Globally Guided Trajectory Planning in Dynamic Environments
TU Delft(代尔夫特理工大学)
在与人类共享的环境中导航移动机器人具有挑战性。从机器人的角度来看,人类是必须避免的动态障碍。这些障碍物使无碰撞空间非凸,这导致每个障碍物有两种不同的通过行为(向左或向右通过)。对于局部规划器,例如滚动时域轨迹优化,每种行为都代表了规划器可能陷入的局部最优。这可能导致缓慢或不安全的动作,即使存在更好的计划。在这项工作中,我们确定多个局部最优驾驶行为的轨迹,通过考虑他们的拓扑结构。通过传播拓扑信息,使这种识别在连续迭代中保持一致。最合适的高级轨迹引导基于局部优化的规划器,从而产生快速安全的运动规划。我们验证了移动机器人在仿真和现实世界的实验所提出的规划。
2023-03-14 cs.RO
FC-Planner: A Skeleton-guided Planning Framework for Fast Aerial Coverage of Complex 3D Scenes
The Hong Kong University of Science and Technology(香港科技大学);Sun Yat-Sen University(中山大学)
本文提出 FC-Planner 骨架引导框架,利用 SSD、骨架视点生成与分层并行规划,实现复杂三维场景无需预处理的快速、完整且短路径无人机覆盖。
2024-09-10 cs.RO
KnowDiffuser: A Knowledge-Guided Diffusion Planner with LLM Reasoning
Monash University Malaysia(莫纳什大学马来西亚校区);University of Utah(犹他大学)
本文提出KnowDiffuser,结合大语言模型的语义理解和扩散模型的生成能力,有效解决自动驾驶中语义到物理的鸿沟问题,实验表明其在开放环和闭环评估中表现优异。
2026-04-01 cs.RO
Hierarchical Planning with Annotated Skeleton Guidance
Texas A&M University(德克萨斯农工大学);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)(墨西哥自治技术研究所)
我们提出了一个分层的机器人引导运动规划算法来指导移动机器人。一个好的骨架映射了包含重要自由度的c空间子空间的连通性,并且能够指导规划者快速找到所需的解决方案。然而,有时骨架并不紧密地代表自由c空间,这经常误导当前的骨架引导规划者。随着C空间被采样,分层的信标引导的规划策略逐渐放松其对工作空间骨架的依赖,从而递增地返回次优路径,这是标准信标引导算法中不能保证的特征。实验比较标准的导航规划器和其他懒惰的规划策略显示显着改善路线图建设运行时间,同时保持多查询问题在混乱的环境中的路径质量。
2022-06-23 cs.RO
Differentiable Spatial Planning using Transformers
Carnegie Mellon University(卡内基梅隆大学);Facebook AI Research(Facebook人工智能研究院);UC Berkeley(加州大学伯克利分校)
我们考虑空间路径规划问题。与从头开始优化新计划并假设访问具有地面真实障碍物位置的完整地图的经典解决方案相比,我们以可微的方式从数据中学习规划器,从而使我们能够利用来自过去数据的统计数据。我们提出了空间规划Transformers(SPT),它给出了一个障碍地图,通过规划长距离的空间依赖性来学习生成动作,这与以前的数据驱动的规划器不同,后者通过卷积结构以迭代的方式在本地传播信息。在代理不知道地面实况地图的情况下,我们在端到端框架中利用预先训练的SPT,该框架具有内置的映射器和规划器结构,可以无缝泛化到分布外的地图和目标。SPT在所有操作和导航任务的设置中都优于现有的最先进的可微分规划器,从而使其绝对性能提高了7- 19%。
2021-12-02 cs.AI cs.CV cs.LG
KIO-planner: Attention-Guided Single-Stage Motion Planning with Dual Mapping for UAV Navigation
Faculty of Applied Sciences(应用科学学院);Macao Polytechnic University(澳门理工学院);College of Animal Science and Technology(动物科学与技术学院);Zhongkai University of Agriculture and Engineering(仲恺农业工程学院);School of Economics and Management(经济管理学院);South China Normal University(华南师范大学);Information Engineering School(信息工程学院)
本文提出KIO-planner,一种基于注意力引导的单阶段轨迹规划框架,通过整合CBAM模块和双映射机制,实现了在密集障碍环境中低延迟、可靠的运动规划,提高了导航的敏捷性和安全性。
2026-05-19 cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology(波兹南理工大学)
在本文中,我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外,规划者应该检查多个约束,如静态稳定性,自碰撞,与地形的碰撞,以及腿的工作空间。结果,检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中,我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后,我们提出了一种新的规划方法,提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Neural-Guided RuntimePrediction of Planners for Improved Motion and Task Planning with Graph Neural Networks
Sanctuary Cognitive Systems Corp.(圣所认知系统公司);Simon Fraser University(西蒙弗雷泽大学)
过去的十年已经充分证明了通过学习复杂的输入/输出关系可以实现的卓越功能。从数学上讲,最重要和最不透明的关系之一是问题的结构和有效的解决方法之间的关系。在这里,我们定量连接的规划问题的结构的性能给定的采样为基础的运动规划(SBMP)算法。我们证明,运动规划问题的几何关系可以很好地捕捉图神经网络(GNNs)预测SBMP运行时间。通过使用一个算法组合,我们表明,GNN预测的运行时间对特定的问题,可以利用加速在线运动规划在导航和操纵任务。此外,问题到运行时的映射可以被反转,以识别更容易由特定SBMP解决的子问题。我们提供了一个激励的例子,如何使用这些知识来提高综合任务和运动规划模拟的例子。这些成功依赖于GNN的关系结构来捕获从低维导航任务到3D环境中的高自由度操作任务的可扩展泛化。
2022-07-29 cs.RO
Topology-Guided Path Planning for Reliable Visual Navigation of MAVs
Seoul National University(首尔国立大学)
视觉导航已广泛应用于微型飞行器(MAVs)的状态估计。为了稳定的视觉导航,MAV应该生成感知感知路径,以保证足够的可见地标。许多感知路径规划的工作集中在基于采样的规划器。然而,他们可能遭受的样本效率低下,这导致计算负担,以找到一个全局最优路径。为了解决这个问题,我们提出了一个感知感知路径规划器,利用拓扑信息的环境。由于路径的拓扑类与路径上的可见地标密切相关,该算法通过检查不同的拓扑类来选择具有丰富视觉信息的拓扑类。从环境的广义沃罗诺伊图中提取拓扑图,找到具有不同拓扑类的初始路径,并将初始路径划分为离散段,每段中的点共享相似的视觉信息,以评价不同拓扑类的感知质量.该算法首先选择感知质量高的最优类,然后利用基于图的规划器在类内生成路径。通过仿真和真实世界的实验,我们证实了所提出的方法可以保证准确的视觉导航相比,感知不可知的方法,同时显示出更高的计算效率比基于采样的感知感知规划。
2021-07-19 cs.RO
Learning Sampling Dictionaries for Efficient and Generalizable Robot Motion Planning with Transformers
University of California San Diego(加州大学圣地亚哥分校);Purdue University(普渡大学)
本文提出两阶段 VQ-MPT,用离散采样字典和自回归采样区域选择增强 SMP,实现跨 2D 到 14D 机器人及未见环境的高效、可泛化运动规划。
2023-09-26 cs.AI cs.RO
Kinodynamic Task and Motion Planning using VLM-guided and Interleaved Sampling
Department of Computer Science and Engineering(计算机科学与工程系)
本文提出一种基于VLM引导和交错采样的运动动力学任务与动作规划方法,通过混合状态树联合决策任务和运动,提升规划效率和成功率。
2026-03-05 cs.RO
One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation
KTH Royal Institute of Technology(皇家理工学院);Zenseact AB(Zenseact公司);Chalmers University of Technology(查尔姆斯理工大学)
该研究提出单个扩散交通模型可同时承担自动驾驶开发中轨迹规划与安全关键场景生成两种角色,通过SSDS扩散-Transformer解码器和DAPSE方案提升规划性能,生成的场景可评估规划器鲁棒性并暴露其故障模式。
2026-09-07 cs.AI cs.CV cs.LG
Zero-Shot Constrained Motion Planning Transformers Using Learned Sampling Dictionaries
University of California San Diego(加州大学圣地亚哥分校);Purdue University(普渡大学)
本文提出零样本改造预训练 VQ-MPT 的约束运动规划方法,通过更新采样区域逼近约束流形,无需额外训练数据即可提升规划速度与准确率,并在仿真和 Franka Panda 真机上验证泛化性。
2023-09-26 cs.RO
Unified Generation-Refinement Planning: Bridging Guided Flow Matching and Sampling-Based MPC for Social Navigation
University of Washington(华盛顿大学);NVIDIA(英伟达)
本文提出一种结合奖励引导条件流匹配与模型预测路径积分的统一生成-细化框架,以提升社交导航中安全、任务性能和计算时间的平衡。
2026-03-22 cs.RO
Diffusion-Guided Multi-Arm Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
针对多臂运动规划可扩展性差、依赖大数据集的问题,提出扩散引导的多臂规划器DG-MAP,利用条件扩散模型分解单臂轨迹生成与成对碰撞解决,实现高效扩展并验证有效性。
2025-09-09 cs.AI cs.MA cs.RO
GPD: Guided Polynomial Diffusion for Motion Planning
Robotic Research Center, IIIT Hyderabad(印度国际信息技术研究院海得拉巴分校机器人研究中心);Carnegie Mellon University(卡内基梅隆大学);TCS Research(塔塔咨询服务公司研究院);University of Tartu(塔尔图大学)
本文提出在轨迹参数空间(表示为Bernstein系数)中进行扩散的GPD方法,结合新颖的拼接算法,显著提高了代价函数引导的有效性与推理速度,仅用单个引导模型即可生成无碰撞轨迹,性能优于现有SOTA方法。
2025-01-30 cs.RO
Denoising Diffusion Planner: Learning Complex Paths from Low-Quality Demonstrations
University of Twente(特温特大学)
本文提出去噪扩散规划器,利用DDPMs的泛化和条件采样能力,仅用低质量演示即可为机器人末端执行器生成避障复杂路径,并在Franka Emika Panda机器人上验证了其有效性。
2024-11-15 cs.RO
ViT-A*: Legged Robot Path Planning using Vision Transformer A*
University College London(伦敦大学学院)
针对四足机器人在复杂环境中的导航问题,提出利用可微分规划器结合视觉Transformer(ViT)进行地图预处理,实现端到端全局路径规划,并在Spot和Go1机器人上验证了其有效性。
2023-10-11 cs.RO
Guided Incremental Local Densification for Accelerated Sampling-based Motion Planning
Aurora Innovation Inc.(奥罗拉创新公司);Paul G. Allen School of Computer Science and Engineering, University of Washington(华盛顿大学保罗·G·艾伦计算机科学与工程学院)
基于采样的运动规划器依赖于增量致密化来发现逐渐更短的路径。在计算开始$x_s$和目标$x_t$之间的可行路径$ξ$之后,通知集(IS)通过保守地消除不能产生较短路径的点来修剪配置空间$\mathcal{C}$。通过从该知情集采样的致密化保持从整个配置空间采样的渐近最优性。对于路径长度$c(ξ)$和欧几里德启发式$h$,$IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(ξ) \}$。依赖于启发式可以使IS在高维或复杂环境中特别保守。此外,IS仅在发现较短路径时缩小。因此,如果加密和规划的每次迭代不能产生更短的路径,则浪费了来自加密和规划的每次迭代的计算工作,尽管改进了搜索树中的顶点的成本。我们的关键见解是,即使在这样的失败,更短的路径到顶点的搜索树(而不仅仅是目标)可以立即改善规划的采样策略。GuILD(Guided Incremental Local Densification)利用这些信息从IS的局部子集中进行采样。我们表明,GuILD显着优于均匀采样的知情集在模拟$\mathbb{R}^2$,$SE(2)$环境和操作任务中的$\mathbb{R}^7$。
2021-04-11 cs.RO
LASMP: Language Aided Subset Sampling Based Motion Planner
University at Albany(奥尔巴尼大学);GE Aerospace Research(GE航空航天研究院)
LASMP 利用 RoBERTa 语言模型解析自然语言指令来引导 RRT 采样,将节点数减少 55%、采样查询减少 80%,在复杂室内环境中实现更高效安全的机器人运动规划。
2024-10-01 cs.AI cs.HC cs.LG
Information-Guided Robotic Maximum Seek-and-Sample in Partially Observable Continuous Environments
Massachusetts Institute of Technology(麻省理工学院);Woods Hole Oceanographic Institution(伍兹霍尔海洋研究所)
我们提出了PLUMES,一个规划器定位和收集样本的先验未知和部分可观察的连续环境的全球最大值。“最大搜索和采样”(MSS)问题在环境和地球科学中普遍存在。专家们希望在环境最大限度内收集有科学价值的样本(例如,石油泄漏源),但没有关于这种现象的分布的先验知识。我们制定的MSS问题作为一个部分可观察的马尔可夫决策过程(POMDP)与连续的状态和观察空间,和一个稀疏的奖励信号。为了解决MSS POMDP,PLUMES使用信息理论奖励启发式与连续观察蒙特卡罗树搜索,以有效地定位和采样的全球最大值。在模拟和现场实验中,PLUMES在各种环境中收集了比最先进的规划者更有科学价值的样本,包括各种平台,传感器和具有挑战性的现实条件。
2019-09-26 cs.RO cs.SY eess.SY
TGK-Planner: An Efficient Topology Guided Kinodynamic Planner for Autonomous Quadrotors
Zhejiang University(浙江大学)
在本文中,我们提出了一个轻量级的,但有效的拓扑引导Kinodynamic规划器(TGK规划器)的四旋翼侵略性飞行有限的机载计算资源。该系统遵循传统的层次规划工作流程,在寻路和轨迹优化两个子模块中采用了新颖的设计,提高了鲁棒性和效率。首先,我们提出了拓扑引导图,它粗略地捕获了环境的拓扑结构,并指导基于采样的Kinodynamic规划器的状态采样。通过这种方式,我们显着提高了寻找安全和动态可行轨迹的效率。然后,我们细化的光滑性和连续性的轨迹的优化框架,其中包括同伦约束,以保证轨迹的安全性。优化程序被配制成一个序列的二次规划(QP),可以在几毫秒内迭代求解。最后,所提出的系统集成到一个完全自主的四旋翼,并在各种模拟和现实世界的情况下进行验证。基准比较表明,我们的方法优于国家的最先进的方法方面的效率和轨迹质量。此外,我们将以开源软件包的形式发布我们的代码。
2020-11-08 cs.RO
Tree-Guided Diffusion Planner
Department of Computer Science & Engineering(计算机科学与工程系);Interdisciplinary Program of AI(人工智能跨学科项目)
本文提出树引导的扩散规划器TDP,通过树搜索与双层采样在测试时实现零样本规划,有效解决非凸、不可微及多奖励场景下的引导控制问题,并在多个任务上超越现有方法。
2025-11-09 cs.AI cs.RO
Human-Guided Planner for Non-Prehensile Manipulation
University of Leeds(利兹大学)
我们提出了一个人引导的规划器在杂波中的非易失性操作。最新的方法来操纵杂乱采用随机规划,然而,该问题仍然是一个具有挑战性的,其中规划时间仍然是几十秒或几分钟的顺序,并且成功率低的困难的情况下的问题。我们建立在这些控制为基础的随机规划方法,但我们研究使用它们与人类操作员的输入。我们表明,以最少的人力投入,低层次的计划可以更快地解决问题,并具有更高的成功率。
2020-04-04 cs.RO
Transformers are Adaptable Task Planners
Meta AI;Carnegie Mellon University(卡内基梅隆大学)
每个家庭都是不同的,每个人都喜欢以自己的方式做事。因此,未来的家用机器人需要同时考虑日常任务的顺序性,并根据用户的偏好进行归纳。为此,我们提出了一个Transformer任务规划器(TTP),它通过利用基于对象属性的表示来从演示中学习高级操作。TTP可以在多个偏好上进行预训练,并在模拟洗碗机装载任务中使用单个演示作为提示来显示对看不见的偏好的泛化。此外,我们展示了现实世界的菜重排使用TTP与弗兰卡熊猫机械臂,提示使用一个单一的人类示范。
2022-07-06 cs.AI cs.LG cs.RO
RAPiD: Reward-Guided Consistency Distillation of Diffusion Planners for Real-Time Autonomous Driving
School of Information Technology, Monash University, Malaysia(墨尔本大学信息科技学院);Faculty of Information Technology, Monash University, Australia(墨尔本大学信息技术学院);TCS Research, India(印度TCS研究)
RAPiD通过扩散行为先验实现高效安全的实时轨迹规划,优于现有方法。
2026-08-03 cs.AI cs.LG cs.RO
EV-Planner: Energy-Efficient Robot Navigation via Event-Based Physics-Guided Neuromorphic Planner
Purdue University(普渡大学)
提出EV-Planner,结合事件相机与物理引导神经网络,利用浅层SNN检测目标并预测最优飞行时间,实现无人机节能避障导航。
2024-01-03 cs.RO
MissionGPT: Mission Planner for Mobile Robot based on Robotics Transformer Model
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文提出基于Transformer和大语言模型的MissionGPT方法,仅凭相机数据即可为移动机器人规划并执行任务,基本动作成功率超50%,可扩展至任意类型和数量的机器人。
2024-11-07 cs.RO
Occupancy Prediction-Guided Neural Planner for Autonomous Driving
Nanyang Technological University(南洋理工大学)
针对自动驾驶中环境联合预测与预测引导整合难题,提出融合占用预测的两阶段OPGP神经规划框架,经真实数据集训练验证,性能优于现有强基线学习方法。
2023-05-05 cs.RO
Graph-Guided Safe Diffuser: Topological Graph Guidance for Safe Diffusion Planning
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院电气工程学院)
该研究提出图引导的安全扩散器(G2SD)框架,用高层拓扑图规划器引导低层扩散模型,解决扩散规划器的流形破裂问题,在Maze2D导航等任务中大幅提升无碰撞目标到达率与任务性能。
2026-08-11 cs.RO
SCAN-Planner: Spatial Collision-Aware Local Planning for Route-Guided Long-Range Quadruped Navigation
Shanghai Jiao Tong University(上海交通大学)
提出SCAN-Planner框架,通过偏航感知双圆柱足迹和投影A*搜索实现空间碰撞感知的局部规划,在密集杂乱、3D非结构化环境和远程导航中生成安全平滑轨迹。
2026-06-19 cs.RO
ADM-Planner: LLM-Guided Long-Horizon Planning for Mobile Manipulators with Attention-Enhanced Dynamic Memory
Nanyang Technological University(南洋理工大学)
针对移动机械臂长时程规划中场景动态变化导致计划失效的问题,提出ADM-Planner框架,通过注意力增强动态记忆分离持久知识与对象状态,有界检索关键信息,在模拟和实物实验中显著提升成功率并降低上下文开销。
2026-09-25 cs.RO
CAST: Alternating State-Value Targets and Expanded Policy Gradients for Model-Based Reinforcement Learning
University of Trento(特伦托大学);LAAS-CNRS(法国国家科学研究中心LAAS实验室);Université de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心);New York University(纽约大学);Artificial and Natural Intelligence Toulouse Institute (ANITI)(图卢兹人工与自然智能研究所)
CAST提出交替状态值目标与扩展策略梯度,利用规划器引导行为改进价值学习,在多个基准和真实四足机器人上验证了有效性。
2026-09-09 cs.RO
Toward Deployable Multi-Robot Collaboration via a Symbolically-Guided Decision Transformer
Purdue University(普渡大学)
本文提出符号引导决策Transformer(SGDT)框架,通过神经符号规划器生成符号子目标,引导目标条件决策Transformer进行多机器人操作的低层序列决策,首次将DT技术应用于多机器人操作,并在零样本和少样本场景中验证了其结构化、可解释和可泛化的决策能力。
2025-08-19 cs.AI cs.RO
Visual Navigation Transformer with Pose Attention
University of Pennsylvania(宾夕法尼亚大学)
提出VNT-PA,一种以位姿索引深度关键帧为上下文的Transformer规划器,通过位姿差异注意力实现点目标导航,在HM3D上达到93.3%成功率和90.4% SPL,优于时序基线并提升训练效率。
2026-09-21 cs.AI cs.LG cs.RO
Managing The Dynamics Of A Harmonic Potential Field-Guided Robot In A Cluttered Environment
Electrical Engineering Department, KFUPM(法赫德国王石油矿产大学电气工程系)
本文证明了谐波势场,HPF,规划方法产生一个良好的行为约束路径的机器人在混乱的环境中的二阶动力学的能力。结果表明,基于HPF的控制器可以开发完整以及非完整机器人,以有效地抑制惯性力对机器人轨迹的影响,同时保持一个纯粹的运动学HPF规划的所有有吸引力的功能。所建议的导航控制器的能力,证明使用仿真结果。比较还提供了用于转换的引导信号从一个纯粹的运动HPF规划器到导航控制信号的其他方法。
2016-08-21 cs.RO
Novelty Adaptation Through Hybrid Large Language Model (LLM)-Symbolic Planning and LLM-guided Reinforcement Learning
Department of Computer Science, Tufts University(塔夫茨大学计算机科学系);Austrian Institute of Technology GmbH(奥地利技术研究所)
本文提出一种融合大语言模型、符号规划和强化学习的神经符号架构,用于在动态开放环境中处理新颖物体,通过LLM识别缺失操作符并生成计划,提升机器人在连续领域中的操作符学习能力。
2026-10-05 cs.AI cs.RO
DRAMA: An Efficient End-to-end Motion Planner for Autonomous Driving with Mamba
Moovita(Moovita公司)
针对自动驾驶运动规划需求,该研究提出基于Mamba的DRAMA端到端规划器,通过多模态融合模块、Mamba-Transformer解码器及特征状态丢弃策略,在NAVSIM数据集上以更少参数量和更低计算成本实现了优于基线Transfuser的规划准确率。
2024-08-14 cs.RO
Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving
University of Science and Technology of China(中国科学技术大学);Yinwang Intelligent Technology Co., Ltd(银网智能科技有限公司);Hefei Institutes of Physical Science, Chinese Academy of Sciences(中国科学院合肥物质科学研究院)
提出扩散强制规划器(DFP),通过历史引导控制实现异构联合扩散过程,结合退火历史的条件引导,解决运动规划中的时间不一致问题,在nuPlan上取得竞争性能。
2026-06-09 cs.AI cs.RO
CMP-IRRT*: A Perception-Assisted Height-Adaptive Planner for Quadruped Robots
School of Integrated Circuits, Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区集成电路学院)
针对四足机器人二维规划中低障碍物处理低效的问题,提出基于CMP-IRRT*的感知辅助高度自适应规划器,通过高度条件碰撞检测和Mamba引导采样,减少探索节点,在可穿越场景中路径长度最多缩短16.3%。
2026-10-08 cs.RO
PerFACT: Motion Policy with LLM-Powered Dataset Synthesis and Fusion Action-Chunking Transformers
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University(J. Mike Walker ’66机械工程系,德克萨斯A&M大学);Zachry Department of Civil and Environmental Engineering, Texas A&M University(Zachry土木与环境工程系,德克萨斯A&M大学)
PerFACT通过LLM驱动的数据集合成和融合动作分块变换器,提升机械臂运动规划的泛化能力和效率。
2026-08-18 cs.RO cs.SY eess.SY
Vision-Language Interpreter for Robot Task Planning
OMRON SINIC X Corporation(欧姆龙SINIC X公司);University of Tokyo(东京大学)
本文提出视觉-语言解释器ViLaIn,通过从语言指令和场景观测生成问题描述来驱动符号规划器,并利用错误反馈修正生成结果,实验表明其能以超过99%的准确率生成语法正确的问题和超过58%的有效计划。
2024-02-20 cs.AI cs.CL cs.RO
Adaptive-WAM: Quality-Guided Early-Exit Planning from Intermediate Video-Diffusion Features
Adaptive-WAM是基于Wan2.2-5B主干的质量感知多出口规划器,通过动态分配主干深度减少计算量,在NAVSIM、nuScenes等数据集上取得优异规划性能,延迟显著降低。
2026-11-02 cs.RO
Flying Together: Human-Guided Immersive Shared Control for Aerial Robot Teams in Unknown Environments
New York University(纽约大学);Ecole Polytechnique Federale de Lausanne(洛桑联邦理工学院);University of California Berkeley(加州大学伯克利分校)
本文提出了一种基于虚拟现实的共享控制框架,用于在约束和未知环境中操作无人机团队,通过实时用户引导探索,提升在无结构环境中的自主导航能力。核心方法是一种基于用户引导的运动原语规划器,结合阻抗控制器,使操作员能够灵活影响团队行为并引导无人机前往自主规划器可能忽略的感兴趣区域。
2026-05-20 cs.RO
TASG-Explore: Traversability-Aware Sector-Guided Exploration for Ground Robot on Uneven Terrain
Shenyang Institute of Automation, Chinese Academy of Sciences(中国科学院沈阳自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Hohai University(河海大学)
TASG-Explore提出可通行性感知的扇区引导探索框架,通过分层地形分析和动态拓扑规划,在崎岖地形上实现高效安全探索,效率提升51%,覆盖率最高提升2.95倍。
2026-09-30 cs.RO
ProTo: Program-Guided Transformer for Program-Guided Tasks
The Chinese University of Hong Kong(香港中文大学);Georgia Institute of Technology(佐治亚理工学院);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
程序包含语义和结构信息,在人与智能体之间的通信中起着重要的作用。为了学习一般的程序执行器统一的感知,推理和决策,我们制定程序引导的任务,需要学习执行给定的程序上观察到的任务规范。此外,我们提出了程序引导的Transformer(ProTo),它集成了语义和结构的指导下,一个程序,利用交叉注意和掩蔽的自我注意之间的规范和程序中的例程传递消息。ProTo在学习的潜在空间中执行程序,比以前的神经符号方法具有更强的表示能力。我们证明了ProTo在GQA视觉推理和2D Minecraft策略学习数据集上的表现明显优于以前的最先进方法。此外,ProTo对看不见的、复杂的和人类编写的程序表现出更好的泛化能力。
2021-10-16 cs.AI cs.CV cs.LG
Navigation with QPHIL: Quantizing Planner for Hierarchical Implicit Q-Learning
ENS Lyon(里昂高等师范学院);Ubisoft La Forge(育碧拉福格实验室);H Company(H公司);University of Angers(昂热大学)
提出一种基于分层 transformer 和空间量化器的离线强化学习方法 QPHIL,通过显式轨迹拼接解决复杂长距离导航任务中的价值估计误差问题,取得 SOTA 结果。
2024-11-12 cs.AI cs.LG cs.RO
Generalizing Motion Planners with Mixture of Experts for Autonomous Driving
Fudan University(复旦大学);Stanford University(斯坦福大学);LiAuto;Shanghai Qi Zhi Institute(上海期智研究院);Tsinghua University(清华大学)
针对自动驾驶数据驱动运动规划器泛化能力不足的问题,提出可扩展的仅解码器规划器STR2,采用ViT编码器与MoE因果Transformer架构,经实验验证其泛化性与可扩展性更优。
2024-10-29 cs.CV cs.RO
KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning
Honda Research Institute, USA(本田研究院);University of Maryland, College Park(马里兰大学)
KGLAMP通过知识图谱引导LLM实现异构多机器人系统的自适应规划与再规划,提升动态环境下的规划效率和准确性。
2026-02-04 cs.AI cs.ET cs.MA
Control Transformer: Robot Navigation in Unknown Environments through PRM-Guided Return-Conditioned Sequence Modeling
Purdue University(普渡大学)
针对未知环境长时程机器人导航,本文提出由 PRM 规划器引导低层策略、并用 Control Transformer 建模回报条件序列的方法,实现仅依赖局部信息的迷宫穿越、未知环境迁移及 Turtlebot3 零样本 sim2real。
2023-07-13 cs.AI cs.LG cs.RO
Digital-Twin Evaluation for Proactive Human-Robot Collision Avoidance via Prediction-Guided A-RRT*
Department of Mechanical and Aerospace Engineering, Tandon School of Engineering, New York University(1 机械与航空航天工程系,工程学院,纽约大学)
针对人机协作主动避碰需求,提出融合细粒度人体运动预测、A-RRT*规划与数字孪生验证的安全框架,在试验中实现100%避碰、高安全间距与快速重规划,性能优于传统运动学规划器。
2025-10-03 cs.RO
Co-Me: Confidence-Guided Token Merging for Visual Geometric Transformers
Carnegie Mellon University(卡内基梅隆大学);Field AI
Co-Me通过置信度指导的令牌合并加速视觉几何变换器,无需重新训练或微调基础模型,有效减少计算量并保持空间覆盖,实现显著加速且不降性能。
2026-05-14 cs.CV cs.RO
TGPO: Trace-Guided Policy Optimization for Robot Task Planning via Verifiable Subgoal Generation
AHAT是一种优化长周期规划的家庭任务规划器,通过结合LLM和TGPO算法,在复杂家庭任务中实现高效规划。
2026-10-15 cs.RO
Cross-Embodiment Robotic Manipulation Synthesis via Guided Demonstrations through CycleVAE and Human Behavior Transformer
University of Central Florida(中佛罗里达大学)
本文提出一种结合CycleVAE与人类行为Transformer的跨具身机器人操作合成方法,通过无监督跨具身对齐和人类示范动力学学习,在灵巧操作任务中生成平滑轨迹并优于先前方法。
2025-03-11 cs.RO