ONRAP: Occupancy-driven Noise-Resilient Autonomous Path Planning
Honda Research Institute, CA, USA（本田研究院，美国加利福尼亚州）；Honda Research and Development（本田研发）
ONRAP 提出了一种基于占用网格的抗噪声路径规划方法，结合占用流预测以生成安全可行的路径，实现实时运行并有效应对不确定环境。
2026-02-14 cs.RO
Motion Planning for Collision-resilient Mobile Robots in Obstacle-cluttered Unknown Environments with Risk Reward Trade-offs
University of California, Riverside（加州大学河滨分校）
在未知障碍物杂乱的环境中避免碰撞可能并不总是可行的。本文重点介绍了一种新的范式转变，即可以利用而不是完全避免与环境的潜在碰撞。为此，我们引入了一种新的基于采样的在线规划算法，可以明确地处理与环境碰撞的风险，并可以在碰撞避免和碰撞利用之间切换。规划者的能力的核心是一个新的联合优化功能，使用反射模型评估可能的碰撞的影响。通过这种方式，规划者可以做出与环境碰撞的深思熟虑的决定，如果这种碰撞有望帮助机器人朝着目标前进。为了使算法在线，我们提出了一个状态扩展修剪技术，显着减少了搜索空间，同时确保完整性。该算法的实验评估与内置的内部完整轮式机器人，可以承受碰撞。我们进行了广泛的参数研究，以调查（用户调整）的风险水平之间的权衡，故意碰撞决策，和轨迹统计，如时间，以达到目标和路径长度。
2020-09-04 cs.RO
Uncovering the Secrets of Human-Like Movement: A Fresh Perspective on Motion Planning
Tencent Robotics X（腾讯Robotics X实验室）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of South Australia（南澳大学）
本文从生物力学视角提出融合柔顺控制动力学与响应时间矩阵的最优控制框架，将机械臂运动转化为时间参数化最优控制问题，以平衡精度与柔顺性，并在机械臂和人形机器人上验证了其有效性。
2024-10-21 cs.RO
Collaborative motion planning for multi-manipulator systems through Reinforcement Learning and Dynamic Movement Primitives
Department of Mechanical & Aerospace Engineering, University of Virginia（机械与航空航天工程系，弗吉尼亚大学）
针对多机械臂协作任务中碰撞避免与状态空间复杂性问题，提出结合强化学习与动态运动基元的多层次方法，利用演示库生成自适应实时轨迹，并在PyBullet仿真中验证其有效性。
2025-03-05 cs.RO
Combining Movement Primitives with Contraction Theory
Massachusetts Institute of Technology（麻省理工学院）
本研究提出结合运动基元与收缩理论的模块化机器人运动规划框架，支持多类运动的组合与独立调制，可简化复杂规划编程，经仿真验证具备良好灵活性与应用潜力。
2025-01-15 cs.RO
Path Planning Considering Time-Varying and Uncertain Movement Speed in Multi-Robot Automatic Warehouses: Problem Formulation and Algorithm
The University of Hong Kong（香港大学）；Geekplus Technology Co., Ltd.（极智嘉科技有限公司）；University of California Berkeley（加州大学伯克利分校）
多机器人系统中的路径规划是指为每个机器人计算一组动作，这些动作将使每个机器人移动到其目标而不与其他机器人冲突。最近，该研究课题因其广泛的应用而受到极大的关注，例如机场地面，无人机群和自动仓库。尽管这些现有的研究成果，大多数现有的调查都与机器人的情况下，一个固定的运动速度，而不考虑不确定性。因此，在这项工作中，我们研究了多机器人自动化仓库的路径规划问题，它考虑了时变和不确定的机器人的运动速度。具体地说，路径规划模块根据传统的冲突概率分布计算交通代价，并结合经典的A* 算法，为单个智能体搜索冲突尽可能少的路径。然而，这种基于概率的方法并不能消除所有的冲突，速度的不确定性会不断引起新的冲突。作为补充，我们提出了其他两个模块。冲突检测与重规划模块根据设计的规则，周期性地从不同类型的冲突中选择需要重规划路径的对象。此外，在每个步骤中，调度模块填充代理的保留队列，并决定当同一元素同时分配给两个代理时谁具有更高的优先级。最后，我们将所提出的算法与学术界和工业界的其他算法进行了比较，结果表明，所提出的方法是最好的性能。
2022-12-01 cs.RO
D-ITAGS: A Dynamic Interleaved Approach to Resilient Task Allocation, Scheduling, and Motion Planning
Georgia Institute of Technology（佐治亚理工学院）
复杂的多目标任务要求异构机器人在多个相互连接的层次上进行协调，例如联盟形成、调度和运动规划。动态变化加剧了这一挑战，例如传感器和执行器故障、通信丢失和意外延迟。我们引入动态迭代任务分配图搜索（D-ITAGS）\textit{simultaneously}地址联盟形成，调度，和运动规划在动态设置涉及异构团队。D-ITAGS通过两个关键特性实现弹性：i）交错执行，ii）有针对性的修复。\textit{Interleaved execution}能够在每一层有效地搜索解决方案，同时避免与其他层的不兼容。\textit{Targeted repair}可识别和修复受特定中断影响的部分现有解决方案，同时保留其余部分。除了算法的贡献，我们提供了理论上的见解，在这些设置中的时间和资源最优性之间的内在权衡，并得出有意义的界限时间表次优。我们的实验表明，i）D-ITAGS在动态设置中比从头开始重新计算要快得多，解决方案质量几乎没有损失，ii）理论上的次优性界限在实践中始终保持不变。
2022-12-03 cs.MA 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
MeshDMP: Motion Planning on Discrete Manifolds using Dynamic Movement Primitives
Università di Trento（特伦托大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）
本文提出MeshDMP方法，通过在离散流形上应用微分算子嵌入工件几何信息并扩展DMPs框架，使机械臂能在复杂曲面上学习、泛化并生成接触式运动，在仿真和真实抛光实验中表现优异。
2025-01-30 cs.RO
Online Search-based Collision-inclusive Motion Planning and Control for Impact-resilient Mobile Robots
University of California, Riverside（加州大学河滨分校）
本文重点研究碰撞包容性运动规划和控制的冲击弹性移动机器人的新兴范式转变，并开发了一个统一的层次框架，在未知和部分可观察的混乱空间导航。在较低的水平，我们开发了一个变形恢复控制和轨迹重新规划策略，处理碰撞，可能会发生在运行时，本地。低级别系统主动检测碰撞（通过内置的-house中的移动机器人上的嵌入式霍尔效应传感器），使机器人能够从碰撞中恢复，并局部调整碰撞后的轨迹。然后，在更高的层次上，我们提出了一个基于搜索的规划算法，以确定如何最好地利用潜在的冲突，以提高某些指标，如控制能量和计算时间。我们的方法建立在具有跳跃点的A* 上。我们生成了一个新的启发式函数，碰撞检查和调整技术，从而使A* 算法收敛速度更快，通过开发和利用可能的碰撞达到目标。通过结合全局A* 算法和局部变形恢复和重新规划策略生成的整体分层框架，以及该框架的各个组件，在仿真和实验中进行了广泛的测试。消融研究将链接到相关的最先进的基于搜索的碰撞避免规划器（用于整体框架），以及基于搜索的碰撞避免和基于采样的碰撞包容性全局规划器（用于更高级别）。结果表明，我们的方法的碰撞包容性运动规划和控制在未知的环境中孤立的障碍物一类的冲击弹性机器人在2D操作的有效性。
2022-10-18 cs.RO cs.SY eess.SY
Interactive Movement Primitives: Planning to Push Occluding Pieces for Fruit Picking
University of Lincoln（林肯大学）；Centre for Autonomous Systems (L-CAS)（自主系统中心（L-CAS））
机器人技术越来越被认为是水果采摘的主要手段。然而，采摘密集集群中的水果提出了一个具有挑战性的研究问题，在运动/路径规划方面，传统的规划方法可能无法找到无碰撞的运动，机器人达到和采摘一个成熟的水果在密集集群。在这种情况下，机器人需要安全地推动未成熟的水果到达成熟的水果。尽管如此，现有的方法来规划推动运动在杂乱的环境中要么是计算昂贵的或只处理2-D的情况下，不适合水果采摘，它需要计算3-D推动运动在很短的时间。在这项工作中，我们提出了一个路径规划算法，推动闭塞的水果达到和采摘成熟的。我们提出的方法，称为交互式概率运动原语（I-ProMP），是不是计算昂贵的（其计算时间是在100毫秒的顺序），并很容易用于3-D的问题。我们证明了我们的方法的效率，推动未成熟的草莓在模拟polytunnel。我们的实验结果证实了I-ProMP成功地推动了桌面种植的草莓，并达到了成熟。
2020-09-25 cs.AI cs.RO
Dynamic via-points and improved spatial generalization for online trajectory planning with Dynamic Movement Primitives
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
本文针对 DMP 空间泛化异常和途经点纳入不足的问题，提出一种改进的在线空间泛化方法，通过权重在线自适应在满足动态途经点约束下最小化与演示加速度轮廓的距离，仿真和实验验证了其有效性。
2023-07-06 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
Trajectory Planning of a Curtain Wall Installation Robot Based on Biomimetic Mechanisms
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）
针对建筑机器人能耗问题，提出融合人体举重能量转换原理的仿生轨迹规划框架，结合EMG信号与PSO动态载荷分配，使幕墙安装机器人仿真能耗降低48.4%。
2025-07-22 cs.RO
Vision-Based Dexterous Motion Planning by Dynamic Movement Primitives with Human Hand Demonstration
Dalhousie University（达尔豪斯大学）
针对现有机械臂演示学习未考虑手部姿态的问题，本文提出基于单深度相机与MediaPipe的人手动作捕捉框架，结合动态运动基元让7自由度机械臂学习含姿态的灵巧抓取放置任务，可适配不同起止点。
2024-08-19 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
Biologically inspired model simulating visual pathways and cerebellum function in human - Achieving visuomotor coordination and high precision movement with learning ability
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；CAS Center for Excellence in Brain Science and Intelligence Technology（中国科学院脑科学与智能技术卓越创新中心）；China Agricultural University（中国农业大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
近年来，信息科学与神经科学的交叉研究成为热点。本文基于近年来的生物学研究成果，提出了一种新的模型来模拟人类中枢和外周神经系统的视觉信息处理、运动规划和控制。该模型的主要步骤如下：1）模拟“where”通路：采用选择性搜索方法模拟人类背侧视觉通路定位候选物体的功能; 2）模拟“what”通路：采用卷积深度信念网络模拟人类腹侧视觉通路的层次结构和功能，用于物体识别; 3）模拟人体的运动规划过程：模拟人体习惯性的运动规划过程，根据以往经验的控制信号组合生成运动指令;校准的控制信号，其模仿人类小脑对运动的调节，从过去经验中的运动误差的校准中生成和更新，并发送到运动模型以实现高精度。该框架模拟了人类识别、视觉协调和精确运动控制的结构和功能。通过对目标定位、识别和运动控制的实验表明，该模型不仅能够完成视觉协调任务，而且具有学习能力，能够实现高精度的运动。同时，实验结果也证明了所引入的机制的有效性.此外，所提出的模型可以推广和应用到其他系统，如机械和电气系统的机器人，以实现快速响应，高精度的运动与学习能力。
2016-03-08 cs.RO
On-line and on-board planning and perception for quadrupedal locomotion
Istituto Italiano di Tecnologia（意大利理工学院）
我们提出了一个腿部运动规划方法，四足运动具有挑战性的地形。我们将问题分解为身体动作规划和脚步规划。我们使用一个晶格表示连同一组定义的身体运动原语计算身体行动计划。格子表示使我们能够计划多功能的运动，确保每个可能的计划的可行性。为此，我们提出了一套规则，定义的足迹搜索区域和足迹序列给定的身体动作。我们使用Anytime Repairing A*（ARA*）搜索，保证有界次优计划。我们的主要贡献是一个规划方法，产生在线多功能运动。实验测试证明了我们的规划方法在一组具有挑战性的地形条件下的性能。地形信息和计划是在线和车载计算的。
2019-04-07 cs.CV cs.RO
Learning Feedback Terms for Reactive Planning and Control
Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
随着机器人技术、机器学习和机器感知的进步，越来越多的机器人将进入人类环境，协助完成日常任务。然而，动态变化的人类环境需要反应式运动计划。反应性可以通过重新规划来实现，例如模型预测控制，或者通过反应性反馈策略来实现，该反应性反馈策略响应于感觉事件来修改正在进行的行为。在本文中，我们研究了如何使用机器学习，以增加反应，以前学到的名义熟练的行为。我们通过学习由非线性微分方程表示的运动计划的反应性修改项来实现这一点。特别是，我们使用动态运动原语（DMPs）来表示一个技能和一个神经网络来学习一个反应性的政策，从人类示威。我们使用的机器人操作的避障作为一个试验台，以及探索域。我们的方法演示了如何将神经网络与物理洞察相结合，以确保在不同的障碍设置和运动持续时间上的稳健行为。对拟人机器人系统的评价证明了我们工作的有效性。
2017-03-03 cs.RO
MORPH-U: Multi-Objective Resilient Motion Planning for V2X-Enabled Autonomous Driving in High-Uncertainty Environments via Simulation
CARLA-based vehicle-side pipeline（基于CARLA的车辆侧流水线）
本文提出MORPH-U，通过融合V2X与传感器数据构建局部动态地图，采用多目标优化方法在跟踪误差、安全余量、响应性和平滑度之间进行权衡，通过Pareto前沿分析选择操作点，并利用拜占庭启发的接受门防止故障触发下的不安全重规划。
2026-05-08 cs.AI cs.MA cs.RO
Hierarchical Planning of Dynamic Movements without Scheduled Contact Sequences
Department of Advanced Robotics, Istituto Italiano di Tecnologia（意大利技术研究院先进机器人部）；Robot Learning and Interaction Group, Idiap Research Institute（伊迪普研究所机器人学习与交互小组）
本文提出了一种分层轨迹优化方法，用于规划无需调度接触序列的动态运动，通过计算能够实现无法通过刚体运动达到的目标的全身运动，首先根据机器人的质心动力学找到可行的质心运动，然后通过应用完整的动力学模型进行优化，利用可行的质心轨迹作为预热起点，通过互补约束描述接触模型，即环境几何和非滑动主动接触，两个优化阶段均作为互补约束数学规划问题（MPCC）进行求解，实验表明该规划方法在一系列具有挑战性的任务中表现出色。
2019-04-09 cs.RO cs.SY eess.SY
Learning and Inferring Movement with Deep Generative Model
Tsinghua University（清华大学）
学习和推理运动是一个非常具有挑战性的问题，由于其高维性和依赖于不同的环境或任务。在本文中，我们提出了一个有效的概率学习和推理的基本动作的方法。运动规划问题被公式化为在有向图模型上的学习，并且深度生成模型被用于从演示执行学习和推理。这种方法的一个重要特点是，它灵活地结合了长期规划的任务描述符和上下文信息，它可以与机器人控制的动态系统相结合。机器人逼近路径规划任务的实验验证表明，在有限的训练数据的基础方法的优势。
2018-10-29 cs.LG cs.RO stat.ML
Exploiting collisions for sampling-based multicopter motion planning
University of California, Berkeley（加州大学伯克利分校）
具有碰撞弹性设计的多旋翼飞行器可以在涉及碰撞的轨迹上运行。本文提出了一种基于采样的方法，可以利用碰撞更好的运动规划。该方法是建立在RRT* 算法的基础上，并利用快速运动基元生成和碰撞检查的多旋翼。它通过检测运动基元和障碍物之间的潜在交叉点来生成碰撞状态，并将这些状态与其他采样状态连接以形成包含碰撞的轨迹。我们表明，允许碰撞有助于提高基于采样的规划器在隧道等狭窄空间中的性能。最后，给出了一个跟踪碰撞包容规划器生成的轨迹的实验。
2020-11-08 cs.RO
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
Exploration, Path Planning with Obstacle and Collision Avoidance in a Dynamic Environment
Universidade da Beira Interior（贝拉内政大学）
如果我们给机器人一个任务，将物体从当前位置移动到未知环境中的另一个位置，机器人必须探索地图，识别所有类型的障碍物，然后确定完成任务的最佳路线。我们提出了一个数学模型，以找到一个最佳的路径规划，避免碰撞的所有静态和移动的障碍物，并具有最小的完成时间和最小的行驶距离。该模型不考虑障碍物和机器人周围的限界框，使机器人可以非常接近障碍物而不与其发生碰撞。我们考虑了两种类型的障碍物：确定性障碍物，包括所有静态障碍物，如不移动的墙壁和所有移动障碍物，其移动具有固定的模式，以及非确定性障碍物，包括所有障碍物，其移动可以在任何时间以某种概率分布在任何方向发生。我们还考虑了机器人的加速度和减速度，以提高避碰。
2022-08-19 cs.RO
Resilient Timed Elastic Band Planner for Collision-Free Navigation in Unknown Environments
Lincoln Centre for Autonomous Systems, University of Lincoln（林肯大学林肯自主系统中心）
针对自主导航中初始规划方案失效问题，提出结合混合A*算法和软约束平滑技术的弹性轨迹重规划方法，通过动态Voronoi图优化障碍约束，在高障碍密度环境中较TEB和NMPC规划器性能提升约20%，提升导航效率与鲁棒性。
2024-12-04 cs.RO math.OC
KC-TSS: An Algorithm for Heterogeneous Robot Teams Performing Resilient Target Search
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出KC-TSS：K-termed-Traveling Salesman Based Search是一种故障弹性路径规划算法，用于在人类环境中执行目标搜索的异构机器人团队。我们将样本路径生成问题分为异构聚类和多个旅行商问题。这使我们能够为每个代理提供高质量的候选路径（即最小回溯，重叠）的信息理论效用函数。首先，我们从地图知识和目标预测模型中生成候选航点。所有这些候选人根据代理的数量和他们的覆盖空间的能力或覆盖能力进行聚类。每个代理解决一个旅行商问题（TSP）的实例在其分配的集群，然后候选人被馈送到一个效用函数的路径选择。我们进行了广泛的露台模拟和初步部署的真正的机器人在室内搜索和模拟救援场景与静态目标。我们将我们提出的方法与最先进的算法进行比较，并表明我们的方法能够在任务时间内胜过它。我们的方法通过在线重新计算全局团队计划，在单个或多个队友失败的情况下提供弹性。
2022-03-02 cs.RO
Optimal Trajectory Planning in a Vertically Undulating Snake Locomotion using Contact-implicit Optimization
Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）；California Institute of Technology（加州理工学院）
针对蛇形机器人垂直起伏运动，提出基于Moreau步进方法的降阶模型，通过接触隐式优化实现最优轨迹规划，并经仿真和实验验证了模型准确性与有效性。
2025-08-04 cs.RO
Motion Planning for a Climbing Robot with Stochastic Grasps
Stanford University（斯坦福大学）
多肢攀爬机器人的运动规划必须考虑机器人的姿态、关节力矩以及它如何利用接触力与环境相互作用。这篇论文的重点是机器人的运动规划，该机器人使用非传统的运动来探索不可预测的环境，如火星洞穴。我们的机器人概念，ReachBot，使用可伸缩的吊杆作为四肢，在攀爬时实现大的可达工作空间。每个可延伸的吊杆都有一个微棘夹持器，用于抓取岩石表面。ReachBot利用其庞大的工作空间绕过障碍物，越过裂缝，并通过具有挑战性的地形。我们的规划方法必须是多功能的，以适应可变的地形特征和强大的，以减轻风险的随机性与脊柱抓。在本文中，我们引入了一个图遍历算法来选择一个离散的顺序的基础上，现有的地形特征适合把握把握。该离散计划由解耦运动规划器补充，该运动规划器考虑身体运动和末端执行器运动的交替阶段，使用基于采样的规划和顺序凸规划的组合来优化各个阶段。我们使用我们的运动规划器来规划一个模拟的2D洞穴环境中的轨迹，成功的概率至少为95%，并在基线轨迹上表现出更好的鲁棒性。最后，我们通过实验验证我们的运动规划算法在二维平面原型。
2022-09-21 cs.RO
Walking-by-Logic: Signal Temporal Logic-Guided Model Predictive Control for Bipedal Locomotion Resilient to External Perturbations
Georgia Institute of Technology（佐治亚理工学院）
本文首次将信号时序逻辑引导的模型预测控制用于双足运动推挤恢复，生成同时满足任务规范并最大化鲁棒性的安全轨迹，在交叉腿动作和踏脚石选择等任务中优于现有控制器。
2023-09-22 cs.RO
Lifelong Path Planning with Kinematic Constraints for Multi-Agent Pickup and Delivery
University of Southern California（南加州大学）
多代理拾取和交付（MAPD）问题模型的应用程序中，大量的代理出席传入拾取和交付任务的流。令牌传递（TP）算法是近年来提出的一种高效的MAPD算法。我们使用一种新的组合搜索算法，称为安全间隔路径规划与保留表（SIPPWRT），单代理路径规划TP更高效和有效的。SIPPWRT使用高级数据结构，允许在线设置中快速更新和查找所有代理的当前路径。由此产生的MAPD算法TP-SIPPWRT考虑到实际机器人的运动学约束直接在规划过程中，计算连续的代理运动与给定的速度，工作在非完整的机器人，而不是离散的代理运动与均匀的速度，是完整的形式良好的MAPD实例。我们证明了它的好处，自动化仓库使用代理模拟器和标准的机器人模拟器。例如，我们证明了它可以在几秒钟内为数百个代理和数千个任务计算路径，并且比现有的MAPD算法更高效和有效，该算法使用后处理步骤以使其路径适应具有给定速度的连续代理移动。
2018-12-15 cs.AI cs.RO
Towards Adaptive Planning of Assistive-care Robot Tasks
University of York（约克大学）；University of Málaga（马拉加大学）
这篇“研究预览”论文介绍了一种自适应路径规划框架，用于辅助护理应用中的机器人任务执行。该框架提供了一个基于图形的环境建模方法，使用Dijkstra算法进行动态路径查找。一个预测模块，使用概率模型检验估计通过环境中的人类的运动，允许运行时重新规划机器人的路径。我们说明了使用的框架模拟辅助护理案例研究，其中移动机器人导航通过环境和监测终端用户有轻度的身体或认知障碍。
2022-09-28 cs.RO
Signal Temporal Logic-Guided Model Predictive Control for Robust Bipedal Locomotion Resilient to Runtime External Perturbations
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种基于信号时序逻辑引导的模型预测控制框架，通过编码任务规范生成具有形式化保证的最优控制序列，有效解决双足机器人在不可预见外部扰动下的恢复与运动稳定性问题。
2023-10-17 cs.RO
Optimal Whole Body Trajectory Planning for Mobile Manipulators in Planetary Exploration and Construction
University of Salerno（萨勒诺大学）；ALTEC S.p.A.（阿尔泰克公司）；Trasys International（特拉西斯国际公司）
针对移动机械臂在行星探测中的基座与臂分离规划导致次优的问题，提出基于离散动态规划与最优插值的全身规划器OptiWB，利用运动学冗余规避碰撞并提升相机可见性，在ESA简化漫游车上验证。
2024-05-23 cs.RO
Spatiotemporal motion planning with combinatorial reasoning for autonomous driving
fortiss GmbH（福蒂斯有限公司）；Technische Universität München（慕尼黑工业大学）
城市环境中的运动规划可以看作是一个组合问题。通过前面、后面、右边或左边的障碍物，自动驾驶汽车可以选择执行多个选项。在规划框架中需要考虑到这些组合方面。我们解决这个问题，提出了一种新的规划方法，结合轨迹规划和机动推理。我们定义了一个分类的动态障碍物沿参考曲线，使我们能够提取战术决策序列。我们将纵向和横向运动分开，以加快基于优化的轨迹规划。为了将获得的轨迹集映射到机动变体，我们定义了一种语义语言来描述它们。这使我们能够选择最佳轨迹，同时也确保机动一致性。我们展示了我们的方法的能力，仍然被广泛认为是具有挑战性的情况。
2022-07-10 cs.RO
Uncertainty-Resilient Active Intention Recognition for Robotic Assistants
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Osnabrück University（奥斯纳布吕克大学）；Joint Lab for AI & DS（人工智能与数据科学联合实验室）；Institute of Computer Science（计算机科学学院）
针对机器人助手意图识别中不确定性与感知噪声的挑战，提出一个以意图识别POMDP为核心、整合实时传感器数据与规划器组合的鲁棒框架，并在实体机器人上验证了其有效性。
2025-08-26 cs.AI cs.RO
Sequential Bayesian Optimization for Adaptive Informative Path Planning with Multimodal Sensing
Stanford University（斯坦福大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）
自适应信息路径规划与多模态传感器（AIPPMS）考虑的问题，配备多个传感器，每个传感器具有不同的传感精度和能源成本的代理。智能体的目标是在未知的、部分可观测的环境中探索环境并收集受其资源约束的信息。以前的工作集中在不太一般的自适应信息路径规划（AIPP）的问题，它只考虑代理的运动对收到的意见的影响。AIPPMS问题增加了额外的复杂性，要求代理的原因，共同的影响，传感和运动，同时平衡资源约束与信息目标。我们制定的AIPPMS问题作为一个信念马尔可夫决策过程与高斯过程的信念，并解决它使用一个连续的贝叶斯优化方法与在线规划。我们的方法始终优于以前的AIPPMS解决方案，几乎在每个实验中获得的平均奖励增加了一倍以上，同时还将环境信念的均方根误差降低了50%。我们完全开源我们的实现，以帮助进一步的开发和比较。
2022-09-16 cs.AI cs.RO
Planning and Resilient Execution of Policies For Manipulation in Contact with Actuation Uncertainty
Worcester Polytechnic Institute（伍斯特理工学院）；University of Michigan（密歇根大学）
我们提出了一种方法，用于规划运动的机器人与致动的不确定性，结合与环境的接触和机器人可靠地执行操作任务的遵守。我们的方法由两个阶段组成：（1）使用基于采样的运动规划器生成部分策略，该运动规划器使用基于粒子的不确定性模型以及接触和顺应性的模拟;以及（2）弹性执行，该弹性执行更新计划的策略以考虑执行中可能由模型或环境不准确引起的意外行为。我们已经在模拟的SE（2）和SE（3）环境和Baxter机器人中测试了我们的计划器和策略执行。我们表明，我们的方法有效地生成的政策，以执行操作任务，涉及重大的接触和比较几个简单的方法。此外，我们表明，我们的政策适应是有弹性的重大变化，在执行过程中，例如，增加了一个新的障碍的环境。
2017-04-03 cs.RO
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
Autonomous task planning and situation awareness in robotic surgery
University of Verona（维罗纳大学）
机器人在微创手术中的使用提高了标准外科手术的质量。到目前为止，研究人员只研究了简单手术动作的自动化，而执行需要对环境进行推理的结构化任务以及在多个动作中进行选择的任务仍然由人类外科医生管理。在本文中，我们提出了一个框架来实现手术任务自动化。该框架包括一个基于答案集编程的任务级推理模块，一个基于动态运动基元的低级运动规划模块，以及一个态势感知模块。基于逻辑的推理模块生成可解释的计划，并且能够从故障状况中恢复，所述故障状况由与人类监督者接口的情况感知模块识别和解释，以增强安全性。动态运动基元允许复制外科医生的灵活性，并适应环境中的障碍和变化。该框架在不同版本的标准手术培训钉环任务上进行了验证。
2020-04-19 cs.CV cs.RO
Predictive Collision Management for Time and Risk Dependent Path Planning
LMU Munich（慕尼黑大学）
自动驾驶汽车或包裹机器人等自主智能体需要识别并避免可能与障碍物发生碰撞，以便在其环境中成功移动。然而，人类已经学会了凭直觉预测运动，并以前瞻性的方式避开障碍物。避碰任务可以分为全局和局部两个层次。关于全球层面，我们提出了一种方法，称为“预测碰撞管理路径规划”（PCMP）。在地方一级，使用避免碰撞的解决方案，以防止不可避免的碰撞。因此，PCMP的目的是使用预测碰撞管理来避免不必要的局部碰撞场景。PCMP是一种基于图的算法，其重点在于由三个部分组成的时间维度：（1）运动预测，（2）将运动预测集成到时间相关图中，以及（3）时间和风险相关路径规划。该算法结合了搜索最短路径的问题：绕道值得避免可能的碰撞情况？我们在不同的模拟场景中评估了规避行为，结果表明，风险敏感的代理可以避免47.3%的碰撞场景，而绕道1.3%。一个规避风险的代理避免了高达97.3%的碰撞场景，绕道39.1%。因此，一个代理的规避行为可以控制主动和风险依赖于使用PCMP。
2020-11-26 cs.AI cs.LG cs.RO
Characterizing and Improving the Resilience of Accelerators in Autonomous Robots
The University of British Columbia（不列颠哥伦比亚大学）
运动规划是自主机器人中计算密集型的研究问题。然而，运动规划硬件加速器（MPA）必须是软错误弹性的以用于在安全关键应用中的部署，并且传统缓解技术的毯式应用由于成本、功率和性能开销而不适合。我们提出了碰撞暴露因子（CEF），一个新的度量来评估电路处理空间关系，包括运动规划的故障脆弱性。CEF是基于这样的认识，即安全违规概率随着位翻转所暴露的物理空间的表面积而增加。我们在四个MPA上评估CEF。我们的经验表明，CEF与安全违规概率相关，CEF感知的选择性错误缓解提供了12.3倍，9.6倍，和4.2倍的平均故障时间（FIT）率为相同数量的受保护的内存相比，统一的，位位置，和访问频率感知的关键数据的选择。此外，我们展示了如何使用CEF，使故障表征使用23,000倍故障注入（FI）实验比详尽的FI，并评估我们的FI方法在不同的机器人和MPA。我们证明了CEF感知FI可以提供对MPA中脆弱位的见解，同时花费与均匀统计FI相同的时间。最后，我们使用CEF制定软错误弹性MPA设计指南。
2021-10-17 cs.AR cs.RO
Collision free motion planning on a wedge of circles
Wright College（赖特学院）
我们展示了一个算法，连续的指令，两个机器人移动没有碰撞的轨道形状为一个楔形的三个圆圈。我们表明，与这个问题相关的配置空间的拓扑复杂性是3。拓扑复杂度是一个同伦不变量，可以被认为是描述机器人在任何初始配置到任何最终配置之间无碰撞的运动所需的最小连续指令数。所提出的算法是最优的，在这个意义上，它需要正好3个连续的指令。
2020-10-11 cs.RO math.AT
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
Game-Theoretical Strategy of Robot in the Area with Dynamical Obstacles
Saint-Petersburg State University（圣彼得堡国立大学）
机器人操作的有效性在很大程度上取决于执行任务所需的这种或那种运动的速度。因此，机器人的最优控制问题通常分为两个子问题，分别解决。在一个自主制度的轨迹规划是履行提供机器人的运动时间接近最小。
2018-01-23 cs.RO math.OC
Contact-Prioritized Planning of Impact-Resilient Aerial Robots with an Integrated Compliant Arm
University of California, Riverside（加州大学河滨分校）；Field AI
本文提出了一种配备柔顺臂的冲击弹性空中机器人s-ARQ，结合实时接触力估计器、非线性运动控制器和接触优先规划方法，实现在杂乱环境中高效处理碰撞并稳定机动。
2023-05-24 cs.RO
A Motion Planning Algorithm in a Figure Eight Track
本文提出一种基于拓扑方法的运动规划算法，用于两个机器人在八字形轨道上的无碰撞协调运动，证明了配置空间拓扑复杂度为3，并给出了含三条连续指令的显式算法。
2024-03-17 cs.RO math.GN
Surgical Robot, Path Planning, Joint Space, Riemannian Manifolds
The University of Tokyo, Department of Information Physics and Computing（东京大学信息物理与计算系）；The University of Tokyo, Department of Precision Engineering（东京大学精密工程系）；National Institute of Informatics, Principles of Informatics Research Division（国家信息研究所信息原理研究部）
本文提出在关节空间中利用黎曼流形进行路径规划，以解决手术机器人在非凹表面的运动限制问题，通过梯度下降法提高路径规划效率。
2026-03-16 cs.RO cs.SY eess.SY
Extended Capture Point and Optimization-based Control for Quadrupedal Robot Walking on Dynamic Rigid Surfaces
University of Massachusetts Lowell（麻省大学洛厄尔分校）
稳定足式机器人在动态刚性表面（DRS）上的运动（即，在惯性系中运动的刚性表面）是复杂的规划和控制问题。由于混合非线性行走动力学的复杂性受到显式时变完整约束所造成的表面运动。这项研究的第一个主要贡献是扩展的捕获点从静态表面上行走的DRS上的运动，以及使用所得到的捕获点在线运动规划。第二个主要贡献是二次规划（QP）的反馈控制器设计，明确考虑DRS运动。通过对四足机器人在具有摇摆运动的DRS上行走的仿真，验证了所提出的控制方法的稳定性和鲁棒性。仿真结果还表明，与我们以前的方法相比，改进的步行性能离线规划和输入输出线性化控制的基础上，不明确保证地面接触约束的可行性。
2021-09-10 cs.RO math.OC
Path Planning of Unmanned System using Carrot-chasing Algorithm
The University of Arizona（亚利桑那大学）
无人系统在执行关键任务时，需要遵循预定的路径，这意味着无人系统需要路径跟踪算法来完成任务。由于预定路径通常由一组数据点给出，因此不仅不存在预定路径的曲率和导数，而且还需要大尺寸的板载存储器。在这项工作中，我们研究了一个简单的路径跟踪算法，称为胡萝卜追逐算法，使用一个简单的控制器的比例控制器的形式来控制无人驾驶系统的运动。
2020-12-24 cs.RO cs.SY eess.SY
Multi-Robot Path Planning Combining Heuristics and Multi-Agent Reinforcement Learning
School of Artificial Intelligence University of Chinese Academy of Sciences（人工智能学院 中国科学院大学）
本文提出MAPPOHR方法，结合启发式搜索与多智能体强化学习，提升多机器人路径规划效率与性能。
2025-12-11 cs.AI cs.LG cs.RO
A Type II Singularity Avoidance Algorithm for Parallel Manipulators using Output Twist Screws
Universitat Politècnica de València（瓦伦西亚理工大学）
本文提出一种基于输出旋量夹角识别奇异支链并修改其驱动器轨迹的II型奇异避免算法，无需优化即可用于并联机器人的离线和在线轨迹规划。
2024-01-17 cs.RO cs.SY eess.SY
Resilient Active Target Tracking with Multiple Robots
Virginia Tech（弗吉尼亚理工大学）；University of Pennsylvania（宾夕法尼亚大学）；Massachusetts Institute of Technology（麻省理工学院）
多机器人目标跟踪问题包括主动规划机器人的运动来跟踪目标。实际部署的一个主要挑战是使机器人对故障具有弹性。特别是，机器人可能会在对抗性场景中受到攻击，或者它们的传感器可能会出现故障或被遮挡。在本文中，我们将介绍规划算法的多目标跟踪，是弹性的，这样的失败。通常，弹性目标跟踪在计算上是困难的。与不存在故障的情况相反，当目标不可区分、或数目未知、或具有未知运动模型时，没有已知用于弹性目标跟踪的可缩放近似算法。在本文中，我们提供了第一个这样的算法，也有以下属性：首先，它实现了最大的弹性，因为该算法是有效的任何数量的失败。第二，它是可扩展的，因为我们的算法终止与国家的最先进的算法（非弹性）目标跟踪相同的运行时间。第三，它提供了可证明的近似界的跟踪性能，因为我们的算法保证了一个解决方案，保证接近最优。我们量化我们的算法的近似性能使用一种新的概念的曲率单调集函数拟阵约束。最后，我们通过MATLAB和Gazebo模拟和敏感性分析证明了我们的算法的有效性;我们专注于涉及已知数量的可区分目标的场景。
2018-09-11 cs.RO
Fast and resilient manipulation planning for target retrieval in clutter
Korea Institute of Science and Technology（韩国科学技术研究院）
本文提出了一个任务和运动规划（TAMP）框架的机器人机械手，以检索一个目标对象从杂波。我们考虑一个配置的对象在一个有限的空间中具有高密度，所以没有碰撞的自由路径的目标存在。机器人必须重新定位一些对象，以检索目标没有碰撞。为了快速完成对象重新排列，机器人的目标是优化的拾取和放置动作的数量，这往往决定了TAMP框架的效率。我们提出了一个任务规划器结合运动规划，以产生可执行的计划，其目的是尽量减少数量的取放行动。除了完全已知的和静态的环境，我们的方法可以处理不确定的和动态的情况下所产生的闭塞的意见。与基线方法相比，我们的方法减少了拾取和放置动作的数量（例如，在具有20个对象的已知静态环境中至少减少28.0%）。
2020-03-24 cs.DM cs.RO
