执行unlabeled-MAPF，尽管真实机器人的时间不确定性。为此，我们提出了TSWAP，一种新的次优完整算法，它采取了任意的初始目标分配，然后重复一个时间步的路径规划与目标交换。TSWAP可以适应离线和在线场景。我们的经验表明，离线TSWAP是高度可扩展的，提供接近最佳的解决方案，同时减少运行时间的数量级相比，现有的方法。此外，我们提出了在线TSWAP的好处，如延迟容忍，通过真实的机器人演示。
2022-02-28 cs.MA cs.RO
Learning Near-global-optimal Strategies for Hybrid Non-convex Model Predictive Control of Single Rigid Body Locomotion
University of California, Los Angeles（加州大学洛杉矶分校）
凸模型预测控制（MPC）与一个单一的刚体模型已经证明了强大的性能在真正的足式机器人。然而，凸MPC受到它们的假设的限制，例如小旋转角度和预定义的步态，限制了潜在解决方案的丰富性。我们去掉了这些假设条件，用单刚体模型求解完全混合整数非凸规划。我们首先离线收集预先解决的问题的数据集，然后学习问题解决方案映射，以快速解决MPC的优化问题。如果可以找到热启动，离线问题可以解决接近全局最优。所提出的控制器进行测试，根据初始条件产生各种步态和行为。硬件测试演示了基于传感器反馈的在线步态生成和超过50 Hz的自适应运行。
2022-09-26 cs.RO
Intent Prediction-Driven Model Predictive Control for UAV Planning and Navigation in Dynamic Environments
Carnegie Mellon University（卡内基梅隆大学）
针对动态环境下无人机导航感知不可靠、轨迹易失效的问题，提出整合感知、MDP意图预测与MPC规划的导航框架，经仿真与实物实验验证，其碰撞次数少于基准方法，提升了导航安全性。
2025-03-23 cs.RO
Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering
Chair of Automatic Control Engineering（自动控制工程教授会）
本文提出一种结合随机模型预测控制与分支结构的方法，用于在多模态不确定性下进行运动规划，通过场景聚类提高实时计算性能并减少保守性。
2026-05-21 cs.RO
Resilient UAV Trajectory Planning via Few-Shot Meta-Offline Reinforcement Learning
Centre for Wireless Communications (CWC), University of Oulu（奥卢大学无线通信中心（CWC））
本文提出一种结合CQL与MAML的少样本元离线强化学习算法，用于无人机轨迹与调度优化，在无需在线交互的情况下实现更快收敛、最优AoI与功率联合优化，并对环境变化具有弹性。
2025-02-03 cs.AI cs.RO
Model Predictive Trajectory Optimization With Dynamically Changing Waypoints for Serial Manipulators
Technische Universität Wien (TUW)（维也纳技术大学）；AIT Austrian Institute of Technology GmbH（奥地利技术研究院有限公司）
针对短时域在线轨迹优化难以纳入动态路点的问题，提出路点模型预测控制（wMPC），通过分割规划时域并缩短时域长度，实现低计算负载的实时重规划，实验验证其性能与离线RRT型规划器相当。
2024-02-07 cs.RO
A Control Architecture with Online Predictive Planning for Position and Torque Controlled Walking of Humanoid Robots
Istituto Italiano di Tecnologia（意大利理工学院）；Università degli Studi di Genova（热那亚大学）；Google DeepMind（谷歌DeepMind）
人形机器人的行走模式的生成的一种常见方法包括采用分层控制架构。本文提出了一种由三个嵌套的控制回路组成的体系结构。外环利用机器人运动学模型来规划脚步位置。在中间层，预测控制器根据众所周知的桌车模型生成质心轨迹。通过一个全身逆运动学算法，我们可以定义关节参考位置控制行走。这两个循环的结果，然后解释为输入的堆栈的任务QP为基础的转矩控制器，这代表了所提出的控制架构的内环。由此产生的架构允许机器人也在扭矩控制下行走，保证更高水平的顺应性。在人形机器人iCub上进行了真实世界的实验。
2018-07-14 cs.RO
Online Trajectory Generation with Distributed Model Predictive Control for Multi-Robot Motion Planning
Dynamic Systems Lab（动态系统实验室）；Institute for Aerospace Studies（航空航天研究所）；University of Toronto（多伦多大学）
我们提出了一种分布式模型预测控制（DMPC）算法，以产生多个机器人的实时轨迹。我们采用了\textit{on-demand collision avoidance}方法在以前的工作中，有效地计算过渡任务中的非碰撞轨迹。提出了一种事件触发的重新规划策略，以考虑干扰。我们的仿真结果表明，所提出的碰撞避免方法可以减少，平均约50%的旅行时间需要完成一个多智能体点到点的过渡时，相比研究良好的缓冲Voronoi细胞（BVC）的方法。此外，它在具有高密度代理的过渡任务中显示出更高的成功率，在18 m^3的竞技场中，30个手掌大小的四旋翼代理的成功率超过90%。该方法通过一群多达20架的无人机近距离飞行进行了实验验证。
2020-01-24 cs.RO
Multi-Agent Feedback Motion Planning using Probably Approximately Correct Nonlinear Model Predictive Control
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins University Applied Physics Lab（约翰斯·霍普金斯大学应用物理实验室）
针对多机器人编队控制中的不确定性与避障难题，提出基于PAC-NMPC的分布式滚动时域反馈运动规划，结合陀螺避障终端代价，仿真验证其性能媲美集中式且抗噪、可扩展。
2025-01-21 cs.RO
Safe Reinforcement Learning with a Predictive Safety Filter for Motion Planning and Control: A Drifting Vehicle Example
State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；Professorship of Autonomous Vehicle Systems, Technical University of Munich（慕尼黑工业大学自主车辆系统教授职位）
提出一种结合预测安全滤波器的安全强化学习运动规划器，通过在线调整智能体动作确保自动驾驶漂移的安全与稳定，仿真显示其在跟踪误差和计算效率上优于传统方法。
2025-06-28 cs.RO
Learning Predictive Control with Deep Koopman Operators for Autonomous Vehicle Motion Planning
National Natural Science Foundation of China（国家自然科学基金委员会）；Science and Technology Innovation Program of Hunan Province（湖南省科技创新计划）
提出一种结合深度Koopman算子的学习预测控制框架，通过提升非线性动力学到线性可观测空间，并利用滚动时域演员-评论家学习生成闭环状态反馈策略，在非凸约束下实现高效、安全的实时运动规划。
2026-06-06 cs.RO
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology（吕勒奥理工大学）
本文研究了利用多个无人机对复杂基础设施进行检测（离线三维重建）的协同覆盖路径规划（C-CPP）问题。该方案基于基础设施的先验3D模型，能够为无人机生成多条路径，以便在短时间内实现完整的合作覆盖。最初，被检查的基础设施被水平平面切片，其具有识别结构的分支的能力，并且这些分支将被处理为UAV的路径规划的断点，以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务，并且更现实。通过利用SLAM和运动恢复结构方法，利用单目或立体传感器，将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 cs.RO
Safety Reinforced Model Predictive Control (SRMPC): Improving MPC with Reinforcement Learning for Motion Planning in Autonomous Driving
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本研究提出安全增强型MPC，利用强化学习改进自动驾驶中的运动规划，通过约束强化学习确保安全性和性能
2025-12-03 cs.RO
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology（查尔姆斯理工大学）
针对密集交通中自动驾驶车辆的最优轨迹规划问题，提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架，经仿真验证，其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego（加州大学圣地亚哥分校）
Kinodynamic运动规划（Kinodynamic Motion Planning，KMP）是在运动学和动力学约束下，寻找机器人运动的方法。到目前为止，相当多的方法解决KMP问题和那些存在的斗争，找到接近最优的解决方案，并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战，我们提出了一个可扩展的，模仿学习为基础的，模型预测运动规划网络框架，快速找到接近最优的路径解决方案，最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器，神经网络，和一个并行模型预测控制器（MPC）。生成器向给定目标输出各种通知状态，鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时，局部地连接所选择的通知状态，从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱，kinodynamically约束，欠驱动的规划问题，结果表明显着改善计算时间，路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG cs.RO
Mining the Long Tail: A Comparative Study of Data-Centric Criticality Metrics for Robust Offline Reinforcement Learning in Autonomous Motion Planning
Independent Researcher（独立研究者）
本研究针对自动驾驶离线强化学习中的长尾数据不平衡问题，系统比较了六种关键性加权数据筛选策略，发现基于模型不确定性的非均匀采样能将碰撞率降至5.5%，并揭示了时间步与场景级加权在安全性与规划上的权衡。
2025-09-16 cs.AI cs.LG cs.RO
Adaptive Science Operations in Deep Space Missions Using Offline Belief State Planning
Department of Aeronautics and Astronautics, Stanford University, Stanford, CA, 94305, USA（斯坦福大学航空航天系）；Intelligent Systems Division, NASA Ames Research Center, Moffett Field, CA, 94035, USA（美国航空航天局阿姆斯研究中心智能系统分部）
本文提出基于POMDP的离线信念状态规划方法，用于深空任务中自适应科学仪器调度，通过整合贝叶斯网络提升数据可解释性与计算效率，并在Enceladus Orbilander任务中验证了其有效性。
2026-01-10 cs.AI cs.RO
Model Predictive Planning: Trajectory Planning in Obstruction-Dense Environments for Low-Agility Aircraft
Northeastern University（东北大学）；The Charles Stark Draper Laboratory（查尔斯·斯塔克·德拉普尔实验室）
针对低机动性飞行器在密集障碍环境中轨迹规划易出现优化不可行的问题，提出包含多路径规划、光线追踪约束生成和凸二次规划的MPP方法，通过多候选路径提升可行轨迹概率，并在纵向飞行器模型上验证有效性。
2024-09-13 cs.RO cs.SY eess.SY
Reinforcement learning based local path planning for mobile robot
Kahramanmaraş İstiklal University（卡赫拉曼马拉什独立大学）；Kahramanmaraş Sütçüimam University（卡赫拉曼马拉什苏楚伊玛姆大学）
本研究评估基于深度Q-Learning（DQN）和深度DQN的强化学习方法，用于移动机器人在线局部路径规划，以解决离线重规划与在线数据需求问题，实现避障导航。
2023-10-24 cs.AI cs.RO
Map-Predictive Motion Planning in Unknown Environments
Stanford University（斯坦福大学）；Harvard University（哈佛大学）
用于未知环境中的运动规划的算法通常受限于它们推理未观察到的环境的结构的能力。因此，当前方法通常通过依赖于探试法来沿着边界选择中间目标来导航未知环境。我们提出了一个统一的方法，结合地图预测和运动规划安全，时间效率高的自主导航未知环境的动态约束机器人。我们提出了一个数据驱动的方法来预测地图的未观察到的环境，使用机器人的观察其周围环境的背景。然后，这些地图预测用于规划从机器人的位置到目标的轨迹，而不需要边界选择。我们证明，我们的地图预测运动规划策略产生了显着改善的轨迹时间在一个天真的前沿追求方法，并表现出类似的性能，使用更复杂的前沿选择算法的方法，具有显着更短的计算时间。
2019-10-17 cs.RO cs.SY eess.SY
Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows
IEEE
本文提出基于归一化流的采样方法，用于提高自动驾驶轨迹规划的效率和探索能力。
2026-02-06 cs.LG cs.RO
Diffusion Models as Optimizers for Efficient Planning in Offline RL
University of Electronic Science and Technology of China（电子科技大学）；Tongji University（同济大学）
针对离线强化学习中Diffusion models推理过程漫长的问题，提出Trajectory Diffuser，将采样分解为可行轨迹生成与优化，利用自回归模型加速生成并保留扩散优化，在D4RL上实现3-10倍提速且性能更优。
2024-07-23 cs.AI cs.CV cs.LG
Probabilistic Constraint Tightening Techniques for Trajectory Planning with Predictive Control
Clemson University（克莱姆森大学）；Huawei（华为）
为了使自动移动车辆在现实世界中以最小的碰撞风险导航，其规划算法必须考虑来自测量和环境干扰的不确定性。在本文中，我们认为，在这种不确定性的存在下，两个机器人车辆之间的相互碰撞概率的保守近似的解析解。在那里，我们提出了两种方法，我们称之为单一的缩放和主轴旋转，解耦的二元积分的有效近似的两辆车之间的碰撞概率，包括方向的影响。我们比较这些方法的保守性分析和数值。通过关闭一个控制回路，通过模型预测制导方案，我们观察到，通过蒙特卡罗模拟，直接实施防撞约束的保守近似仍然是不可行的实时规划。然后，我们提出并实现了一个凸化方法的基础上收紧碰撞约束，显着提高了计算效率和鲁棒性的预测制导方案。
2022-12-15 cs.RO cs.SY eess.SY
Energy-Aware Predictive Motion Planning for Autonomous Vehicles Using a Hybrid Zonotope Constraint Representation
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出一种基于MPC的无人飞行器耦合运动与能量规划策略，利用约束和混合zonotope表示约束，并在混合整数二次规划求解器中实现实时规划。
2024-11-15 cs.RO cs.SY eess.SY
Interaction and Decision Making-aware Motion Planning using Branch Model Predictive Control
KTH Royal Institute of Technology（瑞典皇家理工学院）；UC Berkeley（加州大学伯克利分校）
与人类驾驶员共享道路的自动驾驶车辆的运动规划仍然具有挑战性。困难来自三个具有挑战性的方面：1）人类驾驶员是多模式的，2）与自动驾驶汽车交互，3）根据交通场景的当前状态主动做出决策。本文提出了一种基于分支模型预测控制的运动规划框架。通过考虑与人类驾驶员所做的不同决定相关联的多个未来结果来解决多模态。人类的互动性质被认为是通过建模他们的自主车辆的行动影响的反应代理。最后，我们考虑在人类神经科学研究中开发的模型，作为编码人类驾驶员决策过程的一种可能方式。我们提出了在各种情况下的仿真结果，显示所提出的方法的优点和它的能力，计划自信的演习，传达意图给人类。
2023-01-31 cs.RO cs.SY eess.SY
Online Motion Planning based on Nonlinear Model Predictive Control with Non-Euclidean Rotation Groups
TU Dortmund University（多特蒙德工业大学）
提出了一种基于非线性模型预测控制的机器人在线运动规划方法。常见的方法依赖于纯欧几里德优化参数。然而，在机器人导航中，状态空间通常包括跨越非欧几里德旋转组的旋转分量。所提出的方法适用于非线性增量和差分算子在整个优化方案，明确考虑这些群体。实现包括但不限于二次型和时间最优目标。一个复杂的停车场景的运动自行车模型证明了该方法的有效性和实际意义。在更简单的机器人（例如差动驱动）的情况下，在层次规划设置中的比较分析揭示了可比的计算时间和性能。该方法可在模块化和高度可配置的开源C++软件框架中使用。
2020-06-05 cs.RO cs.SY eess.SY
Motion Planning for Mobile Manipulators Navigating Doorways via Model Predictive Control
The Pennsylvania State University（宾夕法尼亚州立大学）；AlphaZ Inc.（AlphaZ公司）
针对移动机械臂在人类环境中穿越 doorway 的需求，提出基于非线性 MPC 的耦合系统运动规划框架，经仿真与硬件实验验证可生成无碰撞的 door 穿越轨迹。
2026-08-04 cs.RO cs.SY eess.SY
Energy-efficient Hybrid Model Predictive Trajectory Planning for Autonomous Electric Vehicles
School of Information Technology, Monash University Malaysia（马来西亚莫纳什大学信息技术学院）；School of Engineering, Monash University Malaysia（马来西亚莫纳什大学工程学院）；Institute for Infocomm Research, A*STAR（新加坡科研局信息通信研究所）；National Science Library, Chinese Academy of Sciences（中国科学院国家科学图书馆）
针对电动汽车续航与充电挑战，提出无需额外硬件的节能型混合模型预测规划器(EHMPP)，仿真验证其能提升11.74%被动回收能量并有效提升自动驾驶电动汽车能源效率。
2024-11-09 cs.AI cs.RO
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University（奥托·冯·格里克大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Darmstadt（达姆施塔特工业大学）
自动驾驶车辆的规划和控制通常是分层分离的。然而，不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划，并将控制和规划紧密集成，以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式，以增加灵活性和性能，而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性，但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性，而问题的分层分解降低了计算成本，并使实时实现。我们推导出递归可行性的条件，以确保约束满足和避障，以保证安全，并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO cs.SY eess.SY
Conflict-Based Model Predictive Control for Scalable Multi-Robot Motion Planning
Carnegie Mellon University（卡内基梅隆大学）
本文提出CB-MPC算法，借鉴CBS的高层冲突树在连续空间高效解决多机器人冲突，并用MPC处理个体运动学和动力学约束，相比联合、优先级和分布式MPC变体，在多种环境中提升了可执行性、成功率和交互紧密性，同时显著降低计算成本。
2024-04-01 cs.MA cs.RO
Interactive multi-modal motion planning with Branch Model Predictive Control
California Institute of Technology（加州理工学院）
自主机器人和车辆的运动规划存在的不受控制的代理仍然是一个具有挑战性的问题，因为反应行为的不受控制的代理必须考虑。由于不受控制的智能体通常表现出多模态反应行为，运动规划器需要解决这些行为下的连续运动规划问题，其中包含离散元素。我们提出了一个分支模型预测控制（MPC）框架，计划反馈策略，利用不受控制的代理的反应行为。特别是，一个场景树是从一个有限的一组不受控制的代理的政策，和分支MPC解决了反馈策略的轨迹树的形式，共享相同的拓扑结构的场景树。此外，一致的风险度量，如条件风险价值（CVaR）被用作调整旋钮，以调整性能和鲁棒性之间的权衡。建议的分支MPC框架进行测试的超车和变道任务和合并任务的自动驾驶车辆的模拟，并在实验中的一个自主四足机器人旁边的不受控制的四足动物的运动规划。结果展示了有趣的人类行为，实现了安全和性能之间的平衡。
2021-09-18 cs.RO cs.SY eess.SY
Safe Robust Predictive Control-based Motion Planning of Automated Surface Vessels in Inland Waterways
Dept. of Mechanical Engineering, Clemson University（机械工程系，克莱姆森大学）
针对内河航道自主水面船舶导航面临的狭窄通道、高交通密度和水动力扰动挑战，提出结合鲁棒模型预测控制与控制屏障函数的运动规划方法，以安全约束确保碰撞避免，仿真验证了其有效性和安全性。
2025-09-08 cs.RO cs.SY eess.SY
Multi-robot Path Planning and Scheduling via Model Predictive Optimal Transport (MPC-OT)
Amazon Robotics（亚马逊机器人技术）
针对多机器人前往多目标时路径重叠导致死锁的问题，提出融合最优传输与模型预测控制的MPC-OT方法，实现最优、不重叠且可适应动力学的路径规划与调度。
2025-08-28 cs.LG cs.RO
