Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)（北约科技组织海事研究与实验中心）
在本文中，我们解决地雷对抗（MCM）的搜索问题的自主水下航行器（AUV）调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法，适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点，其中预期数据质量最低。为了评估该算法，我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复，并导致减少区域覆盖差距。在另一个实验中，自适应调查显示，近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 cs.AI cs.RO
Results of the 2024 CommonRoad Motion Planning Competition for Autonomous Vehicles
Technical University of Munich（慕尼黑技术大学）；RWTH Aachen（亚琛工业大学）；Harbin Institute of Technology（哈尔滨工业大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
2024年CommonRoad运动规划竞赛评估了自动驾驶车辆在高速公路和城市环境中的运动规划算法性能，通过四个维度比较了多种高性能规划器。
2025-12-22 cs.AI cs.RO
Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 cs.RO
Trajectory Planning for Connected and Automated Vehicles: Cruising, Lane Changing, and Platooning
自动化和连通性被认为是最有前途的技术之一，可以提高运输系统的安全性、移动性、燃料和时间消耗。联网和自动驾驶车辆（CAV）的一些燃油效率优势可以通过队列行驶来实现。一个排是一列虚拟的CAV训练，它们跟随排长一起行进，彼此之间有很小的间隙。车辆还可以通过改变车道来减少行驶时间。在本文中，我们设计了一个最优控制为基础的轨迹规划模型，可以提供安全和有效的轨迹为主题的车辆，并可以包括排队和换道。我们将此轨迹规划模型嵌入到仿真框架中，以量化其效率优势，因为它与动态交通流中的燃料消耗和行驶时间有关。此外，我们进行了大量的数值实验，以调查是否，以及在何种情况下，在上游的主体车辆的车辆也可能会遇到二手燃料效率的好处。
2020-01-23 cs.RO
Interaction-Aware Vehicle Motion Planning with Collision Avoidance Constraints in Highway Traffic
Kyungpook National University（庆北国立大学）
本文针对高速公路自动驾驶中的车辆交互问题，提出一种将周围车辆轨迹与避撞约束耦合的最优控制框架，并基于庞特里亚金极小值原理实现轨迹优化，仿真验证了其有效性。
2024-04-02 cs.RO cs.SY eess.SY
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
Off-road Autonomous Vehicles Traversability Analysis and Trajectory Planning Based on Deep Inverse Reinforcement Learning
Key Lab of Machine Perception (MOE), Peking University（北京大学机器感知重点实验室（教育部））
地形可通过性分析是实现机器人在越野环境下自主行走的基础。基于几何和基于外观的方法已经研究了几十年，而基于行为的方法利用从演示示教学习（LfD）是新的趋势。基于行为的方法学习成本函数，指导轨迹规划符合专家的演示，这可以更可扩展到各种场景和驾驶行为。提出了一种基于深度最大熵逆强化学习的越野可通过性分析和轨迹规划方法。为了在解决状态空间复杂度指数增长的问题的同时结合车辆的运动学，使用了两个卷积神经网络，RL ConvNet和Svf ConvNet被开发用于将运动学编码到卷积核中，并实现高效的前向强化学习。我们在越野环境中进行实验。场景地图使用3D LiDAR数据生成，专家演示是车辆在场景中的真实行驶轨迹，或者是合成的轨迹，以表示特定的行为，例如穿越负面障碍物。在不同的能力场景下学习和测试了不同的可通行性分析成本函数，以指导不同行为的轨迹规划。我们还证明了所提出的方法的性能和计算效率。
2020-05-09 cs.LG cs.RO
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning
Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
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）
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出，合作运动规划的方法仍然存在。在本文中，我们提出了一种方法来提高常见的运动规划算法，允许与人类驾驶的车辆合作。与以前的方法不同，我们将其他交通参与者的预测集成到运动规划中，这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此，提出了一种新的成本函数，包含场景中所有相关交通参与者的成本。最后，我们提出了一个路径速度分解采样为基础的实现，我们的方法为选定的情况下，这是在模拟评估。
2017-08-23 cs.MA cs.RO
A Framework for Collision-Tolerant Optimal Trajectory Planning of Autonomous Vehicles
碰撞容限轨迹规划是考虑碰撞，如果规划得当，可以为能够处理碰撞的机器人提供更有效的路径规划。一个混合整数规划（MIP）的优化配方演示了计算的实用性，包括计划的碰撞优化轨迹。提出了一种毁伤量化函数，并通过仿真研究了毁伤函数约束对弹道的影响。使用一个简单的例子，在此模式下实现的性能增加相比，无碰撞的最佳轨迹。
2016-11-23 cs.RO
Unmanned Surface Vehicle Path Planning from the Perspective of Multi-Modality Constraints: A Comprehensive Analysis
Wuhan University of Technology（武汉理工大学）；Delft University of Technology（代尔夫特理工大学）
本文从多模态约束视角系统梳理无人水面艇路径规划，将其分为航线、轨迹和运动规划三个阶段，综述各阶段方法与经典算法，并指出存在问题与未来研究方向。
2025-03-09 cs.RO
Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles
Université Paris Cité（巴黎大学）；Technische Universität München（慕尼黑工业大学）
基于CommonRoad基准套件举办自动驾驶运动规划竞赛，评估各方法在效率、安全、舒适及交通规则遵守方面的表现，并总结主要结果。
2024-11-10 cs.RO
A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles
Massachusetts Institute of Technology（麻省理工学院）；CTU in Prague（布拉格捷克理工大学）
自动驾驶汽车是一项成熟的技术，有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动性。自动驾驶车辆必须执行的安全关键任务包括通过与其他车辆和行人共享的动态环境规划运动，以及通过反馈控制进行鲁棒执行。本文的目的是调查的规划和控制算法，特别是关于城市设置的当前状态的艺术。选择建议的技术进行审查，以及讨论其有效性。所调查的方法在所使用的车辆机动性模型、对环境结构的假设以及计算要求方面有所不同。本调查中提供的并排比较有助于深入了解所审查方法的优势和局限性，并有助于系统级设计选择。
2016-04-25 cs.RO
Optimization-Based On-Road Path Planning for Articulated Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Linköping University（林雪平大学）；Scania CV AB（斯堪尼亚汽车公司）
在狭窄的道路延伸段上操纵铰接式车辆对于人类驾驶员来说通常是一项具有挑战性的任务。除非车辆被准确地转向，否则车身的一部分可能会超出其指定的车道，从而增加与周围交通碰撞的风险。在这项工作中，提出了一种基于优化的路径规划算法，针对道路上行驶的情况下，铰接车辆组成的牵引车和拖车。为此，我们在适合道路规划的道路对齐坐标系中对牵引车-拖车车辆进行建模。基于驾驶行为学，提出了一组不同的优化目标，其总体目标是设计一个路径规划器，该路径规划器计算最小化车身扫掠区域的偏离轨道的路径，同时保持在道路上并避免与障碍物碰撞。使用最具挑战性的牵引车拖车尺寸，在一组复杂且实际相关的道路规划场景的模拟中评估和分析了所提出的基于优化的路径规划算法以及不同的优化目标。
2020-05-11 cs.RO cs.SY eess.SY
Potential Field-based Path Planning with Interactive Speed Optimization for Autonomous Vehicles
The University of Tokyo（东京大学）
针对现有势场路径规划未考虑自车势场对障碍车辆影响的问题，提出基于V2V共享局部路径的交互式速度优化势场规划方法，可提升双方行驶安全舒适性并减少振荡。
2023-06-12 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
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
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
An Integrated Framework of Decision Making and Motion Planning for Autonomous Vehicles Considering Social Behaviors
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与宇航工程学院）
提出了一种新的综合方法，以处理的决策和运动规划的自动驾驶汽车（AV）的车道变换操纵考虑周围交通乘员的社会行为。通过驾驶风格和周围车辆的意图来反映，在建模过程中考虑了社会行为。然后，应用Stackelberg博弈理论解决决策问题，将其转化为一个非合作博弈问题。此外，在运动规划模型中引入势场，利用不同的势函数来描述周围车辆的不同行为和道路约束。然后，利用模型预测控制（MPC）来预测自主车辆的状态和轨迹。最后，决策和运动规划，然后集成到一个有约束的多目标优化问题。考虑到周围车辆的不同社会行为的三个测试场景进行了验证所提出的方法的性能。测试结果表明，该集成方法能够解决与其他交通参与者的不同社会互动，为自动驾驶汽车做出正确、安全的决策和规划，证明了其可行性和有效性。
2020-05-22 cs.RO cs.SY eess.SY
Motion Planning and Tracking Control of Unmanned Underwater Vehicles: Technologies, Challenges and Prospects
University of Guelph（圭尔夫大学）
无人水下航行器（UUV）的运动规划与跟踪控制技术是实现UUV高效、鲁棒导航的基础，对于水下救援、设施维护、海洋资源勘探、水上娱乐等具有重要意义。UUV运动规划与跟踪控制的研究在国内外得到了迅速发展。多UUV系统的任务分配、UUV路径规划和UUV轨迹跟踪。本文对UUV的运动规划和跟踪控制的传统技术和智能技术进行了全面的综述。这些不同的方法在文献中的优点和缺点的分析。最后，展望了UUV运动规划和跟踪控制的发展前景。
2022-07-10 cs.RO cs.SY eess.SY
A Geometric Approach to On-road Motion Planning for Long and Multi-Body Heavy-Duty Vehicles
Scania CV AB（斯堪尼亚CV公司）
与乘用车相比，驾驶重型车辆，例如公共汽车和牵引车拖车车辆是一项艰巨的任务。大多数关于自动驾驶车辆运动规划的研究都集中在乘用车上，与重型车辆相关的许多独特挑战仍然存在。然而，最近的工作已经开始解决的特殊困难，道路上的运动规划的公共汽车和牵引车拖车车辆使用数值优化方法。在这项工作中，我们提出了一个框架来设计一个优化目标，用于运动规划。基于几何推导，该方法找到了最佳的权衡之间的冲突目标的中心不同轴的车辆在车道上。对于公共汽车，我们考虑前轴和后轴的权衡，而对于铰接式车辆，我们考虑牵引车和拖车后轴的权衡。我们的研究结果表明，所提出的设计策略的结果规划的路径，大大提高了重型车辆的行为，保持整个车身在车道的中心。
2020-10-15 cs.RO cs.SY eess.SY
A Human-Centric Method for Generating Causal Explanations in Natural Language for Autonomous Vehicle Motion Planning
University of Edinburgh（爱丁堡大学）；Five AI Ltd.（Five AI有限公司）
难以理解的人工智能系统很难信任，特别是如果它们在自动驾驶等安全关键环境中运行。因此，有必要建立透明和可查询的系统，以提高信任水平。我们提出了一个透明的，以人为中心的解释生成方法，自主车辆运动规划和预测的基础上，现有的白盒系统称为IGP 2。我们的方法将贝叶斯网络与上下文无关的生成规则相结合，可以为自动驾驶汽车的高级驾驶行为提供因果自然语言解释。对模拟场景的初步测试表明，我们的方法捕捉到了自动驾驶汽车行为背后的原因，并生成了复杂程度不同的解释。
2022-06-27 cs.RO
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为$ε^*$ +，使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸，能量受限的车辆具有有限的操作时间持续时间。因此，在执行覆盖轨迹时，车辆必须在电池耗尽之前返回充电站进行充电。在这方面，$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹，它将飞行器带到附近未探测的航路点重新开始覆盖过程，而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展，该算法利用探索性图灵机（ETM）作为管理器，以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage（高保真机器人模拟器）进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院）；Department of Electrical Engineering, Wright State University（威斯汀大学电气工程系）
本文提出一种基于学习的并行场景预测方法，用于自动驾驶中的运动规划，通过模拟可能场景并计算成本，平衡和剪枝不合理动作，提升安全性和规划效率。
2024-11-15 cs.RO
Multi-Vehicle Trajectory Planning at V2I-enabled Intersections based on Correlated Equilibrium
Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；National Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统全国重点实验室）；Frontiers Science Center for Intelligent Autonomous Systems, Ministry of Education（教育部智能自主系统前沿科学中心）
本文提出一种基于相关均衡的V2I交叉口多车轨迹规划框架，通过交叉口管理器优化轨迹推荐概率分布，在保证安全一致均衡的同时提升通行效率。
2024-06-08 cs.RO
Search-Based Autonomous Vehicle Motion Planning Using Game Theory
Mechanical and Mechatronics Eng. Department, University of Waterloo（滑铁卢大学机械与机电工程系）
本文提出一种基于博弈论的搜索式自动驾驶车辆运动规划方法，将其他道路使用者视为智能体而非静态障碍物，以生成更真实的路径，并通过 WATonoBus 实验验证其性能与实时性。
2025-07-20 cs.GT cs.RO
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University（东北大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Columbia University（哥伦比亚大学）
本文提出基于DQN和DDQN的无人车辆局部导航系统，通过改进奖励函数和障碍物角度判定方法，解决了接近障碍物时频繁减速的问题，实现了更稳定高效的自适应速度与路径规划。
2024-04-26 cs.RO
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited（腾讯科技（北京）有限公司）
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中，我们提出了一种新的时空运动规划算法，有效地解决了约束非线性最优控制问题，使用迭代线性二次型调节器（iLQR），该方法考虑了交通车辆的不确定驾驶行为，并将自动驾驶车辆之间的碰撞风险降至最低，（称为“自我”车辆）和交通车辆之间的距离，使得自我车辆能够与所有周围车辆保持足够大的距离，以实现交通中期望的防撞操纵。为此，我们引入了“碰撞多边形”的概念，用于计算自我车辆和交通车辆之间的最小距离，并提供了两种不同的解决方案，设计的运动规划问题的约束条件，通过适当建模的交通车辆的行为，以评估碰撞风险。最后，利用仿真器和3级自动驾驶测试平台，对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
Prioritized experience replay-based DDQN for Unmanned Vehicle Path Planning
Peking University（北京大学）；Northeastern University（东北大学）；New York University（纽约大学）
针对传统算法在复杂环境下易陷入死区的问题，提出结合优先经验回放的DDQN路径规划算法，实验证明其在速度、准确性和突破死区能力上显著优于其他方法。
2024-06-25 cs.RO cs.SY eess.SY
Opportunities to Parallelize Path Planning Algorithms for Autonomous Underwater Vehicles
本文讨论了在时变环境中并行化基于图的路径规划算法的机会。并行架构已经变得普遍，需要算法被并行化以实现高效执行。本文的另一个重点是包括不准确的路径规划的预测误差方差，准确性的计算成本函数和不同的观察到的车辆速度在实际任务比计划的结果。在此背景下，将描述鲁棒路径规划算法。这些算法同样适用于陆基、空中或水下移动自主系统。这里提出的结果为未来的研究项目提供了基础，在该项目中，并行算法将在多核和多核系统上进行评估，如双核ARM Panda板和48核单芯片云计算机（SCC）。现代多核和多核处理器支持广泛的性能与能源权衡，可用于能源受限的环境，如电池供电的自主水下航行器。为了进行评估，这些板将部署在斯洛克姆滑翔机内，斯洛克姆滑翔机是一种商用浮力驱动的自主水下航行器（AUV）。
2017-02-26 cs.RO
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego（加州大学圣地亚哥分校）
自动驾驶中的安全路径规划是一项复杂的任务，由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源，但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能，标志的显着性，定义为指示是否有明显的信息，自我车辆的目标，关于交通法规的标志。在裁剪标志上使用卷积网络，结合道路类型、图像坐标和计划机动的实验增强，我们以76%的准确率预测标志的显著性，使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
Learning-based Near-optimal Motion Planning for Intelligent Vehicles with Uncertain Dynamics
National University of Defense Technology（国防科技大学）；Hunan University（湖南大学）
本文提出GP-SKRL算法，结合稀疏高斯过程回归与稀疏核策略迭代，在不确定动力学下实现智能车辆在线自适应近最优运动规划，并通过仿真与实车实验验证其优越性。
2023-08-09 cs.RO
On-Road Motion Planning for Automated Vehicles at Ulm University
University of Ulm（乌尔姆大学）
乌尔姆大学的测量、控制和微技术研究所研究先进的驾驶辅助系统已有数十年，主要集中在自动驾驶方面。众所周知，运动规划是自动驾驶的关键技术。它首先负责车辆乘客以及周围所有交通参与者的安全。然而，进一步的任务在于提供平稳和舒适的驾驶行为。在乌尔姆，我们有机会在公共交通和各种场景的真实条件下测试我们的算法。在本文中，我们希望让读者了解我们的工作，关于车辆，测试轨道，以及相关的问题，挑战和解决方案。因此，我们将描述运动规划系统并解释所实现的功能。此外，我们将展示我们的车辆如何在公共道路交通中行驶，以及如何应对具有挑战性的场景，例如驾驶通过环形交叉口和十字路口。
2021-06-02 cs.RO
Motion Primitives Planning For Center-Articulated Vehicles
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）
本文提出一种面向中心铰接式车辆的运动基元规划方法，结合滚动时域规划与位姿稳定控制，在SPL指标上较现有策略提升67%，并通过SAHA实车实验验证有效性。
2024-10-04 cs.RO
A Survey on Sensor-based Planning and Control for Unmanned Underwater Vehicles
本文综述了水下无人航行器基于传感器的规划与控制方法，分析了复杂环境下的定位与避障问题，探讨了耦合架构与解耦架构的对比，指出MPC和不变集控制器在路径优化与安全性方面的贡献。
2026-04-06 cs.RO
Risk-Aware Path Planning for Ground Vehicles using Occluded Aerial Images
University of Maryland（马里兰大学）
我们考虑的情况下，地面车辆计划其路径使用由飞行器收集的数据。在航拍图像中，场景的可导航区域可能由于障碍物而被遮挡。使用航拍图像来天真地规划路径可能导致更长的路径，因为保守的规划者可能试图避开被遮挡的区域。我们提出了一个模块化的，基于深度学习的框架，允许机器人预测在闭塞区域的可导航区域的存在。具体来说，我们使用图像修补方法来填充可能被遮挡的部分区域，然后可以对这些区域进行语义分割以确定可导航性。我们使用监督神经网络的两个模块。然而，这些预测可能是不正确的。因此，我们提取这些预测中的不确定性，并使用风险感知方法，将这些不确定性考虑到路径规划中。我们比较模块在我们的方法与非学习为基础的方法，以显示所提出的框架的有效性，通过照片逼真的模拟。模块化管道允许在不同设置中进一步改进路径规划和部署。
2022-04-24 cs.RO
A Look at Motion Planning for Autonomous Vehicles at an Intersection
SRM Institute of Science and Technology（SRM科学技术研究所）
自动驾驶汽车目前正在各种场景中进行测试。当我们走向自动驾驶汽车时，十字路口应该是什么样子？为了回答这个问题，我们将交叉口管理分解为轨迹规划中涉及的不同难题和场景以及解决这些难题的当前方法。然后，简要分析了目前自主交叉口的研究现状。以批判的眼光，我们试图深入研究现有解决方案的差异，同时提出一些已经解决的关键和重要因素。此外，还强调了必须解决的未决问题。我们还试图回答的问题，如何基准交叉口管理算法，提供一些因素，影响自主导航在交叉口。
2018-09-07 cs.RO
Graph-based Motion Planning for Automated Vehicles using Multi-model Branching and Admissible Heuristics
Ulm University（乌尔姆大学）
城市场景中的自动驾驶需要能够实时处理复杂情况的高效规划算法。一种流行的方法是使用基于图的规划方法，以获得一个粗略的轨迹，随后进行优化。一个关键的方面是生成轨迹，在图形搜索过程中实现舒适和安全的行为，同时保持低计算时间。为了抓住这一方面，一方面，在这项工作中提出了一个分支策略，导致更好的性能方面的质量产生的轨迹和运行时间。另一方面，可容许的启发式示出了有效地引导图搜索，其中的解决方案仍然是最优的。
2021-02-15 cs.RO
Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle among Multiple Task Points
Beihang University（北京航空航天大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
全局路径规划是水面无人艇设计的关键技术。本文建立了基于电子海图和六边形网格的全球环境建模方法，证明了六边形网格在有效性、安全性和快速性方面优于正方形网格。此外，我们引入立方体坐标系来简化六边形算法。在此基础上，提出了一种改进的A* 算法来实现两点间的路径规划。在此基础上，建立了多任务点全局路径规划模型，并提出了一种改进的蚁群算法来精确实现。仿真结果表明，该全局路径规划系统能够安全、快速地规划出一条最优路径，实现对多个任务点的安全巡视，在安全性、快速性和路径长度等方面均优于传统方法。此外，规划的路径可以直接应用于USV的实际应用。
2018-07-21 cs.RO
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research（瓦赫宁根大学及研究中心）
本文介绍了Fields 2Cover，一个新的开源库覆盖路径规划（CPP）的农用车辆。虽然现在有几种CPP解决方案，但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架，用于规划覆盖路径，开发新技术，并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构，支持各种车辆，可用于各种应用，包括农场。它的核心模块是：一个岬生成器，一个条带生成器，一个路线规划器和路径规划器。机器人操作系统（ROS）的接口也提供了作为add-on. In本文中，库的功能，规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
Model-Based Planning and Control for Terrestrial-Aerial Bimodal Vehicles with Passive Wheels
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（湖州学院（浙江大学湖州研究院））
针对陆空两栖载具双模态动力学导致的规划控制难题，提出基于统一动力学模型与微分平坦性的优化轨迹规划及非线性模型预测控制框架，实现精确跟踪与平滑模态切换。
2024-03-01 cs.RO
Optimal Vehicle Trajectory Planning for Static Obstacle Avoidance using Nonlinear Optimization
Guangzhou Xiaopeng Motors Technology Co Ltd（广州小鹏汽车科技有限公司）
针对自动驾驶轨迹规划需兼顾可行性、舒适性与商用计算效率的需求，提出基于非线性优化的新型算法，可生成运动学可行、舒适性最优的静态障碍物避障轨迹，且在两类硬件平台上均实现毫秒级快速生成。
2023-07-18 cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
Trajectory Planning for Autonomous Vehicle Using Iterative Reward Prediction in Reinforcement Learning
ThorDrive
针对传统自动驾驶轨迹规划泛化性差、现有强化学习方法学习不稳定且未考虑不确定性的问题，提出带迭代奖励预测与不确定性感知的强化学习轨迹规划方法，在CARLA上验证可显著降碰撞率、提平均奖励。
2024-05-12 cs.RO
A Hierarchical Multi-Vehicle Coordinated Motion Planning Method based on Interactive Spatio-Temporal Corridors
Beijing Institute of Technology（北京理工大学）
提出基于交互式时空走廊（ISTCs）的多车协调运动规划分层方法，通过混合整数二次规划构建走廊解耦高维冲突，再用非线性规划生成满足动力学的轨迹，有效降低计算压力并提升真实场景适用性。
2023-04-03 cs.RO
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
Optimization-based motion planning for multi-steered articulated vehicles
Linköping University（林雪平大学）
即使对于有经验的驾驶员来说，在狭窄的环境中操纵多转向铰接车辆的任务也是困难的。在这项工作中，我们提出了一个基于优化的轨迹规划器，针对低速机动的非结构化环境中的多转向N拖车车辆，这是由一个汽车一样的拖拉机和任意数量的相互连接的拖车固定或可转向的车轮。所提出的轨迹规划框架分为两个步骤，其中基于网格的轨迹规划器在第一步骤中用于计算轨迹规划问题的离散化版本的分辨率最优解。然后，在第二步骤中使用来自网格规划器的输出来初始化最优控制问题求解器，这使得框架能够计算在车辆的初态开始并精确地到达目标状态的局部最优轨迹。所提出的基于优化的轨迹规划器的性能进行评估，在一组实际相关的情况下，多转向3拖车车辆与车一样的拖拉机，其中最后一个拖车是可操纵的。
2020-03-02 cs.RO math.OC
Path Planning for Multiple Heterogeneous Unmanned Vehicles with Uncertain Service Times
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Wayne State University（韦恩州立大学）；Air Force Research Laboratory（空军研究实验室）
本文提出了一个框架，并制定解决路径规划问题的多个异构无人机（UV）与不确定的服务时间为每个车辆-目标对。车辆将受到与其总服务时间超过预设常数的持续时间成比例的惩罚。这些车辆的运动限制不同，在任务开始时位于不同的仓库。车辆还可以配备不同的传感器。目标是为每辆车找到一个在其各自的停车场开始和结束的行程，使得每个目标都被某辆车访问和服务，同时最小化总行驶距离和所有车辆所产生的预期惩罚之和。我们制定的问题作为一个两阶段的随机程序与追索权，目前的理论性质的制定和优势，使用这样的制定，而不是一个确定性的期望值制定，来解决这个问题。大量的数值模拟也证实了所提出的方法的有效性。
2017-02-24 cs.RO math.OC
The Hybrid Extended Bicycle: A Simple Model for High Dynamic Vehicle Trajectory Planning
Center for Robotics, Mines Paris, PSL University（PSL大学巴黎矿业中心机器人中心）；Heex Technologies（希克斯技术公司）
针对高自动驾驶场景下突发高动态机动的车辆建模需求，提出基于LSTM的混合扩展自行车模型，结合MPPI框架实现操控极限下的精准可行轨迹规划。
2024-07-10 cs.RO
T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for Multi-Speed Autonomous Vehicles
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
在本文中，我们开发了一种新的算法，称为T $^{\star}$ -Lite，使变速自动驾驶汽车的快速时间风险最优运动规划。T $^{\star}$ -Lite算法是先前开发的T $^{\star}$算法的显著更快版本。T $^{\star}$ -Lite使用T $^{\star}$的新时间风险成本函数;然而，它使用的不是基于网格的方法，而是基于渐进最优采样的运动规划器。此外，它利用最近开发的广义多速度Dubins运动模型（GMDM）的样本到样本kinodynamic运动规划。基于样本的方法和GMDM显着降低了计算负担的T $^{\star}$，同时提供合理的解决方案的质量。采样点从由两个位置坐标加上车辆航向和速度组成的四维配置空间中绘制。具体而言，T $^{\star}$ -Lite使运动规划器能够根据车辆与障碍物的接近程度选择车辆速度和方向，以生成更快、更安全的路径。在本文中，T $^{\star}$ -Lite是使用RRT $^{\star}$运动规划器开发的，但适应其他运动规划器是简单的，取决于规划器的需要
2020-08-29 cs.AI cs.RO cs.SY
Energy-Aware Lane Planning for Connected Electric Vehicles in Urban Traffic: Design and Vehicle-in-the-Loop Validation
Department of Mechanical Engineering, UC Berkeley（机械工程系，伯克利大学）；Department of Civil Engineering, UC Berkeley（土木工程系，伯克利大学）；Zoox, Inc.（Zoox公司）
本文提出了一种基于V2I通信的能耗感知运动规划框架，通过联合优化纵向速度和横向车道变更决策，实现城市交通中能耗降低24%的显著效果。
2025-12-07 cs.RO cs.SY eess.SY
Research and Implementation of Global Path Planning for Unmanned Surface Vehicle Based on Electronic Chart
Beihang University（北京航空航天大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
无人水面航行器是一种新型的智能水面航行器，全局路径规划是无人水面航行器研究的关键技术，能够反映无人水面航行器的智能化水平。为了解决无人艇全局路径规划问题，提出了一种基于电子海图的航行成本优化的改进A* 算法。利用S-57电子海图实现了八叉树网格环境模型的建立，并提出了基于航行安全权值、引航员数量和路径曲线平滑的改进A* 算法，以保证航路安全，减少规划时间，提高路径平滑度。仿真结果表明，该环境模型构建方法和改进的A* 算法能够生成安全合理的全局路径。
2018-02-09 cs.RO
Online Risk-Bounded Motion Planning for Autonomous Vehicles in Dynamic Environments
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
本文提出了一种在线风险受限的运动规划方法，通过结合意图识别算法和POMDP求解器，生成安全高效的路径规划方案，尤其在无保护左转和变道等复杂环境中表现更优。
2019-04-04 cs.AI cs.RO cs.SY
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
