Learning How to Trade-Off Safety with Agility Using Deep Covariance Estimation for Perception Driven UAV Motion Planning
Istanbul Technical University（伊斯坦布尔理工大学）；Turkish-German University（土耳其-德国大学）
针对敏捷无人机导航任务，研究了如何利用预测模型选择基于感知不确定性估计的运动规划策略。虽然有各种各样的运动规划和感知算法，这样的任务，感知的不确定性的影响是没有明确地处理在许多当前的运动算法，这导致在现实生活中的情况下，测量往往是嘈杂的，由于外部干扰的性能损失。我们开发了一个新的框架嵌入感知不确定性的高层次运动规划管理，以选择最好的可用运动规划方法，目前估计的感知不确定性。我们使用深度神经网络（CovNet）来估计视觉输入的不确定性，该深度神经网络明确预测当前测量的协方差。接下来，我们训练一个高级机器学习模型，用于在给定协方差的当前估计以及UAV状态的情况下预测最低成本的运动规划算法。我们证明了现实生活中的数据和无人机竞赛模拟，我们的方法，命名为不确定性驱动的运动规划切换器（UDS）产生的最安全和最快的轨迹之间比较的替代品。此外，我们表明，开发的方法学习如何权衡安全与敏捷性切换到运动规划，导致更敏捷的轨迹时，估计的协方差是高的，反之亦然。
2020-12-11 cs.RO cs.SY eess.SY
Reactive Locomotion Decision-Making and Robust Motion Planning for Real-Time Perturbation Recovery
Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们研究的问题，推动恢复双足机器人运动，并提出了一个反应性的决策和鲁棒规划框架运动弹性外部扰动。拒绝扰动是一个基本的能力，双足机器人，并已被广泛研究的运动文献。然而，对抗性干扰和侵略性转向可导致负的横向步长（即，交叉腿场景）具有不稳定运动和自碰撞风险。这些运动规划问题在计算上是困难的，并且还没有在分层集成的任务和运动规划方法下进行探索。我们探讨了一个规划和决策框架，紧密联系的线性时间逻辑为基础的反应合成与轨迹优化，结合机器人的全身动力学，运动学和腿部碰撞避免的限制。在高层次的离散符号决策和低层次的连续运动规划之间，行为树作为一个反应接口来处理运动过程中任何时候发生的扰动。我们的实验结果表明，我们的方法在产生弹性恢复行为响应于不同的扰动从任何方向与有界的幅度的有效性。
2022-03-02 cs.RO cs.SY eess.SY
iPolicy: Incremental Policy Algorithms for Feedback Motion Planning
Shanghai University（上海大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出iPolicy增量策略算法，通过集成采样与集值最优控制方法，在采样状态空间上执行异步值迭代以同时解决路径规划与控制器综合问题，并证明了其收敛性。
2024-01-05 cs.RO cs.SY eess.SY
Optimization-Based Motion Planning for Autonomous Agricultural Vehicles Turning in Constrained Headlands
University of California, Davis（加利福尼亚大学戴维斯分校）
针对自主农业车辆在狭窄不规则地头转弯困难的问题，提出一种基于优化的运动规划算法，在田间几何与障碍物约束下生成平滑无碰撞的转弯轨迹。
2024-06-11 cs.RO cs.SY eess.SY
Planning with SiMBA: Motion Planning under Uncertainty for Temporal Goals using Simplified Belief Guides
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出一种多层运动规划算法，利用系统简化模型的轨迹在组合任务和信念空间中引导基于采样的搜索树，解决线性时序逻辑规范下的运动与感知不确定性问题，避免了构建精细有限抽象，显著加速了复杂规范下的规划。
2023-04-09 cs.FL cs.RO cs.SY
Reactive motion planning with probabilistic safety guarantees
California Institute of Technology（加州理工学院）
多智能体环境中的运动规划对于许多重要的自主应用（如自主车辆和辅助机器人）至关重要。研究了受控智能体与多个不受控智能体共享环境的运动规划问题。首先，训练不受控制的代理的预测模型，以基于场景在短时间内预测所有可能的轨迹。然后将预测馈送到基于模型预测控制的运动规划模块。我们使用三种不同的方法，后膨胀，支持向量机（SVM），和共形分析，所有能够生成随机保证的预测模型的预测的正确性证明了泛化界。所提出的方法在模拟自动驾驶公路的情况下进行了仿真。
2020-11-26 cs.LG cs.RO cs.SY
CIAO$^\star$: MPC-based Safe Motion Planning in Predictable Dynamic Environments
University of Freiburg（弗赖堡大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
几十年来，机器人一直在动态环境中运行并共享机器人。然而，大多数基于优化的运动规划方法不考虑其他代理（例如，人类或其他机器人）的移动，因此在这种情况下不能保证避免碰撞。本文基于凸内近似（CIAO）方法，提出了一种运动规划算法，保证在可预测的动态环境中避免碰撞。此外，它推广了CIAO的自由区域的概念，以任意的规范，并提出了一个成本函数近似的时间最优运动规划。所提出的方法，CIAO $^\star$，发现kinodynamically可行的和无碰撞的轨迹约束的单体机器人使用模型预测控制（MPC）。它优化一个代理的运动，并考虑周围代理和障碍物的预测运动。实验评估表明，CIAO $^\star$达到接近时间最优的行为。
2020-05-25 cs.RO cs.SY eess.SY
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 cs.RO
Motion Memory: Leveraging Past Experiences to Accelerate Future Motion Planning
George Mason University（乔治梅森大学）
本文提出 Motion Memory 方法，将过往规划经验以黑盒或白盒方式复用于不同运动规划器，在三万多个实例上验证其可显著缩短规划时间。
2024-03-13 cs.RO
Designing Multi-Stage Coupled Convex Programming with Data-Driven McCormick Envelope Relaxations for Motion Planning
University of California, Los Angeles（加州大学洛杉矶分校）
对于多肢机器人，由于非线性的存在，具有姿态和力约束的运动规划往往是一个困难的优化问题，这也会导致求解时间的延长。我们提出了一个多阶段的优化框架与数据驱动的级间耦合约束，以解决非线性。聚类和进化的方法来找到麦考密克信封松弛被用来找到特定问题的参数。然后在先前阶段中使用所学习的约束，这提供了后续阶段的高级知识。这导致改进的求解时间和结果的可解释性。规划器通过10公斤的六足机器人上的多个行走和攀爬任务进行验证。
2021-09-14 cs.RO
PAAMP: Polytopic Action-Set And Motion Planning for Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming
Robotics Engineering Department, Worcester Polytechnic Institute（沃斯特理工学院机器人工程系）；Electrical Engineering Department, California Polytechnic State University（加州州立大学弗雷斯诺分校电子工程系）
本文提出PAAMP方法，通过多边形动作集将长时间动态运动规划转化为混合整数线性规划问题，用于解决复杂动态系统中的运动规划与约束满足问题。
2024-08-28 cs.RO
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣地亚哥分校）
基于搜索的运动规划已被用于移动机器人的许多应用。然而，由于微型飞行器（MAVs）复杂的动力学和实时计算的要求，它还没有得到充分的发展和应用，规划的全状态轨迹。在本文中，我们探讨了一个基于搜索的运动规划框架，计划动态可行的，无碰撞，分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法，以解决三个重要的情况下，微型飞行器导航：（i）规划安全的轨迹存在的运动不确定性;（ii）规划与约束的视野和（iii）规划在动态环境中。我们表明，这些问题可以有效地解决，高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 cs.RO
Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models
Zachry Department of Civil and Environmental Engineering, Texas A&M University（德克萨斯A&M大学Zachry土木与环境工程系）
本文提出流运动策略，一种基于流匹配模型的机械臂运动规划方法，通过生成路径分布实现高效推理优化。
2026-08-18 cs.AI cs.RO
Free-configuration Biased Sampling for Motion Planning: Errata
本文档包含我们的论文“用于运动规划的自由配置偏置采样“中提出的采样方法的改进和更新的收敛性证明。
2013-11-03 cs.AI cs.RO
Group-Control Motion Planning Framework for Microrobot Swarms in a Global Field
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出面向全局场微型机器人群体的 group-control 运动规划框架，证明 STLC 条件及最少分组数，并分析复杂度权衡与基元设计。
2024-12-10 cs.RO
Sampling-Based Motion Planning: A Comparative Review
本文系统综述基于采样的运动规划算法，梳理其历史、代表性规划器及扩展，并在24个挑战性问题上进行比较评估，为研究者和实践者提供选型指南。
2023-09-22 cs.RO
A Multi-stage Probabilistic Algorithm for Dynamic Path-Planning
Universidad Técnica Federico Santa María（费德里科·圣玛丽亚技术大学）；INRIA（法国国家信息与自动化研究所）；LORIA（洛林计算机科学及其应用实验室）
概率抽样方法已经成为解决单次射击路径规划问题的一种非常流行的方法。特别是快速探索随机树（RRT）已被证明是有效的解决高维问题。尽管已经提出了几种RRT变体用于动态重新规划，但这些方法仅在不频繁变化的环境中表现良好。本文针对动态路径规划问题，结合简单的技术，在多阶段的概率算法。该算法使用RRT进行初始规划和知情的本地搜索导航。我们表明，这种简单的技术组合提供了更好的响应高度动态的环境比RRT扩展。
2009-12-01 cs.AI cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University（莱斯大学）
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库，利用了流行的MoveIt库和机器人操作系统（ROS）中间件。Robowflex提供了一个增强的API，用于在单个程序中制作和操作运动规划查询，使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例，同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1）开发新的运动规划器，2）评估运动规划器，以及3）使用运动规划作为子例程的复杂问题（例如，任务和运动规划）。Robowflex还提供可视化功能，与其他机器人库的集成（例如，DART和Tesseract），并补充其他机器人软件包。使用我们的库，用户不需要是ROS或MoveIt的专家，就可以设置运动规划查询，从结果中提取信息，并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹，高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术，以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处，在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架，用于UR5e机械臂的主动碰撞避免，以提升人机协作安全性。
2026-09-29 cs.RO
Towards Efficient Motion Planning for UAVs: Lazy A* Search with Motion Primitives
University of Southern California（南加州大学）；University of Michigan（密歇根大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文针对无人机机载计算资源受限导致实时规划困难的问题，将惰性搜索概念引入基于搜索的规划算法，提出基于运动基元的 Lazy A* 搜索方法，可高效找到无碰撞且动态可行的最优轨迹，显著提升计算效率。
2024-11-12 cs.RO
Potential Based Diffusion Motion Planning
Brown University（布朗大学）；MIT（麻省理工学院）
针对高维空间运动规划易陷局部极小值的问题，提出基于神经网络学习易优化势函数的运动规划方法，性能优于现有方法且具备良好约束泛化能力。
2024-07-08 cs.CV cs.LG cs.RO
Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments
George Mason University（乔治梅森大学）
针对部分建图环境中运动规划重规划开销大、易振荡的问题，提出结合高层离散层与历史解引导运动树扩展的增强型采样规划框架，有效提升规划速度与解的一致性。
2023-06-15 cs.RO
ST-RRT*: Asymptotically-Optimal Bidirectional Motion Planning through Space-Time
TU Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）
我们提出了一个运动规划器规划通过动态障碍物，速度约束，和未知的到达时间的时空。我们的算法，时空RRT*（ST-RRT*），是一个概率完全，双向运动规划算法，这是渐近最优的最短到达时间。我们实验评估ST-RRT* 在两个抽象的（2D磁盘，8D磁盘在混乱的空间，并在一个狭窄的通道问题），和模拟机器人路径规划问题（顺序规划的8DoF移动机器人，和7 DoF机械臂）。所提出的规划优于RRT连接和RRT* 的初始解决方案的时间，并达到最终的解决方案的成本。ST-RRT* 的代码可在开放式运动规划库（OMPL）中找到。
2022-03-04 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University（Innopolis大学）
通常，最佳运动规划可以局部地和全局地执行。在这种规划中，选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此，最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时，要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此，本研究的首要目标是分析相关文献，以了解如何制定的运动规划，特别是轨迹规划，问题时，被应用于实时生成最佳轨迹的多旋翼飞行器（MAVs），影响所列指标。作为研究的结果，轨迹规划问题被分解为一组子问题，并确定和详细描述了解决每个问题的方法列表。随后，对2010年至2022年期间最突出的成果进行了总结，并以时间轴的形式进行了介绍。
2023-01-30 cs.RO
Cooperative Motion Planning for Non-Holonomic Agents with Value Iteration Networks
Daimler R&D（戴姆勒研发中心）；FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
协作运动规划仍然是机器人面临的一个具有挑战性的课题。最近，价值迭代网络（VIN）被提出来建模运动规划任务作为神经网络。在这项工作中，我们扩展VIN解决非完整约束下的合作规划任务。为此，我们将多个VIN互连，以尊重彼此的输出。通过迭代梯度下降生成合作策略。仿真验证表明，所得到的网络可以解决非完整运动规划问题，需要合作。
2017-09-15 cs.MA cs.RO
Dispersion-Minimizing Motion Primitives for Search-Based Motion Planning
University of Pennsylvania（宾夕法尼亚大学）
基于搜索的运动基元规划是一种功能强大的运动规划技术，可以在非结构化环境中的尺寸、重量和功率受限的平台上提供动态可行性、最优性和实时计算时间。然而，运动规划图的优化设计，而规划器的性能至关重要，还没有一个主要的重点，以前的工作。本文提出了解决这个问题，通过引入一种方法，选择顶点和边的运动基元图，是在采样理论的基础上，并导致理论保证计划的完整性。通过最小化由轨迹成本引起的度量空间中的图顶点的分散度，我们用我们的运动基元图最优地覆盖可行轨迹的空间。与由均匀输入空间采样定义的基线运动基元相比，我们的运动基元图具有较低的分散度，找到了一个具有较少迭代的图搜索的计划，并且只有一个参数要调整。
2021-03-26 cs.RO
A review of motion planning algorithms for intelligent robotics
University of Eastern Finland（东芬兰大学）；Shenzhen Technology University（深圳技术大学）
研究和分析了典型的运动规划算法的原理。这些包括传统的规划算法，监督学习，最优值强化学习，策略梯度强化学习。我们研究的传统规划算法包括图搜索算法、基于采样的算法和插值曲线算法。监督学习算法包括MSVM、LSTM、MCTS和CNN。最优值强化学习算法包括Q学习、DQN、双DQN、决斗DQN。策略梯度算法包括策略梯度法、行动者-批评者算法、A3 C、A2 C、DPG、DDPG、TRPO和PPO。通过分析比较，提出了评价运动规划算法性能和应用的新的通用标准。重点分析了最优值算法和策略梯度算法的收敛速度和稳定性。根据运动规划算法的原理和分析比较，提出了未来的发展方向。本文对机器人运动规划算法的优缺点、相互关系和未来发展趋势有了一个清晰全面的认识，为更好的运动规划算法的研究铺平了道路。
2021-02-05 cs.AI cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架，融合视觉基础模型提升机器人操作与运动规划，实现实时调整和持续学习，并通过实验验证其在动态环境中的部署潜力。
2023-09-20 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
Parameterization of configuration space obstacles in three-dimensional rotational motion planning
Warsaw University of Technology（华沙理工大学）
本研究探讨三维旋转运动规划中位形空间的精确几何。对于给定的三角剖分或球近似场景，物体绕给定点旋转，导出了位形空间障碍物的参数化。所获得的结果是一个重要的一步，走向一个完整的描述丰富的结构的配置空间在三维旋转运动规划。
2017-09-19 cs.CG cs.RO
T* : A Heuristic Search Based Algorithm for Motion Planning with Temporal Goals
NetApp India（NetApp印度公司）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；SAP India（SAP印度公司）
运动规划是自主移动机器人应用开发中需要解决的核心问题。基本的运动规划问题涉及为机器人生成用于点到点导航的轨迹，同时避开障碍物。基于启发式的搜索算法，如A* 已被证明是非常有效的解决这样的规划问题。最近，已经有越来越多的兴趣，在指定复杂的运动计划，使用时间逻辑。在最先进的算法中，时间逻辑运动规划问题减少到一个图搜索问题和Dijkstra的最短路径算法用于计算满足规格的最优轨迹。A* 算法在使用适当的启发式算法时，可以有效地生成图中的最优路径。在时序逻辑路径规划中使用A* 算法的主要挑战是没有机器人的单一目的地状态的概念。在这篇论文中，我们提出了一种新的运动规划算法T*，它使用了时间逻辑路径规划\emph{opportunistically}中的A* 搜索过程来生成满足时间逻辑查询的最优轨迹。我们的实验结果表明，T* 实现了一个数量级的改进，比国家的最先进的算法，以解决许多时间逻辑运动规划问题。
2019-10-02 cs.RO
COAST: Constraints and Streams for Task and Motion Planning
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究所）
针对现有TAMP算法扩展性差、求解耗时久的问题，提出概率完备的采样式算法COAST，结合基于流的运动规划与高效约束任务规划策略，在三个测试域中累计任务规划时间较基线快一个数量级。
2024-05-14 cs.RO
Decision-Time Postponing Motion Planning for Combinatorial Uncertain Maneuvering
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
运动规划涉及城市驾驶中组合机动变量之间的决策。规划者必须考虑机动变量的不确定性和相关风险，并随后选择机动方案。在本文中，我们提出了一种规划方法，考虑预测中的不确定性，并在高不确定性的情况下，推迟到以后的时间内的规划范围内的组合决策。使用我们提出的方法，计划安全但同时不过度保守的运动。
2020-12-13 cs.RO
Spatio-Temporal Lattice Planning Using Optimal Motion Primitives
University of Waterloo（滑铁卢大学）
本文将任意格上的最小t-张成运动基元选择建模为混合整数线性规划，并结合基于A*的规划与振荡消除算法，在停车场和高速场景验证了自动驾驶效果。
2023-07-17 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
Robust Task and Motion Planning for Long-Horizon Architectural Construction Planning
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在建筑和施工过程中集成机器人系统是提高建筑行业效率的核心兴趣。此类系统的自动规划使设计分析工具成为可能，并为设计师和工程师提供更快的设计迭代周期。然而，通用的任务和运动规划（TAMP）的长期建设过程是超出了目前的方法的能力。在本文中，我们开发了一个多智能体TAMP框架的长期问题，如建设一个全面的建设。为此，我们通过基于采样的运动规划，有限的地平线的方法，和特定于任务的结构稳定性优化，允许有效的任务分解的逻辑几何规划框架。我们表明，我们的框架是能够构建一个大型展馆从几百个几何独特的建筑元素从开始到结束自主。
2020-03-17 cs.RO
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
Motion planning in high-dimensional spaces
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
运动规划是一个关键的工具，使机器人导航通过一个环境中没有碰撞。机器人运动规划的问题已经在过去的几十年中进行了详细的研究，研究人员最初专注于平面移动机器人和低自由度（DOF）机器人手臂等系统。高自由度机器人必须在复杂的动态环境中实时的执行任务，因此需要快速的运动规划算法。在这篇综述中，我们讨论了几种类型的策略，运动规划在高维空间和剖析其中的一些，即基于网格搜索，基于采样和轨迹优化的方法。我们比较了它们，并概述了它们的优点和缺点，最后，提供了一个洞察未来的研究机会。
2018-07-19 cs.RO
Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院）
运动规划是机器人完成不同任务所必需的。快速探索随机树（RRT）及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而，它们在许多复杂环境中表现不佳，因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中，我们提出了一种新的机器人运动规划算法，利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明，我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints
Department of Computer Science, University of Innsbruck（因斯布鲁克大学计算机科学系）
本文提出了一种基于对象中心抽象的统一任务与运动规划方法，利用现成AI启发式搜索生成物理可行计划，无需复杂几何推理。
2026-01-30 cs.AI cs.RO
Comment on "A Real-Time Approach for Chance-Constrained Motion Planning with Dynamic Obstacles"
Delft University of Technology（代尔夫特理工大学）
本文介绍了使用机会约束模型预测控制（MPC）解决一个水平基准避碰问题的结果。
2020-06-04 cs.RO
Urban Metric Maps for Small Unmanned Aircraft Systems Motion Planning
University of Michigan（密歇根大学）
小型无人机系统（UAS）低空城市飞行规划需要精确的飞行器、环境地图和风险模型，以确保飞行计划考虑城市景观以及空域约束。本文提出了一套运动规划指标设计的小型无人机城市飞行。我们定义了基于地图和基于路径的指标，从整体上表征运动计划的质量。建议的指标检查的背景下，代表性的几何，图形为基础的，基于采样的运动规划应用于多旋翼小型无人机。提出了一种新的多目标启发式算法，并应用于基于图和采样的运动规划器在四个城市无人机飞行高度层。蒙特卡洛案例研究在纽约市的城市环境说明度量地图属性和规划师的性能。运动计划被评估为规划算法、位置、范围和飞行高度的函数。
2021-02-14 cs.RO
Ontological Physics-based Motion Planning for Manipulation
Institute of Industrial and Control Engineering (IOC)（工业与控制工程研究所）；Universitat Politcnica de Catalunya (UPC) – Barcelona Tech（加泰罗尼亚理工大学 – 巴塞罗那科技大学）
机器人操作涉及机器人和物体之间发生接触的动作。在这个范围内，基于物理的引擎的可用性允许运动规划器包括刚体之间的动力学，这对于规划这种类型的动作是必要的。然而，基于物理的运动规划由于状态空间的高维度以及需要以低积分步骤工作以找到精确的解而在计算上是密集的。另一方面，操纵动作改变了进一步动作和运动的环境和条件。为了解决这个问题，使用本体表示的操作动作，使基于语义的推理过程，减少了运动规划的计算成本。本文提出了一个操作规划框架，其中基于物理的运动规划与本体知识表示和推理增强。该建议已被实施，并说明和验证了一个简单的例子。它在杂乱环境中抓取任务的用途目前正在开发中。
2017-10-29 cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology（麻省理工学院）
本文介绍了概率Chekov（p-Chekov），一个机会约束运动规划系统，可应用于高自由度（DOF）机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型，它可以找到可行的轨迹，满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作，将轨迹优化集成到稀疏路线图框架中，p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中，将积分理论应用到航路点碰撞风险估计中，并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同，p-Chekov可以应用于高自由度的机器人规划任务，而无需对环境进行凸化。本文的实验结果表明，该p-Chekov系统可以有效地降低碰撞风险，并满足用户指定的机会约束，在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
The Open Motion Planning Library 2.0
Department of Computer Science, Rice University（计算机科学系，里士大学）；Department of Computer Science, Purdue University（计算机科学系，普渡大学）；Waymo, LLC（Waymo公司）；Metron, Inc.（Metron公司）；Ken Kennedy Institute at Rice University（里士大学肯尼迪研究所）
本文介绍OMPL 2.0，通过硬件加速实现实时运动规划，并集成现代AI研究流程，总结了库与运动规划领域的共同发展及其对研究社区的影响。
2026-08-03 cs.RO
Motion Planning Transformers: A Motion Planning Framework for Mobile Robots
University of California San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
快速高效的基于采样的运动规划（SMP）是许多机器人系统（例如自动驾驶汽车）的组成部分。提高这些规划器效率的一种流行技术是在规划域中限制搜索空间。现有的算法定义参数函数来约束搜索空间，但这些不扩展到非完整机器人系统。最近的基于学习的方法使用卷积和全连接网络的组合来编码规划空间。然而，这些方法仅限于固定的地图大小，这在现实世界中往往是不现实的。在本文中，我们介绍了一种基于变换的方法，运动规划Transformer，限制搜索空间通过学习辨别区域的有效路径从先验数据。该模型不仅学习限制简单的2D系统的搜索空间，但也为非完整的机器人系统。我们验证我们的方法在各种随机生成的环境中，不同的地图大小和计划轨迹的物理非完整机器人。我们还为Nav2规划栈提供了我们方法的ROS2插件。结果表明，我们的方法减少了搜索空间节点的2 - 12倍相比，传统的规划器，并具有更好的泛化能力比最近的学习为基础的规划器。
2022-11-13 cs.AI cs.RO
Motion Planning Networks
University of California San Diego（加利福尼亚大学圣地亚哥分校）
快速高效的运动规划算法对于自动驾驶汽车等许多最先进的机器人应用至关重要。现有的运动规划方法变得无效，因为它们的计算复杂性随着运动规划问题的维度呈指数增加。为了解决这个问题，我们提出了运动规划网络（MPNet），一个基于神经网络的新的规划算法。所提出的方法直接从点云测量中编码给定的路径，并为给定的起始和目标配置生成端到端的无碰撞路径。我们评估MPNet的各种二维和三维环境，包括规划的7自由度巴克斯特机器人机械手。结果表明，MPNet不仅在所有环境中都具有一致的计算效率，而且还可以推广到完全不可见的环境。结果还表明，MPNet的计算时间始终保持不到1秒，在所有提出的实验，这是显着低于现有的国家的最先进的运动规划算法。
2019-02-24 cs.AI cs.RO stat.ML
GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学，College Station, TX 77843, USA）；Zachry Department of Civil and Environmental Engineering, Texas A&M University, College Station, TX 77843 USA（Zachry 市政与环境工程系，德克萨斯A&M大学，College Station, TX 77843 USA）
GAIDE是一种基于图的神经指导采样器，通过结合空间结构和机械臂的具身性提升运动规划的效率和成功率。
2026-03-03 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
Bayesian Inferential Motion Planning Using Heavy-Tailed Distributions
Department of Mechanical Engineering, University of Kansas（堪萨斯大学机械工程系）
针对现有贝叶斯运动规划难以探索低概率区域的问题，提出基于Student's-$t$重尾分布与Monte Carlo采样的顺序单遍平滑方法，在自动驾驶仿真中展现出优于集合Kalman平滑的规划与采样效率。
2025-05-30 cs.RO math.OC math.PR
A Generalized Label Correcting Method for Optimal Kinodynamic Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
提出了一种分辨率完备的最优运动动力学运动规划算法，并将其描述为广义标号校正（GLC）方法。与相关算法相比，GLC方法不需要局部规划子程序，并且受益于简单的实现。本文的主要贡献是GLC条件的构建和分析，这是所提出的算法的基础。数值实验表明，GLC方法的运行时间小于相关SST算法。
2017-03-15 cs.RO
Robot Motion Planning in Learned Latent Spaces
Stanford University（斯坦福大学）
本文提出了基于潜在采样的运动规划（L-SBMP），一种通过学习可规划的潜在表示来计算复杂机器人系统运动规划的方法。最近的工作在控制机器人系统有效地利用本地，低维嵌入高维动力学。在本文中，我们将这些最新进展与基于采样的运动规划（SBMP）技术相结合，以设计一种能够规划传统方法（例如，类人机器人，甚至是在视觉空间中进行规划的系统）。具体来说，学习的潜在空间是通过一个自动编码网络，一个动态网络，和碰撞检查网络，这反映了SBMP的三个主要算法原语，即状态采样，本地转向，和碰撞检查。值得注意的是，这些网络可以只通过系统状态和动作的原始数据以及监督冲突检查器来训练。在这些网络的基础上，使用基于RRT的算法直接在潜在空间中规划运动-我们将这种探索算法称为学习潜在RRT（L2 RRT）。该算法全局地探索潜在空间，并能够推广到新的环境。整体的方法证明了两个规划问题，即视觉规划问题，规划发生在视觉（像素）空间，和一个人形机器人规划问题。
2018-11-06 cs.RO
