Solving a Path Planning Problem in a Partially Known Environment using a Swarm Algorithm
Ministry of Defence(国防部)
提出了一种在部分已知环境下自主地面车辆(AGV)导航的路径规划策略。通过首先使用包含来自合适的空间数据库的诸如高度数据和土壤信息之类的所选属性的待穿越区域的空间数据库来执行全局路径规划。该数据库使用仿生群算法进行处理,该算法的灵感来自白蚁的筑巢策略。利用来自各种传感器的关于影响AGV安全导航的突发事件的信息在线执行本地路径规划。所讨论的模拟已经在开源的Player-Stage-Gazebo平台上实现。
2019-06-27 cs.AI cs.RO
Learning-based Preference Prediction for Constrained Multi-Criteria Path-Planning
Safran Electronics & Defense(赛峰电子与防务公司);LAMSADE, Université Paris-Dauphine(巴黎第九大学LAMSADE实验室);CREC, Ecoles de Saint-Cyr Coëtquidan(圣西尔军校CREC中心)
基于学习的搜索算法在单准则优化问题中越来越受欢迎。相比之下,对于多准则优化,尽管存在许多应用程序,但方法明显较少。自主地面车辆(AGV)的约束路径规划就是这样一种应用,其中AGV通常部署在越野环境中的救灾或搜索和救援应用中。智能体可能面临以下困境:根据一个已知的标准和一个不确定的标准下的操作约束优化的源-目的地路径。已知的标准与路径的成本相关联,表示距离。不确定性标准表示在不需要人为干预的情况下驾驶通过路径的可行性。它取决于各种外部参数,如车辆的物理特性,探索地形或天气条件的状态。在这项工作中,我们利用离线模拟获得的知识,通过训练神经网络模型来预测不确定的标准。我们将此模型集成到一个路径规划器中,可以在线解决问题。最后,我们进行了实验,现实的AGV方案,这表明,所提出的框架需要人为干预的频率较低,交易的路径距离有限的增加。
2021-08-02 cs.AI cs.LG cs.RO
Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology(北京理工大学);Tsinghua University(清华大学)
提出一种针对多楼层场景的轨迹规划框架,包括基于广义Voronoi图和多目标算法的任务规划模块,以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块,并通过仿真验证可行性。
2026-06-24 cs.RO
Deep Reinforcement Learning for Autonomous Ground Vehicle Exploration Without A-Priori Maps
Virginia Tech(弗吉尼亚理工大学)
本研究提出基于Actor-Critic的深度强化学习框架,使自主地面车辆无需先验地图即可从原始传感器数据学习策略,实现快速无碰撞探索,并验证了其适应未知环境的可扩展性。
2023-09-01 cs.RO
Receding Horizon Re-ordering of Multi-Agent Execution Schedules
Overstory B.V.(Overstory 公司);Robert Bosch GmbH(罗伯特·博世有限公司);TU Delft(代尔夫特理工大学)
针对 AGV 车队执行 MAPF 计划时延误导致的通行顺序改变与死锁风险,提出基于 SADG 的低维 MILP 滚动重排序方法,在保证无死锁的同时动态最小化累计完成时间。
2023-12-07 cs.RO cs.SY eess.SY
XTENTH-CAR: A Proportionally Scaled Experimental Vehicle Platform for Connected Autonomy and All-Terrain Research
Virginia Tech(弗吉尼亚理工学院)
针对全尺寸CAV/AGV实验成本高、场地大的问题,提出开源、低成本的1/10比例缩放平台XTENTH-CAR,配备Jetson AGX Orin等传感器与ROS驱动,支持DRL等算法,便于紧凑环境实验及跨平台开发。
2023-09-01 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
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
Direction Informed Trees (DIT*): Optimal Path Planning via Direction Filter and Direction Cost Heuristic
Department of Informatics, Technical University of Munich(信息学院,慕尼黑技术大学)
本文提出方向信息树(DIT*),一种基于采样的最优路径规划算法,通过方向过滤器和方向成本启发式优化搜索方向,在R^4至R^16空间中比现有单查询规划器收敛更快,并在真实环境中验证。
2025-08-26 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 Attentive Neural Processes for Planning with Pushing Actions
Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology(计算机科学与人工智能实验室,麻省理工学院)
针对未知物理属性方块的桌面推动规划问题,提出基于Attentive Neural Process学习信念表示并结合双渐进加宽采样策略,相比传统粒子滤波方法能更快生成更优规划。
2025-06-30 cs.RO
Informative Path Planning of Autonomous Vehicle for Parking Occupancy Estimation
Peking University(北京大学);University of Michigan(密歇根大学)
针对停车位占用估计中忽略机器人路径规划的问题,提出基于POMDP的自动驾驶车辆信息路径规划方法,通过构建状态转移模型与贝叶斯滤波器,并设计蒙特卡洛贝叶斯滤波树算法生成信息路径,在仿真中有效平衡了最优性与计算效率。
2023-08-01 cs.RO
DualSMC: Tunneling Differentiable Filtering and Planning under Continuous POMDPs
Tsinghua University(清华大学);Stanford University(斯坦福大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Institute for Advanced Study(高等研究院);Massachusetts Institute of Technology(麻省理工学院)
求解连续POMDPs的一个主要困难是推断未观察到的真实状态的多模态分布,并使规划算法依赖于感知的不确定性。我们投POMDP过滤和规划问题作为两个密切相关的顺序蒙特卡罗(SMC)过程,一个在真实的状态和其他未来的最佳轨迹,并结合这两个部分的优点,在一个新的模型命名为DualSMC网络。特别是,我们首先介绍了一种对抗性粒子滤波器,它利用了其内部组件之间的对抗关系。基于过滤结果,我们提出了一种规划算法,该算法扩展了以前的SMC规划方法[Piche等人,2018年]连续POMDPs与不确定性依赖的政策。至关重要的是,DualSMC不仅可以处理复杂的观察,如图像输入,而且它仍然具有高度的可解释性。它被证明是有效的,在三个连续的POMDP域:地板定位域,3D明暗导航域,和修改后的Reacher域。
2020-05-07 cs.AI cs.LG cs.RO
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文针对不确定动态障碍物环境下的机器人运动规划安全问题,提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案,以降低碰撞风险,并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Provably Safe Stein Variational Clarity-Aware Informative Planning
University of Michigan(密歇根大学);Embry-Riddle Aeronautical University(安柏瑞德航空大学)
针对自主机器人信息收集任务中信息非均匀衰减及安全约束问题,提出嵌入清晰度动态、结合底层安全过滤机制的Stein变分清晰度感知信息规划框架,实验证明其安全一致且能减少信息赤字。
2025-11-13 cs.RO
Path Planning with Automatic Seam Extraction over Point Cloud Models for Robotic Arc Welding
The Hong Kong Polytechnic University(香港理工大学)
提出了一种基于点云的弧焊机器人系统。该系统通过手势控制,扫描工件的局部点云视图,并通过线性迭代最近点算法将其重建为完整的三维模型。然后,双边滤波器扩展到去噪的工件模型和保留重要的几何信息。为了从模型中提取焊缝,提出了一种新的基于灰度的边缘点检测算法,并在多个不同接头类型和姿态的工件上进行了测试。实验结果证明了该机器人系统的鲁棒性和效率的自动路径规划的焊接应用。
2020-11-24 cs.RO
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley(加州大学伯克利分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文提出了一种集成的运动规划系统的自主车辆(AV)停车在其他移动车辆的存在。拟议的系统包括1)预测周围车辆运动的混合环境预测器和2)对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合,以进行长期预测。该策略运动规划器包括:1)基于模型预测控制的安全控制器,用于轨迹跟踪; 2)基于搜索的撤退规划器,用于在紧急情况下寻找规避路径; 3)基于优化的修复规划器,用于在原始路径无效时规划新路径。仿真验证表明,所提出的方法在初始规划,运动预测,安全跟踪,在紧急情况下撤退,和轨迹修复方面的有效性。
2022-04-26 cs.RO
Closed-form Error Propagation on the SE_n(3) Group for Invariant Extended Kalman Filtering with Applications to VINS
Zhejiang University(浙江大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Southern University of Science and Technology(南方科技大学)
位姿估计对于机器人感知、路径规划等非常重要。机器人位姿可以在矩阵李群上建模,并且通常通过基于滤波器的方法进行估计。本文建立了随机噪声环境下不变扩展卡尔曼滤波器(IEKF)误差传播的封闭公式,并将其应用于视觉辅助惯性导航。我们评估我们的算法通过数值模拟和实验上的OPENVINS平台。在公开的EuRoC MAV数据集上进行的仿真和实验表明,我们的算法优于一些最先进的基于滤波器的方法,如基于四元数的EKF,首次估计雅可比EKF等。
2022-06-18 cs.RO
Topological Motion Planning Diffusion: Generative Tangle-Free Path Planning for Tethered Robots in Obstacle-Rich Environments
本文提出TMPD框架,结合终身拓扑记忆,通过扩散模型生成可行轨迹候选,并利用拓扑后端过滤优化,实现无碰撞和无纠缠的高效路径规划。
2026-03-16 cs.RO
Path planning model of mobile robots in the context of crowds
Beijing University of Chemical Technology(北京化工大学)
分析了基于RNN和视觉质量评价的人群环境下机器人路径规划模型。移动机器人路径规划是机器人导航的关键,也是机器人研究的一个重要领域。设机器人的运动空间为二维平面,在采用人工势场法进行路径规划时,将机器人的运动看作是在虚拟人工势场力作用下的一种运动。与简单的图像采集相比,复杂人群环境下的图像采集首先需要对图像进行预处理。我们主要使用OpenCV校准工具对采集的图像进行预处理。在方法学设计中,采用基于RNN的视觉质量评价方法滤除背景噪声.标定后的图像中仍然存在高斯噪声等冗余信息,影响后续的运算。提出了一种基于RNN的图像质量评价算法,并在此基础上进行了去噪处理。此外,新的路径规划模型的设计和仿真。通过与现有模型的比较,证明了该模型的鲁棒性。
2020-09-10 cs.RO
Pose-Parameterized Motion Planning and CBF-QP Self-Collision Filtering for a Long-Reach Drilling Boom
Faculty of Engineering and Natural Sciences, Tampere University(坦佩雷大学工程与自然科学学院);Sandvik Mining and Construction Oy(山特维克采矿与建筑公司)
研究针对长距离钻臂从操作员监督控制向自主控制转变的需求,提出在测量状态逆运动学中集成姿态参数化规划与CBF-QP的方法,经两项钻孔任务评估,该方法效果良好,无逆运动学故障,位置误差小。
2026-07-22 cs.RO cs.SY eess.SY
SMAP: Simultaneous Mapping and Planning on Occupancy Grids
Jet Propulsion Laboratory (JPL), California Institute of Technology(喷气推进实验室(JPL),加州理工学院)
在使用机器人创建环境地图时,占领网格是最常见的框架。本文从运动规划的角度研究了占用网格,并提出了一种映射方法,提供更丰富的数据(地图)的规划和避免碰撞的目的。通常,在占用网格映射中,每个单元格包含表示单元格被占用的概率的单个数字。这会导致映射中的冲突,更重要的是,映射误差和报告的置信度值之间的不一致。这种不一致性给依赖生成的地图来规划运动的规划器带来了挑战。在这项工作中,我们在每个体素存储更丰富的数据,包括准确估计占用的方差。我们表明,除了实现地图,往往比传统的方法更准确,建议的过滤方案表现出更高水平的一致性之间的错误和报告的信心。这允许计划者对未来感官信息的获取进行推理。这种规划可以导致主动感知机动,在引导机器人朝向目标的同时,旨在增加与完成任务相关的地图部分的置信度。
2016-09-19 cs.RO
Sampling-based Motion Planning for Active Multirotor System Identification
ETH Zürich(苏黎世联邦理工学院);ASL(自主系统实验室)
本文提出了一种多旋翼微型飞行器(MAV)轨迹规划算法,该算法可以快速识别一组未知参数。在许多问题中,如自校准或模型参数识别,一些状态只能在特定的运动下观察。这些动作通常很难找到,特别是对于没有经验的用户。因此,我们认为系统模型识别在一个积极的设置,其中车辆自主决定采取什么行动,以快速识别模型。我们的算法近似的信任动态系统周围的候选轨迹使用扩展卡尔曼滤波器(EKF)。它使用基于采样的运动规划来探索可能的信念空间,并在用户定义的预算内找到最大信息量的轨迹。我们验证了我们的方法在模拟和一个真实的系统上显示所提出的方法的可行性和可重复性。我们的规划器创建的轨迹,减少模型参数的收敛时间和不确定性的四个因素。
2017-02-05 cs.RO
Path Planning in Dynamic Environments Using Time-Warped Grids and a Parallel Implementation
Georgia Institute of Technology(佐治亚理工学院);University of Missouri(密苏里大学)
针对移动机器人在动态未知环境中的平滑路径规划问题,提出了一种解决方案。提出了一种新的时间扭曲网格的概念,用于预测环境中障碍物的姿态,避免碰撞。该算法使用C/C++和CUDA编程环境实现,并结合随机估计(卡尔曼滤波器),谐波势场和橡皮筋模型,它自然地转化为GPU编程的并行范例。简单地说,时间扭曲网格是围绕移动机器人的逐渐变宽的轨道。这些轨道表示由机器人估计的到达检测到的障碍物的可变时间间隔。使用Pioneer P3-DX机器人的多个模拟场景对所提出的方法进行了测试,通过在静态或动态环境以及大量障碍物中找到平滑度、距离和无碰撞方面的最佳路径,证明了该算法的鲁棒性。
2019-03-18 cs.RO
Path Planning Under Uncertainty to Localize mmWave Sources
Nanyang Technological University(南洋理工大学);New York University(纽约大学);University of British Columbia(不列颠哥伦比亚大学);Harvard University(哈佛大学)
在本文中,我们研究了移动机器人需要定位毫米波无线信号的导航问题。利用信号的方向性,我们提出了一种估计和路径规划算法,可以有效地在杂乱的室内环境中导航。我们制定扩展的卡尔曼滤波器的情况下,接收到的信号在视线或反射后的辐射源位置估计。然后,我们建议规划运动轨迹的基础上的信念空间动力学,以最大限度地减少位置估计的不确定性。相关的非线性优化问题的解决是一个国家的最先进的约束iLQR求解器。特别是,我们提出了一种方法,可以处理大量的障碍物(~300)与合理的计算时间。我们验证的方法在一个广泛的模拟。我们表明,我们的估计可以帮助提高导航成功率和规划,以减少估计的不确定性,可以提高整体任务的完成速度。
2023-03-08 cs.RO
Fully Persistent Spatial Data Structures for Efficient Queries in Path-Dependent Motion Planning Applications
Massachusetts Institute of Technology(麻省理工学院)
运动规划是一个普遍存在的问题,往往是机器人应用的瓶颈。我们证明了运动规划问题,如最小约束删除,信仰空间规划,和可靠性感知运动规划(VAMP)受益于路径依赖的配方,其中在搜索节点的状态表示隐含的路径到该节点。在这种路径依赖公式中计算后继节点的可行性的朴素方法需要与节点的路径长度成线性的时间,而对于更典型的搜索公式来说,时间是恒定的(可能非常大)。对于长期计划,对每个节点执行这种线性时间计算(我们称之为回顾)变得令人望而却步。为了改善这一点,我们引入了一个完全持久的空间数据结构(FPSDS),它的边界的大小回看的使用。然后,我们专注于FPSDS在VAMP中的应用,其中涉及增量几何计算,可以通过使用最近邻数据结构的包围体过滤配置来加速。我们证明了一个渐进的和实际的改进,在运行时中找到VAMP解决方案,在几个说明性的领域。据我们所知,这是第一次使用完全持久的数据结构来加速运动规划。
2022-06-06 cs.RO
Combining Parameter Identification and Trajectory Optimization: Real-time Planning for Information Gain
Massachusetts Institute of Technology(麻省理工学院);Instituto Superior Técnico(高等技术学院)
机器人系统通常在其动力学中具有不确定性的情况下操作,例如,未知的惯性特性。广义地说,有两种方法来控制不确定系统:设计鲁棒控制器,尽管不确定性,或描述一个系统,然后再试图控制it.This本文提出了一个中间地带的方法,使轨迹的进展,同时也占获得有关系统的信息。更具体地说,它将通常旨在优化估计器的信息增益的激励轨迹与目标驱动的轨迹优化度量相结合。为此目的,在实时的【形】规划框架中结合(使用Fisher信息矩阵)信息增益的测量以产生有利于估计的轨迹。同时,规划器从估计器接收稳定的参数更新,增强系统模型。这种学习,你去的方法,利用无迹卡尔曼滤波器(UKF)和非线性模型预测控制器(NMPC)的实现在仿真中演示。在系统模型中的信息增益和在线参数更新的情况下,结果。
2019-06-06 cs.RO
ASPIRe: An Informative Trajectory Planner with Mutual Information Approximation for Target Search and Tracking
College of Engineering, Peking University(北京大学工学院);Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院)
针对受限视场杂乱环境中的移动目标搜索与跟踪问题,提出 ASPIRe,用 sigma 点近似非高斯信念的互信息,并通过 APFT 自适应规划时域,实现实时且更高效、更精确的轨迹规划。
2024-03-04 cs.RO
Uncertainty-Aware Online Merge Planning with Learned Driver Behavior
Stanford University(斯坦福大学)
安全可靠的自动驾驶解决方案是下一代智能交通系统的关键组成部分。这种系统中的自动驾驶车辆必须实时的推理复杂和动态的驾驶场景,并预测附近驾驶员的行为。人类驾驶行为是高度细致入微的,具体到个人的交通参与者。例如,驾驶员可能会在合并车辆的存在下表现出合作或不合作的行为。必须对这些行为进行评估,并将其纳入安全有效驾驶的规划过程中。在这项工作中,我们提出了一个框架,估计在高速公路上的司机的合作水平和计划合并演习与司机的潜在行为明确建模。潜在的参数估计问题,解决了使用粒子滤波器近似的概率分布的合作水平。一个部分可观测马尔可夫决策过程(POMDP),其中包括潜在的状态估计在线求解,以提取合并车辆的政策。我们评估我们的方法在高保真汽车模拟器对方法是不可知的潜在状态或依赖于$\textit{a priori}$假设演员的行为。
2022-07-11 cs.RO
Efficient task and path planning for maintenance automation using a robot system
针对未来工厂维护自动化需求,提出结合CAD离线数据与RGBD在线数据补偿不确定性、基于新型采样方法规划拆卸任务、通过调整探索步长优化路径的机器人系统方案,并完成实验验证。
2025-08-25 cs.RO
Filter-Aware Model-Predictive Control
Volkswagen Group(大众集团);Machine Learning Research Lab(机器学习研究实验室)
针对部分可观测问题中常规 MPC 忽略未来观测、难以维持状态估计确定性的不足,提出以可跟踪性惩罚信息损失并由神经网络近似的滤波器感知 MPC,在视觉导航和机械臂实验中显著提升性能。
2023-04-20 cs.LG cs.RO cs.SY
Semantic- and Density-Aware Planning for Accessibility-Preserving Multi-Object Placement
针对在线多物体货架放置场景,提出SDPP方法,结合语义-密度评分与AM,在提升语义放置质量和货架密度的同时,减少可行位姿识别时间,适用于家庭货架存储场景。
2026-08-18 cs.RO
Safe multi-agent motion planning under uncertainty for drones using filtered reinforcement learning
The University of Texas at Dallas(德克萨斯大学达拉斯分校);Mitsubishi Electric Research Laboratories(三菱电机研究实验室);Mitsubishi Electric Corporation(三菱电机株式会社)
本文提出一种结合强化学习与机会约束凸优化的多无人机运动规划方法,在不确定杂乱环境中以高概率保证安全避碰,且训练简单、可实时实施。
2023-10-31 cs.AI cs.LG cs.MA
Feedback Motion Planning Under Non-Gaussian Uncertainty and Non-Convex State Constraints
Texas A&M University(德克萨斯农工大学)
过程和测量不确定性下的规划是一个具有挑战性的问题。在其最一般的形式中,它可以被建模为部分观测马尔可夫决策过程(POMDP)问题。然而,POMDPs通常很难解决时,底层空间是连续的,特别是当信念是非高斯,和困难进一步加剧时,也有非凸约束的状态。解决此类具有挑战性的POMDP的现有算法在计算和内存方面都很昂贵。在非高斯置信空间中,通过求解一般非线性观测模型的凸规划,给出了一种反馈策略。该解决方案涉及一个滚动时域控制策略,使用粒子滤波器的非高斯信念表示。我们开发了一种在状态空间中捕获非凸约束的方法,并调整优化以纳入此类约束。这种方法的一个关键优点是,它不会在优化问题中引入额外的变量,因此比置信空间中现有的约束问题更具可扩展性。我们证明了该方法在不同情况下的性能。
2016-01-12 cs.RO
Continuous-Time Gaussian Belief Trees for Motion Planning
Department of Aerospace Engineering Sciences at the University of Colorado Boulder(科罗拉多大学博尔德分校航空航天工程科学系);Department of Aerospace and Ocean Engineering at Virginia Tech(弗吉尼亚理工学院航空航天与海洋工程系)
针对连续时间随机系统的采样运动规划问题,在过程和测量不确定下,通过连续时间ODEs与离散卡尔曼滤波更新建模信念,用信念障碍函数检查安全,为信念规划提供框架并结合RRT等评估。
2026-07-07 cs.RO
Rao-Blackwellized POMDP Planning
针对 POMDP 求解中 SIRPF 面临的粒子匮乏与高计算成本问题,本研究提出 RB-POMDP 近似求解器,通过 Rao-Blackwellization 优化信念更新与在线规划,实验证明其能以更少粒子维持准确近似并显著提升规划质量。
2025-03-03 cs.AI cs.LG cs.RO
Socially Aware Motion Planning for Service Robots Using LiDAR and RGB-D Camera
Fulbright University Vietnam(富布赖特越南大学);Vietnam National University Hanoi(越南国家大学河内分校);University of Technology Sydney(悉尼科技大学);Le Quy Don University(黎贵敦大学)
本文提出一种基于LiDAR和RGB-D相机的服务机器人社会感知运动规划系统,通过Kalman滤波估计人类状态并用非对称Gaussian函数建模个人空间,结合动态窗口法生成轨迹,实现了尊重人类物理与心理舒适的动态环境导航。
2024-10-13 cs.RO
From CAD to POMDP: Probabilistic Planning for Robotic Disassembly of End-of-Life Products
wbk Institute of Production Science, Karlsruhe Institute of Technology(wbk生产科学研究所,卡尔斯鲁厄技术大学)
本文提出了一种基于POMDP的概率规划框架,用于机器人拆解废旧产品,通过考虑不确定性来提高拆解效率和适应性。
2025-11-28 cs.RO
Model-Based Geometry-Aware Generative Optimization for Constrained Locomotion Planning
Carnegie Mellon University(卡内基梅隆大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
针对四足和人形机器人的约束运动规划难题,提出基于模型的几何感知生成优化(2GO),将主动约束几何转化为去噪算子并解耦生成传输与随机性,实验显示更高成功率、更少违规。
2026-10-07 cs.RO
Safety Assurance for Quadrotor Kinodynamic Motion Planning
Department of Mechanical and Aerospace Engineering, University of Houston, Houston TX, 77004 USA(机械与航空航天工程系,休斯顿大学,休斯顿 TX,77004 USA)
针对动力学运动规划可能违反系统安全运行约束的问题,本文提出运行时安全保障方法,结合基于采样的几何规划器与LQR控制输入安全滤波器,并在Crazyflie 2.0三维仿真中验证。
2025-07-23 cs.RO
Social Navigation Planning Based on People's Awareness of Robots
University of Texas at Austin(德克萨斯大学奥斯汀分校)
当移动机器人在人类附近移动时,它们会冒着粗暴地挡住人类道路的风险;但并非所有人在机器人周围的行为都是一样的。没有注意到机器人的人是最难预测的。本文研究了移动机器人如何在动态环境中通过预测人类行为来生成可接受的路径。在这里,人的行为可能包括身体行为和心理行为,我们侧重于后者。我们引入了一个简单的安全交互模型:当人类似乎不知道机器人时,它应该避免走得太近。在这项研究中,机器人周围的人检测和跟踪使用传感器融合和过滤技术。为了处理动态环境中的不确定性,部分可观测马尔可夫决策过程模型(POMDP)被用来制定在共享环境中的导航规划问题。在POMDP中,人们对机器人的意识被推断并包括为状态和奖励模型。所提出的计划,使机器人改变其导航计划的基础上,其感知每个人的机器人意识。据我们所知,这是一种新的能力。我们进行模拟和实验,使用丰田人类支持机器人(HSR),以验证我们的方法。我们证明了所提出的框架是能够实时运行。
2018-09-24 cs.RO
Communication-Aware Iterative Map Compression for Online Path-Planning
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)
提出通信感知的迭代地图压缩框架,通过 Kalman 滤波解码器顺序选择压缩方案,在保持规划成本的同时减少 98% 通信量并降低计算时间。
2025-03-13 cs.RO
Graph Policy Gradients for Large Scale Unlabeled Motion Planning with Constraints
University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种学习方法来解决大量机器人在二维空间中具有运动约束和空间约束的无标号运动问题。为了解决问题的任意动态和约束,我们建议制定的问题作为一个多智能体问题。与以前的作品,提出使用学习解决方案的无标签的运动规划的约束,我们能够证明我们的方法的可扩展性,大量的机器人。当与大量机器人一起工作时遇到的维数灾难通过采用图卷积神经(GCN)网络来参数化机器人的策略来减轻。GCN通过学习过滤器来降低问题的维度,这些过滤器在机器人之间局部地聚合信息,类似于卷积神经网络如何能够学习图像中的局部特征。此外,通过采用GCN,我们还能够克服大量机器人的训练策略的计算开销,首先训练少量机器人的图过滤器,然后将zero-shot策略转移到大量机器人。我们证明了我们的框架的有效性,通过各种模拟。
2019-09-24 cs.RO math.CO
Lifelong Scalable Multi-Agent Realistic Testbed and A Comprehensive Study on Design Choices in Lifelong AGV Fleet Management Systems
本文提出LSMART,一个开源模拟器,用于评估持续AGV车队管理系统的设计选择,并通过实验结果提供设计指导。
2026-02-17 cs.AI cs.RO
Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients
University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种学习方法来解决大量机器人在二维空间中具有运动约束和空间约束的无标号运动问题。为了解决问题的任意动态和约束,我们建议制定的问题作为一个多智能体问题。我们能够证明我们的方法的可扩展性,大量的机器人采用图神经网络(GNN)参数化的机器人政策。GNN通过学习过滤器来降低问题的维度,这些过滤器在本地聚合机器人之间的信息,类似于卷积神经网络如何能够学习图像中的局部特征。此外,通过采用GNN,我们还能够克服大量机器人的训练策略的计算开销,首先训练少量机器人的图过滤器,然后将zero-shot策略转移到大量机器人。我们证明了我们的框架的有效性,通过各种模拟。
2021-02-11 cs.LG cs.RO
Collision avoidance and path finding in a robotic mobile fulfillment system using multi-objective meta-heuristics
Department of Industrial Engineering, Clemson University(工业工程系,克莱姆森大学)
针对多智能体路径规划中AGV避障与任务分配问题,提出兼顾能耗与行驶时间的避障策略及两种多目标优化算法,性能优于现有方法。
2025-10-29 cs.RO math.OC
Real-time Lane detection and Motion Planning in Raspberry Pi and Arduino for an Autonomous Vehicle Prototype
Islamic University of Technology (IUT)(伊斯兰科技大学(IUT))
本文讨论了一个车辆原型,识别街道的车道,并相应地规划其运动,没有任何人的输入。Pi Camera 1.3可捕捉实时的【形】视频,然后由Raspberry-Pi 3.0 Model B进行处理。图像处理算法使用Python 3.7.4和OpenCV 4.2编写。Arduino Uno用于控制PID算法,该算法控制电机控制器,进而控制车轮。用于检测车道的算法是Canny边缘检测算法和Hough变换。初等代数用于绘制检测到的车道。在检测之后,使用卡尔曼滤波器预测方法来跟踪车道。然后找到两个车道的中点,这是初始转向方向。利用过去累积平均法和卡尔曼滤波器预测法进一步平滑该初始转向方向。原型在受控环境中进行了实时的【形】测试。综合测试结果表明,该系统能够实现车道线的检测和运动规划。
2020-09-20 cs.CV cs.RO
A Resilient Navigation and Path Planning System for High-speed Autonomous Race Car
Korea Advanced Institute of Science and Technologies (KAIST)(韩国科学技术院)
本文介绍了一个弹性导航和规划系统中使用的印地自主挑战赛(IAC)的竞争。IAC是一项全尺寸赛车在印第安纳波利斯赛车场(IMS)上以290 km/h(180 mph)的速度自动行驶的比赛。赛车会经历剧烈的震动。特别是在高速。这些振动会降低基于精密GPS辅助惯性测量单元的标准定位算法。降级的本地化可能导致严重的问题,包括碰撞。因此,我们提出了一个弹性导航系统,使赛车留在赛道内的定位失败的情况下。我们的导航系统使用多传感器融合为基础的卡尔曼滤波器。我们检测退化的导航解决方案,使用概率的方法来计算最佳的测量值,我们的卡尔曼滤波器的校正步骤。此外,提出了一种最优避障路径规划算法。在这个挑战中,赛道上有静态障碍物。车辆需要以最小的时间损失避开它们。通过考虑原始的最佳赛车路线,障碍物和车辆动力学,我们提出了一个基于道路图的路径规划算法,以确保我们的赛车可以执行有效的避障。成功验证了所提出的定位系统,以显示其能力,以防止定位失败的情况下,错误的GPS测量在历史上世界上第一次自主赛车在IMS。由于我们强大的导航和规划算法,我们能够作为前四名的球队之一完成比赛,而其余五支球队由于碰撞或违规而未能完成比赛。
2022-09-15 cs.RO cs.SY eess.SY
Model Predictive Inferential Control of Neural State-Space Models for Autonomous Vehicle Motion Planning
Department of Mechanical Engineering, University of Kansas(机械工程系,堪萨斯大学);Department of Mathematics, University of Kansas(数学系,堪萨斯大学);Department of Electrical & Systems Engineering, Washington University in St. Louis(电气与系统工程系,华盛顿大学圣路易斯分校)
针对神经状态空间模型下自动驾驶运动规划的MPC优化难题,本文提出MPIC方法,将原问题转化为贝叶斯估计并设计隐式粒子滤波/平滑方法求解,仿真验证其计算效率与大规模问题求解能力。
2025-11-17 cs.RO cs.SY eess.SY
CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems
Jet Propulsion Laboratory(喷气推进实验室)
本文提出分层分布式 CaRT 框架,通过安全滤波器认证学习策略并由鲁棒滤波器跟踪安全轨迹,在确定性与随机扰动下保证多智能体非线性系统的安全及误差指数有界。
2023-08-13 cs.LG cs.MA cs.RO
Approximate Inference-based Motion Planning by Learning and Exploiting Low-Dimensional Latent Variable Models
KAIST(韩国科学技术院)
这项工作提出了一种有效的框架来生成具有高自由度的机器人的运动计划(例如,人形机器人)。机器人配置空间的高维性通常导致难以利用广泛使用的运动规划算法,因为决策空间的体积随着维数呈指数级增加。为了处理复杂的决策空间,并有效地解决相应的运动规划问题,在这项工作中,采用了两个关键的概念:第一,高斯过程隐变量模型(GP-LVM)用于低维表示的原始配置空间。其次,使用近似推理算法,利用控制和估计之间的对偶性,探索决策空间,并计算出高质量的运动轨迹的机器人。利用GP-LVM和控制与估计之间的对偶性,我们构造了一个完全概率生成模型,将高维运动规划问题转化为一个易于处理的推理问题。最后,我们计算的运动轨迹通过近似推理算法的基础上的一个变种的粒子滤波。由此产生的运动可以在补充视频中查看。(https://youtu.be/kngEaOR4Esc)的网站上进行了介绍。
2018-08-01 cs.AI cs.RO
LUCIDGames: Online Unscented Inverse Dynamic Games for Adaptive Trajectory Prediction and Planning
Stanford University(斯坦福大学)
现有的博弈论规划方法假设机器人知道其他代理的目标函数先验,而在实际情况下,这是很少的情况。本文介绍了LUCIDGames,逆最优控制算法,能够估计其他代理的目标函数在实时,并将这些估计在线到一个滚动时域博弈论规划。LUCIDGames解决了逆最优控制问题,通过在递归参数估计框架中重新铸造它。LUCIDGames使用无迹卡尔曼滤波器(UKF)迭代更新其他代理的成本函数参数的贝叶斯估计,随着从其他代理的观察轨迹收集更多数据,在线改进该估计。然后,规划者考虑到其他代理的贝叶斯参数估计的不确定性,规划的轨迹机器人受到不确定性椭圆约束。该算法假设机器人和环境中的其他代理之间没有显式的通信或协调。LUCIDGames的MPC实现演示了复杂自动驾驶场景的实时性能,更新频率为40 Hz。实验结果表明,LUCIDGames提高了机器人的性能,现有的博弈论和传统的MPC规划方法。我们的LUCIDGames的实现可以在www.example.com上找到。
2020-11-16 cs.GT cs.RO
DR-IPC: Disturbance-Resilient Integrated Planning and Control for LiDAR-Based Quadrotor Navigation
Southeast University(东南大学);Xiamen University of Technology(厦门理工学院)
DR-IPC提出一种集成规划与控制方法,结合路径引导与NMPC直接生成控制量,在扰动下显著提升四旋翼导航任务完成率并降低高度误差。
2026-10-05 cs.RO cs.SY eess.SY
Path Planning for a Cooperative Navigation Aid Vehicle to Assist Multiple Agents Sequentially
Department of Mechanical Engineering(机械工程系);Engineering Science, University of North Carolina at Charlotte(工程科学,北卡罗来纳大学夏洛特分校)
本文提出了一种贪心算法,用于规划协作导航辅助车路径,以依次协助多个智能体并减少导航不确定性。
2024-07-09 cs.RO cs.SY eess.SY