Efficient Heuristic Generation for Robot Path Planning with Recurrent Generative Model
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 of the Chinese University of Hong Kong（香港中文大学深圳研究院）
机器人路径规划是一个很难解决的问题，由于最优性的结果和算法的复杂性之间的矛盾，即使在2D环境中。为了找到最优路径，算法需要搜索所有的状态空间，这需要大量的计算资源。为了解决这个问题，我们提出了一种新的递归生成模型（RGM），产生有效的启发式路径规划算法，以减少搜索工作。该RGM模型采用了一般生成对抗网络（GAN）的框架，由一个新的启发式生成器和两个判别器组成，前者可以通过递归地优化输出来生成启发式算法，后者可以检查启发式算法的连通性和安全性。我们在各种2D环境中测试所提出的RGM模块，以证明其有效性和效率。结果表明，RGM模型在已知和未知的新地图上都能成功地产生合适的启发式，且具有较高的准确率，证明了该模型良好的泛化能力。我们还比较了快速探索随机树星（RRT*）与生成的启发式和传统的RRT* 在四个不同的地图，显示生成的启发式可以指导算法找到初始和最优解在一个更快，更有效的方式。
2020-12-07 cs.AI cs.RO
Coordinated Multi-Robot Disassembly for Makespan Optimization of Large-Scale Assemblies
Technical University of Berlin（柏林工业大学）；Robotics Institute Germany (RIG)（德国机器人研究所）
针对大规模装配体拆卸的多机器人规划问题，提出CoMuDi方法，集成ST-RRT*规划器，经多组装配体实验验证其能最小化完工时间且成功率高、空闲时间短。
2026-08-07 cs.RO
Intelligent bidirectional rapidly-exploring random trees for optimal motion planning in complex cluttered environments
National University of Sciences And Technology (NUST)（国立科技大学）；Osaka University（大阪大学）
快速探索随机树（RRT）算法是一种基于采样的运动规划算法，由于其计算效率和有效性，受到了许多研究者的关注。最近，RRT的一个变种RRT* 已被提出，以确保渐近最优性。随后，其双向版本也被引入文献中，称为双向RRT *（B-RRT*）。我们介绍了一个新的变种称为智能双向RRT *（IB-RRT*），这是一个改进的最佳RRT* 和双向版本的RRT*（B-RRT*）算法的变种，是专门为复杂的杂乱环境。IB-RRT* 利用双向树方法，并引入智能样本插入启发式算法，使用均匀采样启发式算法快速收敛到最优路径解决方案。所提出的算法进行了理论评估和实验结果比较IB-RRT* RRT * 和B-RRT*。此外，实验结果表明，IB-RRT* 的优越效率与RRT* 和B-RRT在复杂的杂波环境。
2017-03-27 cs.AI cs.RO
Potentially Guided Bidirectionalized RRT* for Fast Optimal Path Planning in Cluttered Environments
National University of Sciences And Technology (NUST)（国立科技大学）；University of California San Diego（加州大学圣迭戈分校）；Manchester Metropolitan University (MMU)（曼彻斯特城市大学）
快速探索随机树星（RRT*）最近在运动规划社区中获得了极大的普及，因为它提供了一个概率上完整和渐近最优的解决方案，而不需要障碍空间的完整信息。尽管RRT* 具有所有优点，但它收敛到最优解的速度非常缓慢。因此，为了提高收敛速度，引入了其双向变体，双向RRT*（B-RRT*）和智能双向RRT*（IB-RRT*）。然而，由于这两种变体都执行纯探索，它们往往会在高度混乱的环境中受到影响。为了克服这些限制，我们引入了一个新的概念，潜在的指导双向树在我们提出的潜在引导智能双向RRT*（PIB-RRT*）和潜在引导双向RRT*（PB-RRT*）。所提出的算法大大提高了收敛速度，并具有更有效的内存利用率。理论和实验评估所提出的算法已经取得了最新的最先进的运动规划算法在不同的挑战性的环境条件下，并已被证明其显着改善的效率和收敛速度。
2018-07-22 cs.AI cs.RO
Zonal RL-RRT: Integrated RL-RRT Path Planning with Collision Probability and Zone Connectivity
Purdue University（普渡大学）；Northeastern University（东北大学）；Sharif University of Technology（谢里夫理工大学）
提出分区RL-RRT算法，利用kd-tree分区和强化学习实现高层规划，在复杂环境中显著提升时间效率并保持成功率，性能优于多种现有方法。
2026-09-15 cs.AI 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
DK-RRT: Deep Koopman RRT for Collision-Aware Motion Planning of Space Manipulators in Dynamic Debris Environments
University of California, Irvine（加州大学尔湾分校）；Illinois Institute of Technology（伊利诺伊理工学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Davis（加州大学戴维斯分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出DK-RRT框架，将深度学习与Koopman算子理论及RRT相结合，通过深度神经网络学习碎片动力学非线性嵌入并利用在线传感器反馈优化预测，实现动态碎片环境下空间机械臂的高效碰撞感知运动规划，仿真验证了其在适应性、鲁棒性和计算效率上的优势。
2025-07-05 cs.RO
RRT*former: Environment-Aware Sampling-Based Motion Planning using Transformer
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学）
RRT*former 是一种结合变换器网络的新型运动规划算法，通过利用环境信息和先前样本提升路径规划的最优性和效率。
2025-11-19 cs.AI cs.RO
RRT+ : Fast Planning for High-Dimensional Configuration Spaces
University of South Carolina（南卡罗来纳大学）
在本文中，我们提出了一个新的家庭的RRT为基础的算法，名为RRT+，能够找到更快的解决方案，在高维配置空间相比，其他现有的RRT变种，通过在低维子空间的配置空间中找到路径。该方法可以很容易地应用到复杂的超冗余系统，并可以适应其他RRT为基础的规划。我们介绍RRT+和开发一些变种，称为PrioritizedRRT+，PrioritizedRRT+连接，和PrioritizedBidirectionalT-RRT+，使用新的采样技术，我们表明，我们的方法提供了更快的结果比相应的原始算法。使用OMPL中最先进的规划器进行的实验表明，RRT+在高维运动规划问题上具有优异的性能。
2016-12-24 cs.RO
AM-RRT*: Informed Sampling-based Planning with Assisting Metric
University of Oxford（牛津大学）；Ocado Technology（奥卡多科技公司）
在本文中，我们提出了一种新的算法，扩展RRT* 和RT-RRT* 的在线路径规划在复杂的，动态的环境。基于采样的方法通常在具有狭窄通道的环境中表现不佳，这是移动机器人的许多室内应用以及计算机游戏的共同特征。我们的方法扩展了基于RRT的采样方法，使辅助距离度量的使用，以提高在有障碍物的环境中的性能。该辅助度量可以是在视线被阻挡时具有比欧几里德度量更好的属性的任何度量，该辅助度量与标准欧几里德度量结合使用，使得算法可以从辅助度量中获益，同时保持先前RRT变体的期望属性-即树覆盖的概率完整性和路径长度的渐近最优性。我们还介绍了一种新的方法，有针对性的重新布线，旨在缩短搜索时间和路径长度的任务，目标反复变化。我们证明，我们的方法提供了相当大的改进，现有的多查询规划，如RT-RRT* 时，使用扩散距离作为辅助度量，找到接近最佳的路径，减少了几个数量级的搜索时间。实验结果表明，规划时间减少了99.5%，路径长度减少了9.8%，比现有的实时RRT规划器在各种环境中。
2021-09-09 cs.AI cs.RO
qRRT: Quality-Biased Incremental RRT for Optimal Motion Planning in Non-Holonomic Systems
提出了一种基于采样的非完整系统最优运动规划方法。它使用通过经验学习的原则来推断工作空间内区域的成本。该成本信息用于偏置产生解决方案轨迹的增量式基于图的搜索算法。迭代改进的成本信息和搜索偏置产生的解决方案，被证明是渐近最优的。所提出的框架建立在增量快速探索随机树（RRT）的随机采样为基础的搜索和强化学习（RL）学习工作空间成本。一系列的实验进行了评估和证明所提出的方法的性能。
2021-01-07 cs.AI cs.RO
VLM-RRT: Vision Language Model Guided RRT Search for Autonomous UAV Navigation
KIOS Research and Innovation Centre of Excellence (KIOS CoE)（KIOS研究中心卓越创新中心）；Department of Computer Science, University of Cyprus（计算机科学系，塞浦路斯大学）
针对传统RRT路径规划在复杂环境中搜索效率低、路径次优和收敛慢的问题，提出VLM-RRT方法，利用视觉语言模型提供初始方向引导以偏向采样可行路径区域，显著提升了无人机路径规划的采样效率与质量。
2025-05-29 cs.AI 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
Fillet-based RRT*: A Rapid Convergence Implementation of RRT* for Curvature Constrained Vehicles
Utah State University（犹他州立大学）
快速探索随机树（RRT）已被证明是有效的快速找到可行的解决方案，复杂的运动规划问题。RRT* 是RRT算法的扩展，在使用直线运动基元时提供概率渐近最优性保证。这项工作提供了RRT和RRT* 的扩展，采用圆角作为运动基元，允许规划时考虑路径曲率约束。开发了两个圆角，一个是基于圆弧的圆角，它使用圆弧来生成遵守最大曲率约束的路径，另一个是基于样条曲线的圆角，它使用贝塞尔曲线来额外遵守曲率连续性要求。使用这些圆角进行规划的性能远远超过使用Dubin路径运动基元的RRT*，接近使用直线路径基元进行规划的性能。路径采样算法也被用来加速非完整运动规划的收敛。使用开放式运动规划库（OMPL）与已建立的RRT* 方法进行比较。
2023-02-22 cs.RO cs.SY eess.SY
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
HAS-RRT: RRT-based Motion Planning using Topological Guidance
Mt. Holyoke College（蒙特霍利约克学院）；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)（墨西哥自治技术学院）
针对运动规划问题，提出基于工作空间骨架引导的分层RRT策略HAS-RRT，通过优先考虑引导指示路径，实现运行时间缩短91%、树规模减小30%以上，同时鲁棒性强，最坏情况性能与无引导方法相当。
2025-04-15 cs.RO
Combining a Probabilistic Sampling Technique and Simple Heuristics to solve the Dynamic Path Planning Problem
Universidad Técnica Federico Santa María（费德里科·圣玛丽亚理工大学）；INRIA/LORIA（法国国家信息与自动化研究所/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）已被证明在解决高维问题方面非常有效。尽管已经提出了几种RRT变体来解决动态重新规划问题，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作为初始解，通知局部搜索来修复不可行路径和一个简单的贪婪优化器。该算法能够识别本地搜索何时卡住，并随后重新启动RRT。我们表明，这种简单的技术相结合，提供了更好的反应，一个高度动态的环境比动态RRT的变种。
2009-12-01 cs.AI cs.RO
Multi-agent RRT*: Sampling-based Cooperative Pathfinding (Extended Abstract)
Czech Technical University in Prague（捷克布拉格技术大学）；Delft University of Technology（代尔夫特理工大学）
合作寻路是为多个移动代理寻找一组不冲突的轨迹的问题。它的应用包括移动机器人团队的规划，如自主飞机，汽车或水下航行器。用于协作寻路的最先进的算法通常依赖于一些启发式前向搜索寻路技术，其中A* 通常是选择的算法。在这里，我们提出了MA-RRT*，一种新的算法，多代理路径规划，建立在最近提出的渐近最优采样为基础的算法，寻找单代理最短路径称为RRT*。我们实验评估的算法的性能，并表明，基于采样的方法提供了更好的可扩展性比经典的前向搜索方法在相对较大，但稀疏的环境，这是典型的在现实世界中的应用，如多飞机防撞。
2013-02-12 cs.AI cs.MA cs.RO
Informed RRT*: Optimal Sampling-based Path Planning Focused via Direct Sampling of an Admissible Ellipsoidal Heuristic
Carnegie Mellon University（卡内基梅隆大学）
快速探索随机树（RRT）在运动规划中很受欢迎，因为它们可以有效地找到单查询问题的解决方案。最优RRT（RRT*s）将RRT扩展到寻找最优解的问题，但在这样做时，渐近地找到从初始状态到规划域中每个状态的最优路径。这种行为不仅效率低下，而且与它们的单查询性质不一致。对于寻求最小化路径长度的问题，可以改进解的状态子集可以由长超球体描述。我们表明，除非这个子集被直接采样，改善解决方案的概率变得任意小，在大世界或高状态维度。在本文中，我们提出了一个精确的方法，集中搜索直接采样这个子集。所提出的采样技术的优点证明了一种新的算法，知情RRT*。该方法保留了与RRT* 相同的完整性和最优性概率保证，同时提高了收敛速度和最终解的质量。我们提出的算法作为一个简单的修改RRT*，可以进一步扩展更先进的路径规划算法。我们的实验表明，它优于RRT* 的收敛速度，最终的解决方案的成本，并能够找到困难的通道，同时表现出较少的依赖于状态的尺寸和范围的规划问题。
2014-11-28 cs.RO
RFPPO: Motion Dynamic RRT based Fluid Field - PPO for Dynamic TF/TA Routing Planning
Xi'an Jiaotong University（西安交通大学）
本文提出RFPPO方法，将运动动态RRT与流场、人工势场及PPO相结合，重新设计状态动作空间和奖励函数，在真实DEM数据上实现了无需全局规划且满足动态约束的长距离TF/TA航路规划。
2024-12-28 cs.AI cs.RO
Autonomous Underwater Vehicle-Manipulator Systems Path Planning with RRTAUVMS Algorithm
Zhejiang University（浙江大学）；Shenzhen Sensetime Technology CO.,LTD（深圳商汤科技有限公司）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
自主水下机器人系统（AUVMS）是一种新型的海洋探测工具，本文研究了AUVMS路径规划问题。水下机器人系统是一个惯性分布差异大的高维系统，且工作环境复杂，存在障碍物。通过将快速探索随机树（RRT）算法与AUVMS运动学模型相结合，RRTAUVMS算法可以在配置空间（C-Space）中随机采样，并在任务空间中直接向工作空间目标生长。RRTAUVMS还可以处理工作空间规划目标和配置空间目标的冗余映射。与传统RRT算法相比，该算法可以显著提高AUVMS路径规划的效率。
2021-09-11 cs.RO cs.SY eess.SY
RL-RRT: Kinodynamic Motion Planning via Learning Reachability Estimators from RL Policies
Google AI（谷歌人工智能）；University of New Mexico（新墨西哥大学）
本文解决了基于采样的Kinodynamic运动规划面临的两个挑战：一种方法来确定良好的候选状态的局部过渡和随后的计算棘手的转向这些候选状态之间。通过结合基于采样的规划，快速探索随机树（RRT）和一个有效的Kinodynamic运动规划器通过机器学习，我们提出了一个有效的解决方案，长期规划Kinodynamic运动规划。首先，我们使用深度强化学习来学习避障策略，该策略将机器人的传感器观察映射到动作，该动作在规划期间用作本地规划器，在执行期间用作控制器。其次，我们训练可达性估计在监督的方式，预测RL政策的时间，以达到一个状态的存在障碍。最后，我们引入RL-RRT，它使用RL策略作为局部规划器，并将可达性估计器作为距离函数，以使树的生长偏向有希望的区域。我们评估我们的方法对三个kinodynamic系统，包括物理机器人实验。在所有三个机器人测试的结果表明，RL-RRT优于最先进的kinodynamic规划的效率，也提供了一个更短的路径完成时间比转向功能免费的方法。学习的本地规划器策略和伴随的可达性估计器展示了到先前看不见的实验环境的可转移性，使得RL-RRT快速，因为昂贵的计算被简单的神经网络推理取代。视频：https://youtu.be/dDMVMTOI8KY
2019-07-12 cs.AI cs.LG cs.RO
Optimised Informed RRTs for Mobile Robot Path Planning
Stellenbosch University（斯泰伦博斯大学）
针对基础RRT路径规划次优、RRT*计算成本高的问题，本文提出优化型信息引导RRT算法族，结合信息引导采样与多种路径优化器加速收敛，实验证明基于基础RRT的该算法在不同规划时长下均优于基于RRT*的同类算法。
2023-10-29 cs.RO cs.SY eess.SY
An Enhanced RRT based Algorithm for Dynamic Path Planning and Energy Management of a Mobile Robot
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出一种增强RRT算法，通过持续生成到充电站的路径并结合能量需求判断充电时机，利用先前树信息优化后续路径，实现移动机器人动态路径规划与电池能量管理。
2023-10-31 cs.RO
Risk-Averse RRT* Planning with Nonlinear Steering and Tracking Controllers for Nonlinear Robotic Systems Under Uncertainty
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们提出了一个两阶段的风险规避结构控制随机非线性机器人系统。我们提出了风险规避非线性转向RRT*（RANS-RRT*）作为RRT* 的变体，通过求解非线性规划（NLP）来结合非线性动力学，并通过近似状态分布和执行分布鲁棒（DR）碰撞检查来考虑风险，以促进安全规划。生成的计划被用作低级别跟踪控制器的参考。我们演示三个控制器：有限时域线性二次型调节器（LQR）具有围绕参考轨迹的线性化动态，具有鲁棒性促进乘性噪声项的LQR，以及非线性模型预测控制律（NMPC）。我们证明了我们的算法的有效性，在一个混乱的环境中，在重尾拉普拉斯过程噪声下使用单稳态动力学。
2021-09-03 cs.RO
Potential Functions based Sampling Heuristic For Optimal Path Planning
National University of Sciences And Technology (NUST)（国立科技大学）；Osaka University（大阪大学）
快速探索随机树星（RRT*）算法是快速探索随机树（RRT）算法的一个扩展，它能在给定的环境中提供无碰撞、渐进最优的路径，而不受障碍物几何形状的影响。然而，RRT* 算法的局限性之一是收敛到最优路径解的速度慢。因此，由于在实现最优路径解决方案中使用了大量迭代，因此它消耗了高存储器以及时间。为了克服这些限制，我们提出了基于势函数的RRT *（P-RRT*），它将人工势场算法纳入RRT*。该算法允许在迭代次数相当大的减少，从而导致更有效的内存利用率和加速收敛速度。为了说明所提出的算法在空间执行和收敛速度方面的实用性，本文提出了严格的模拟比较所提出的技术和RRT* 在不同的环境条件下。此外，这两种算法也测试和比较下的非完整微分约束。
2017-04-02 cs.AI cs.RO
Conditional Generative Adversarial Networks for Optimal Path 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 of the Chinese University of Hong Kong（香港中文大学深圳研究院）
路径规划在自主机器人系统中起着重要的作用。对周围环境的有效理解和最优无碰撞路径的有效生成是解决路径规划问题的关键。传统的基于采样的路径规划算法，如快速探索随机树（RRT）及其改进的最优算法（RRT*），因其在复杂环境下也能找到可行路径而被广泛应用于路径规划问题，但它们不能有效地找到最优路径。为了解决这一问题并满足上述两个要求，我们提出了一种新的基于学习的路径规划算法，该算法由一种新的基于条件生成对抗网络（CGAN）的生成模型和一种改进的RRT* 算法（CGANRRT*）组成。给定地图信息，我们的CGAN模型可以生成一个有效的可行路径的可能性分布，它可以被CGAN-RRT* 算法用来找到最优路径与非均匀采样策略。CGAN模型是通过从地面实况地图学习来训练的，每个地图都是通过将RRT算法执行50次的所有结果放在一个原始地图上来生成的。通过在两组地图上的测试以及CGAN-RRT* 算法与传统RRT* 算法的比较，我们证明了CGAN模型的有效性能。
2020-12-06 cs.AI cs.RO eess.IV
Tube RRT*: Efficient Homotopic Path Planning for Swarm Robotics Passing-Through Large-Scale Obstacle Environments
School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）
针对大规模障碍环境下群体机器人缺乏高效同伦路径规划方法的问题，本文提出改进自RRT算法的Tube RRT*方法，兼顾间隙体积与路径长度以缓解拥堵，经仿真实验验证了有效性。
2024-10-31 cs.RO cs.SY eess.SY
Bi-AM-RRT*: A Fast and Efficient Sampling-Based Motion Planning Algorithm in Dynamic Environments
Yanshan University（燕山大学）；Southern University of Science and Technology（南方科技大学）
针对动态环境中移动机器人的最优运动规划问题，提出融合辅助度量、双向采样与新重布线方法的 Bi-AM-RRT*，在路径长度和搜索时间上表现更优。
2023-04-30 cs.RO
Modified RRT* for Path Planning in Autonomous Driving
Indian Institute of Information Technology, Kottayam（印度信息技术学院科塔亚姆分校）；National Institute of Technology, Tiruchirappalli（印度国家技术学院蒂鲁吉拉伯利分校）
本文提出两阶段路径规划算法AD-RRT*，结合A*全局规划与角度约束的RRT*改进，解决复杂环境最优路径问题，实验表明其收敛率更高、耗时与节点数更少。
2024-02-19 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
SIL-RRT*: Learning Sampling Distribution through Self Imitation Learning
Czech Technical University in Prague（布拉格捷克技术大学）
针对移动对象安全可行轨迹规划问题，提出基于自模仿学习的SIL-RRT*算法，通过深度神经网络预测采样分布扩展RRT*，在2D和3D环境中验证其样本效率更高且可扩展到复杂环境，为高维机器人运动规划提供新方案。
2024-11-26 cs.RO
RRT-Rope: A deterministic shortening approach for fast near-optimal path planning in large-scale uncluttered 3D environments
University of Sherbrooke（舍布鲁克大学）
提出RRT-Rope算法，通过改进RRT-Connect快速生成可行路径，并利用确定性缩短技术后处理，在大型无杂波3D环境中实现比现有RRT变体快70%的近最优路径规划。
2026-07-01 cs.RO
Probabilistic completeness of RRT for geometric and kinodynamic planning with forward propagation
Tel-Aviv University（特拉维夫大学）；Technion（以色列理工学院）；Rutgers University（罗格斯大学）
快速探索随机树（RRT）算法是近二十年来最流行的运动规划技术之一。令人惊讶的是，尽管它的中心地位，有一个积极的辩论，在何种条件下RRT是概率完整的。我们提供了两个新的证明的概率完备性（PC）的RRT减少了一组假设。第一个是纯几何设置，我们只要求解决方案路径与障碍物有一定的间隙。对于向前传播的随机控制和持续时间的kinodynamic的情况下，我们只考虑另外温和的Lipschitz连续性条件。这些证明填补了RRT本身研究的空白。他们也奠定了良好的基础，为各种最近的和替代的采样为基础的方法，其PC属性依赖于RRT。我们的原始出版物在分析运动动力学RRT病例时包含一个错误。在这里，我们通过修改定理2的证明来纠正这个问题，特别是需要修改引理3。简单地说，定理2的原始（和错误的）证明使用了一系列大小相等的球。校正使用一系列半径增加的球。我们强调的是，修正仅在引理3和定理2的证明中。主要结果保持不变。
2022-05-31 cs.RO
Many-RRT*: Robust Joint-Space Trajectory Planning for Serial Manipulators
USACE ERDC, Information Technology Lab（美国陆军工程兵团工程研究中心信息科技实验室）；Collaborative Robotics Lab（协作机器人实验室）
Many-RRT*通过同时规划多个目标解决串联机械臂在关节空间中规划的鲁棒性和最优性问题，显著提高了轨迹质量和成功率。
2026-03-04 cs.RO
Neural Collision Clearance Estimator for Batched Motion Planning
Google（谷歌）
我们提出了一个神经网络碰撞检测启发式，ClearanceNet，和规划算法，CN-RRT。ClearanceNet学习预测相对于工作空间的分离距离（机器人与工作空间之间的最小距离）。然后，CN-RRT通过利用ClearanceNet的三个关键功能有效地计算运动计划。首先，CN-RRT通过同时扩展多个节点来探索空间，处理数千个冲突检查的批次。第二，CN-RRT自适应地放宽了对更困难问题的清除要求。第三，为了修复错误，CN-RRT在ClearanceNet的梯度方向上移动其节点，并使用传统RRT修复任何剩余错误，从而保持理论上的概率完整性保证。在多达30个自由度的配置空间中，ClearanceNet实现了比传统碰撞检测方法高845倍的加速，而CN-RRT将运动规划的速度提高了42%，并将路径查找效率提高了36%。在一个11自由度的机器人在一个混乱的环境中的实验证实了该方法的可行性在真实的机器人。
2020-07-15 cs.LG cs.RO
Neural Informed RRT*: Learning-based Path Planning with Point Cloud State Representations under Admissible Ellipsoidal Constraints
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对RRT*路径规划收敛效率问题，提出结合规则启发与学习优势的Neural Informed RRT*，通过点云表示、Neural Focus和Neural Connect模块提升性能，保留理论特性并在真实机器人导航中验证有效。
2024-03-07 cs.RO
iDb-RRT: Sampling-based Kinodynamic Motion Planning with Motion Primitives and Trajectory Optimization
New York University（纽约大学）；TU Berlin（柏林工业大学）；ETH Zurich（苏黎世联邦理工学院）
提出iDb-RRT，一种结合运动基元与轨迹优化的采样型动力学运动规划算法，具备概率完备性，在30个问题、8个系统的基准测试中，求解速度比先前方法快最多10倍，尤其适用于长轨迹和狭窄通道场景。
2024-03-16 cs.RO
Efficient RRT*-based Safety-Constrained Motion Planning for Continuum Robots in Dynamic Environments
Southern University of Science and Technology（南方科技大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；City University of Hong Kong（香港城市大学）
针对连续体机器人运动规划耗时且难以适应动态环境的问题，提出一种嵌入姿态安全约束的 RRT* 方法，并通过仿真与双段绳索驱动原型验证其高效避障和可迁移性。
2023-09-25 cs.RO
Probabilistic RRT Connect with intermediate goal selection for online planning of autonomous vehicles
Virginia Tech（弗吉尼亚理工大学）
本文提出一种结合概率RRT与RRT-Connect的改进算法，通过选取中间目标点构建多棵树，快速生成绕障安全路径，并用MPC+Stanley控制器跟踪，轨迹更优且符合人类直觉。
2023-05-14 cs.RO
BTO-RRT: A rapid, optimal, smooth and point cloud-based path planning algorithm
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文探讨了一种快速、最优的机器人平滑路径规划算法（例如，自动驾驶车辆）在点云环境中。诸如密集点云、网格图、八点图等的衍生图经常用于路径规划目的。提出了一种面向目标的双向点规划算法，直接利用点云计算最优动态可行轨迹。该方法通过分析目标环境的点云，采用改进的双向和基于RRT连接的路径规划算法，采用基于k-d树的避障策略和三步优化，搜索无障碍、低计算成本、平滑且动态可行的路径。该方法绕过了常用的三维地图离散化，直接利用点云数据，并可分为两部分：基于RRT的改进算法核心和三步优化。在8个不同结构和特征的二维地图上的仿真结果表明了该算法的有效性和二维性能。与其他基于RRT的算法，如RRT，B-RRT，RRT星的基准比较和评估也显示在该文件中。最后，该算法在3张不同密度的三维点云地图上成功实现了不同层次的任务目标。整个仿真实验证明，该算法不仅在二维地图上具有较好的性能，而且能够在不同的三维点云地图上处理不同的任务（地面车辆和无人机应用），表明了该算法的高性能和鲁棒性。该算法在\url{https://github.com/zhz03/BTO-RRT}上开源
2022-11-13 cs.RO cs.SY eess.SY
Mixed Observable RRT: Multi-Agent Mission-Planning in Partially Observable Environments
Stanford University（斯坦福大学）；KTH Royal Institute of Technology（KTH皇家理工学院）；California Institute of Technology（加州理工学院）
本文考虑了异构多智能体系统的集中式任务规划问题，目标是定位隐藏目标。我们提出了一个混合的可观察设置，包括一个完全可观察的状态空间和一个部分可观察的环境，使用隐马尔可夫模型。首先，我们构建快速探索随机树（RRT），引入混合可观察RRT寻找合理的任务计划给每个代理的路点。利用这个结构，我们提出了一个路径选择策略的基础上的动态规划方法，占部分观测的不确定性，并最大限度地减少预期成本。最后，我们结合高层次的计划与模型预测控制算法，评估的方法组成的四足机器人和无人机的实验装置。它表明，代理能够做出智能决策，有效地探索该地区，并通过合作行动来定位目标。
2022-11-11 cs.RO
Adaptive Sampling-based Motion Planning with Control Barrier Functions
基于采样的算法，例如快速探索随机树（RRT）及其变体，已经广泛用于运动规划。控制障碍函数（CBF）最近已被提出来综合控制器的安全关键系统。在本文中，我们结合了有效性的RRT为基础的算法的CBF提供的安全保证的方法称为CBF-RRT $^\ast$。CBF用于RRT $^\ast$的局部轨迹规划，避免了扩展路径的显式碰撞检查。我们证明了CBF-RRT $^\ast$保持了RRT $^\ast$的概率完备性。此外，为了提高算法的采样效率，我们配备了一个自适应的采样过程，这是基于交叉熵方法（CEM）的重要性采样（IS）的算法。该过程利用样本树将采样集中在配置空间的有希望区域。我们通过仿真例子证明了所提出的算法的有效性。
2022-06-01 cs.RO cs.SY eess.SY
Rationally Inattentive Path-Planning via RRT*
Odyssey Space Research（奥德赛空间研究公司）；University of Texas at Austin（得克萨斯大学奥斯汀分校）
我们考虑的路径规划方案的移动机器人在配置空间中的障碍物下存在的随机干扰。在不确定配置空间上提出了一种新的路径长度度量，并与现有的RRT* 算法相结合。该度量是两个项的加权和，这两个项捕获机器人行进的欧几里得距离和感知成本，即，机器人必须感知的环境信息量，以安全地遵循路径。路径长度函数的拓扑结构的总变差度量的连续性示出和最优性的理性疏忽RRT* 算法进行了讨论。三个数值研究显示新算法的实用性。
2020-02-28 cs.RO cs.SY eess.SY
Dynamic Path Planning and Replanning for Mobile Robots using RRT*
University of Nevada, Reno（内华达大学里诺分校）
移动机器人必须能够有效地规划从其起始位置或当前位置到期望目标位置的路径。当环境是静态的时，这是一个微不足道的任务。然而，机器人的操作环境很少是静态的，并且它经常具有许多移动障碍物。机器人可能会遇到这些未知和不可预测的移动障碍物中的一个或多个。机器人在遇到障碍物时需要决定如何前进，提出了一种基于RRT* 的动态重规划方法。当未知的随机运动障碍物阻挡路径时，机器人将修改其当前的规划，各种实验结果表明了该方法的有效性。
2017-04-15 cs.RO
Informable Multi-Objective and Multi-Directional RRT* System for Robot Path Planning
Princeton University（普林斯顿大学）
多目标或多目的地路径规划对于移动机器人应用至关重要，例如移动即服务，机器人检测和电动汽车长途充电。本文提出一个随时迭代系统来同时求解多目标路径规划问题和确定目的地的访问顺序。该系统包括一个随时不变形的多目标和多方向的RRT* 算法，以形成一个简单的连通图，和一个建议的求解器，由一个增强的最便宜的插入算法和遗传算法，以解决放松旅行商问题在多项式时间。此外，通常会为机器人检查和车辆路由提供一系列路点，以便机器人可以优先访问某些设备或感兴趣的区域。我们表明，所提出的系统可以固有地将这些知识，并可以通过具有挑战性的拓扑导航。所提出的随时随地系统进行评估，为现实世界的驾驶应用程序建立的大型和复杂的图形。所有实现都是用多线程C++编写的，可以在https://github.com/UMich-BipedLab/IMOMD-RRTStar上找到。
2022-05-30 cs.RO
Sampling-based Algorithms for Optimal Motion Planning Using Closed-loop Prediction
Georgia Institute of Technology（佐治亚理工学院）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
微分约束下的运动规划，即运动动力学运动规划，是机器人学中的经典问题之一。目前，最先进的方法围绕流行的基于采样的算法的运动动力学变体，如快速探索随机树（RRT）。然而，仍然存在挑战，例如，如何在保证最优性的同时包括复杂的动态。如果开环动态是不稳定的，则通过控制空间中的随机采样的探索变得低效。我们描述了一种新的基于采样的算法，称为CL-RRT#，它利用了RRT#算法的思想和RRT算法的变体，该算法使用闭环预测生成轨迹。规划与闭环预测的想法，使我们能够处理复杂的不稳定的动态，并避免需要找到计算困难的转向程序。RRT#算法中提出的搜索技术允许我们通过搜索替代参考轨迹来提高解的质量。使用非完整系统的数值模拟表明所提出的方法的好处。
2016-01-23 cs.RO
RRT and Velocity Obstacles-based motion planning for Unmanned Aircraft Systems Traffic Management (UTM)
International Institute of Information Technology Hyderabad（海得拉巴国际信息技术学院）
提出了一种针对有限数量无人机的无人机系统交通管理算法。该算法是结合快速探索随机树（RRT）和速度障碍（VO）算法开发的，称为RRT-VO UTM算法。在这里，RRT算法离线工作，以在具有已知静态障碍物的给定环境中生成无障碍航路点。另一方面，VO算法在线操作以避免与其他UAV和已知静态障碍物碰撞。静态障碍物的边界被近似为小圆圈，以方便VO算法的制定。该算法的性能进行了评估，使用数值模拟，然后比较著名的人工势场（APF）避碰算法。所提出的方法的优点清楚地显示在较低的路径长度和碰撞避免能力的一个具有挑战性的情况。
2023-02-28 cs.RO
Robust-RRT: Probabilistically-Complete Motion Planning for Uncertain Nonlinear Systems
Stanford University（斯坦福大学）；Technion（以色列理工学院）
鲁棒运动规划需要计算在所有可能的不确定性实现下都是安全的全局运动计划，无论是在系统动态中，机器人的初始位置，还是相对于外部干扰。目前的鲁棒运动规划方法要么缺乏理论保证，要么对系统动力学和不确定性分布进行限制性假设。在本文中，我们提出了强大的快速探索随机树（Robust-RRT）算法，该算法将前向可达性分析直接集成到基于采样的控制轨迹合成，以解决这些限制。我们证明了Robust-RRT是概率完备的（PC）的非线性Lipschitz连续动力系统的有界不确定性。换句话说，Robust-RRT最终找到在所有可能的不确定性实现下可行的鲁棒运动计划，假设存在这样的计划。我们的分析甚至适用于不稳定的系统，只承认短期可行的计划，这是因为我们明确考虑可达集沿控制轨迹的时间演化。由于在我们的分析中明确考虑了时间依赖性，PC适用于不稳定系统。据我们所知，这是最普遍的PC证明鲁棒采样为基础的运动规划，在类型的不确定性和动力系统，它可以处理。考虑到可达集的精确计算对于某些动力系统来说可能是计算昂贵的，我们将基于采样的可达性分析纳入Robust-RRT中，并在非线性、欠驱动和混合动力系统上展示了我们的鲁棒规划器。
2022-11-01 cs.RO
Hierarchical Trajectory Planning for Autonomous Driving in Low-speed Driving Scenarios Based on RRT and Optimization
The Hong Kong University of Science and Technology（香港科技大学）
虽然人们对城市道路和高速公路上的路径规划进行了大量的研究，但很少有研究低速驾驶场景下的驾驶策略和轨迹规划，例如，在大学校园内驾驶或在住宅区或工业区内驾驶。在这些情况下的规划研究是至关重要的，因为这些环境往往涵盖了日常旅行或物流系统的第一公里或最后一公里。此外，有必要区别对待这些场景，因为在大多数情况下，驾驶环境是狭窄的，动态的，并且充满障碍物，这也导致在这种环境中进行规划仍然是一项具有挑战性的任务。提出了一种将路径规划和时间规划分离的层次规划方法。通过改进的双向快速探索随机树（bi-RRT）方法生成满足运动学约束的路径。然后，通过序列二次规划（SQP）的安全区间（SI）定义的可行的搜索范围，优化的路径的每个节点的时间戳。不同驾驶场景下的仿真和实车试验证明了该方法的有效性。
2019-04-04 cs.RO
Exploration-RRT: A multi-objective Path Planning and Exploration Framework for Unknown and Unstructured Environments
Luleå University of Technology（吕勒奥理工大学）
本文建立了Exploration-RRT算法：一种基于多目标快速探索随机树（RRT）框架的新型通用联合探索和路径规划算法。Exploration-RRT（ERRT）是专门设计用于3D探测任务，部分或完全未知和非结构化的环境。新提出的ERRT是基于一个多目标优化框架，它能够考虑潜在的信息增益，行驶的距离，和驱动成本，沿轨迹伪随机目标，从考虑板上传感器模型和所利用的平台的非线性模型产生。在本文中，将建立ERRT的算法流水线，并将在配备有3D激光雷达的无人机（UAV）模型的模拟操作环境中的应用上展示所提出的方案的总体适用性和效率，其目标是尽可能高效和快速地探索完全未知的区域
2021-04-08 cs.RO
RRT-CoLearn: towards kinodynamic planning without numerical trajectory optimization
Delft University of Technology（代尔夫特理工大学）
基于采样的Kinodynamic规划器，例如快速探索随机树（RRT），提出了两个基本挑战：计算两个随机采样节点之间距离的可靠（伪）度量，以及计算连接节点的转向输入。这些挑战的核心是一个两点边值问题，这是已知的NP-难。最近，距离度量已经近似使用监督学习，大大减少了计算时间。以前的工作，这样的学习RRT使用直接最优控制来生成数据的监督学习。本文建议使用间接最优控制，因为它提供了两个好处：它减少了计算工作量生成的数据，它提供了一个低维参数化的行动空间。后者允许我们学习距离度量和连接两个节点的转向输入。这消除了学习RRT时对本地规划者的需要。摆摆的实验结果表明，在离线数据生成和在线规划时间10倍的速度，导致至少10倍的速度在整体规划时间。
2017-10-27 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
ScaleMPA: Rethinking Scalable RRT* Acceleration With a Grid-Native Representation
ScaleMPA是一种基于网格原生表示的运动规划加速器，通过直接网格访问和多分辨率哈希网格，在28nm CMOS上实现毫秒级延迟，较最先进加速器提速4.7-44.4倍。
2026-09-22 cs.AR cs.RO
