Logic-Based Ethical Planning
IRIT（图卢兹信息学研究所）；CNRS（法国国家科学研究中心）；University of Toulouse（图卢兹大学）；LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）
在本文中，我们提出了一个框架，规划的背景下，伦理决策，并打算应用到机器人。我们提出了一个紧凑的，但高度表达的语言伦理规划，结合线性时序逻辑与词典偏好建模。这种原始的组合使我们能够评估计划相对于代理的价值观和他们的愿望，引入了新的概念的道德水平的代理和走向多目标，多值规划。我们开始在我们的设置规划任务的计算复杂性的研究，我们讨论了潜在的应用机器人。
2022-06-02 cs.AI
A review of motion planning algorithms for intelligent robotics
University of Eastern Finland（东芬兰大学）；Shenzhen Technology University（深圳技术大学）
研究和分析了典型的运动规划算法的原理。这些包括传统的规划算法，监督学习，最优值强化学习，策略梯度强化学习。我们研究的传统规划算法包括图搜索算法、基于采样的算法和插值曲线算法。监督学习算法包括MSVM、LSTM、MCTS和CNN。最优值强化学习算法包括Q学习、DQN、双DQN、决斗DQN。策略梯度算法包括策略梯度法、行动者-批评者算法、A3 C、A2 C、DPG、DDPG、TRPO和PPO。通过分析比较，提出了评价运动规划算法性能和应用的新的通用标准。重点分析了最优值算法和策略梯度算法的收敛速度和稳定性。根据运动规划算法的原理和分析比较，提出了未来的发展方向。本文对机器人运动规划算法的优缺点、相互关系和未来发展趋势有了一个清晰全面的认识，为更好的运动规划算法的研究铺平了道路。
2021-02-05 cs.AI cs.RO
GameVLM: A Decision-making Framework for Robotic Task Planning Based on Visual Language Models and Zero-sum Games
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）
GameVLM提出一种基于视觉语言模型与零和博弈的多智能体框架，通过决策与专家智能体协作及博弈求解，提升机器人任务规划决策能力，实验平均成功率达83.3%。
2024-05-22 cs.AI cs.RO
Scalable and Probabilistically Complete Planning for Robotic Spatial Extrusion
Massachusetts Institute of Technology（麻省理工学院）
对能够制造3D结构的自动化系统的需求日益增加。机器人空间挤出已成为传统的基于层的3D打印的一种有吸引力的替代方案，这是由于机械手打印大型方向依赖结构的灵活性。然而，现有的挤出规划算法需要大量的人工输入，不能扩展到大型实例，并且缺乏理论保证。在这项工作中，我们提出了一个严格的形式化的机器人空间挤压规划，并提供了几个有效的和概率完整的规划算法。在整个打印过程中，关键的规划挑战是满足限制结构变形的刚度约束和确保机器人不与结构碰撞的几何约束。我们表明，虽然这些约束往往相互冲突，贪婪的向后状态空间搜索指导的刚度意识启发式能够成功地平衡这两个约束。我们经验比较我们的方法的基准超过40模拟挤出问题。最后，我们将我们的方法应用于3个现实世界的挤出问题。
2020-02-06 cs.AI cs.RO
Intelligent Singularity Avoidance in UR10 Robotic Arm Path Planning Using Hybrid Fuzzy Logic and Reinforcement Learning
National Center for High-Performance Computing（国家高速网络与计算中心）
本文提出一种结合模糊逻辑与强化学习的UR10机械臂路径规划方法，通过实时检测和规避奇异点，实现高成功率的路径规划。
2026-01-09 cs.AI cs.RO
STRIPS Planning in Infinite Domains
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
许多机器人规划应用涉及具有高度非线性约束的连续动作，这不能使用构造命题表示的现代规划器来建模。我们介绍STRIPStream：一个扩展的CNOPS语言，可以模拟这些领域，通过支持规范的黑盒发电机处理复杂的约束。这些生成器的输出通过可能无限的对象流和静态谓词与操作交互。我们提供了两个算法，都减少了STRIPStream问题的一系列有限域规划问题。表示和算法是完全独立的域。我们证明了我们的框架上简单的说明域，然后在一个高维的，连续的机器人任务和运动规划域。
2017-05-28 cs.AI
Integration of 3D Object Recognition and Planning for Robotic Manipulation: A Preliminary Report
Sabancı University（萨班哲大学）
我们研究不同的方法来整合对象识别和规划在桌面操作域与2012年RoboCup@Work比赛中使用的一组对象。我们的初步实验结果表明，与一些方法，感知和规划的紧密结合提高了计划的质量，以及可行的计划的计算时间。
2013-07-29 cs.AI cs.CV cs.RO
Model-Based AI planning and Execution Systems for Robotics
Ben Gurion University of the Negev（内盖夫本-古里安大学）
本文综述了面向机器人任务级控制的基于模型的AI规划与执行系统，梳理现有系统的设计选择、解决方案及未来发展方向。
2025-05-07 cs.AI cs.RO
Path planning for Robotic Mobile Fulfillment Systems
University of Paderborn（帕德博恩大学）；Leuphana University of Lüneburg（吕讷堡莱法纳大学）
本文提出了一个收集的路径规划算法的实时移动的多个机器人在机器人移动履行系统（RMFS）。机器人被指派将存储单元移动到工作站的拣选员，而不是要求拣选员去存储区域。路径规划算法的目标是为机器人找到路径，以满足没有冲突或死锁的请求。最先进的路径规划算法，包括WHCA*，FAR，BCP，OD&ID和CBS，经过调整以适应RMFS中的路径规划，并集成在仿真工具中，以引导机器人在存储和检索过程中从起点到目的地。在模拟研究中考虑了十种不同的布局，其中包括各种数量的机器人，楼层，吊舱，车站和存储区域的大小。性能指标的吞吐量，路径长度和搜索时间进行了监测。仿真结果表明，最好的算法的基础上，每个性能指标。
2018-11-19 cs.AI cs.RO
No Plan, Yet Human: A Reactive Robotics Model Predicts Human Planning Failures on a Clinical Task
Robotics and Biology Laboratory, Technische Universität Berlin, Germany（技术大学柏林机器人与生物学实验室，德国）；Science of Intelligence, Research Cluster of Excellence, Berlin, Germany（智能科学，卓越研究集群，柏林，德国）；Robotics Institute Germany（德国机器人研究所）
该研究利用反应式梯度下降框架AICON，通过塔罗伦敦测试揭示人类计划能力下降时的反应模式，发现其能更准确预测24个问题的难度排序，并在留出验证中表现优异，揭示了生物系统组织方式的普遍规律。
2026-08-28 cs.AI cs.RO
Reinforcement Learning in Robotic Motion Planning by Combined Experience-based Planning and Self-Imitation Learning
University of Groningen（格罗宁根大学）
针对机器人运动规划中高质量数据收集困难的问题，提出嵌入经验规划的SILP+算法，通过策略成功状态生成演示提升性能，在仿真与实体机器人实验中均实现更优训练效率和成功率。
2023-06-11 cs.AI cs.RO
Safety Aware Task Planning via Large Language Models in Robotics
University of Minnesota – Twin Cities（明尼苏达大学双城分校）；Institute for Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）；Pontificia Universidad Católica de Chile（智利天主教大学）
针对大语言模型驱动的机器人任务规划重任务完成轻安全的问题，提出多LLM框架SAFER，通过协同安全智能体、LLM-as-a-Judge指标及CBF控制框架实现安全感知，经仿真与硬件实验验证其在保效率的同时减少安全违规。
2025-03-19 cs.AI cs.RO
IMPASTO: Integrating Model-Based Planning with Learned Dynamics Models for Robotic Oil Painting Reproduction
Stanford University（斯坦福大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of California, Berkeley（加州大学伯克利分校）；Columbia University（哥伦比亚大学）
IMPASTO通过整合学习的动力学模型与基于模型的规划，实现机器人基于目标油画图像的复现，无需人类示范或精确模拟，提升复现精度。
2026-03-31 cs.AI cs.RO
SafeGen-LLM: Enhancing Safety Generalization in Task Planning for Robotic Systems
University of Notre Dame（诺丁汉大学）；Washington State University（华盛顿州立大学）；University of Pennsylvania（宾夕法尼亚大学）
SafeGen-LLM通过两阶段框架提升机器人任务规划的安全性泛化能力，优于现有基线。
2026-02-27 cs.AI cs.RO
VPTwin: Real-Sim-Real Video Prediction for Robotic Manipulation Planning
VPTwin提出真实-仿真-真实视频预测框架，利用仿真孪生和VLM重建，减少物理幻觉并提升机器人操作规划性能。
2026-09-29 cs.AI cs.RO
Keypoint-based Diffusion for Robotic Motion Planning on the NICOL Robot
Dept. of Informatics, University of Hamburg（信息学院，汉堡大学）
提出一种基于扩散的动作模型用于NICOL机器人运动规划，通过学习数值规划器生成的数据集，在不使用点云编码的情况下，运行时间比数值模型快一个数量级，且无碰撞成功率达90%。
2025-09-16 cs.AI cs.RO
Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks
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）
针对部分可观测机器人任务的不确定性规划难题，提出基于大语言模型的交互式规划方法，通过自指令微调Llama 2并与GPT-4对比，在仿真和真实任务中验证了效果。
2023-12-11 cs.AI cs.RO
Grounding Language Models with Semantic Digital Twins for Robotic Planning
Institute for Artificial Intelligence, University of Bremen（人工智能研究所，不莱梅大学）
该研究提出一种将语义数字孪生与大型语言模型结合的框架，通过动作三元组和环境数据实现机器人自适应规划，在ALFRED基准上验证了其鲁棒性。
2025-06-19 cs.AI cs.RO
SafeInferCom: Safe Inference-Time Compute via Verifier-Guided Mid-Generation Intervention for Robotic Task Planning
University of Notre Dame（圣母大学）；Washington State University（华盛顿州立大学）
针对大型推理语言模型用于机器人任务规划时的推理可靠性与计算浪费问题，提出SafeInferCom框架，通过验证器引导的生成中干预提升规划成功率、加速错误修正并减少token使用，经多模型、多领域及真实机械臂验证有效。
2026-10-09 cs.AI cs.CL cs.LO
ReAct! An Interactive Tool for Hybrid Planning in Robotics
Sabancı University（Sabanci大学）
ReAct! 提供了一种交互式工具，使机器人研究人员能够在无需了解底层形式化细节的情况下，通过高级推理解决复杂规划问题，适用于服务机器人和认知工厂等动态领域。
2013-07-29 cs.AI cs.LO cs.RO
Logically Constrained Robotics Transformers for Enhanced Perception-Action Planning
Carnegie Mellon University（卡内基梅隆大学）；Scaled Foundations
本文提出将信号时序逻辑规范融入自回归 Transformer 轨迹规划的新方法，并构建预训练数据集，使规范满足率较基线提升 74.3%。
2024-08-09 cs.AI cs.RO
HATP: An HTN Planner for Robotics
CNRS（法国国家科学研究中心）；LAAS（系统分析与体系结构实验室）；Univ de Toulouse（图卢兹大学）；INSA（国立应用科学学院）
层次任务网络规划是一种基于领域控制知识的层次化规划方法，它可以减少传统规划的搜索空间。这提供了一种直观的方法，用于指定关于机器人和智能体应如何执行任务的高级指令，同时也为规划者提供了足够的灵活性来选择较低级别的步骤及其排序。在本文中，我们提出了HATP（分层代理的任务规划）规划框架，扩展了传统的HTN规划域的表示和语义，使它们更适合机器人专家，并处理代理作为“第一类”实体的语言。前者是通过允许“社会规则”来定义，指定什么行为是可接受的/不可接受的域中的代理/机器人，并交错规划与几何推理，以验证在线-相对于一个详细的几何3D世界-人类/机器人的行动目前正在追求的HATP。
2014-06-12 cs.AI cs.RO
PanelShield: Verifiable Closed-Loop Safe Planning for Robotic Industrial Panel Operation
针对工业面板操作的安全约束规划问题，提出PanelShield框架，结合LTL与安全FSM实现可验证闭环规划，实验表明其可降低违规率至2.7%并提升任务性能。
2026-08-31 cs.AI cs.RO
Efficient Robotic Policy Learning via Latent Space Backward Planning
Tsinghua University（清华大学）；Peking University（北京大学）；Shanghai AI Lab（上海人工智能实验室）
提出潜在空间反向规划（LBP）方法，通过锚定最终目标并递归预测子目标，实现高效且准确的机器人长时程策略学习，在仿真和真实实验中达到最先进性能。
2025-05-27 cs.AI cs.CV cs.RO
An advantage actor-critic algorithm for robotic motion planning in dense and dynamic scenarios
University of Eastern Finland（东芬兰大学）；Shenzhen Technology University（深圳技术大学）
智能机器人为工业和服务场景的效率提升提供了新的见解，以取代人类劳动。然而，这些场景包括密集和动态的障碍物，使得机器人的运动规划具有挑战性。传统的算法如A* 算法可以在静态环境中规划无碰撞轨迹，但在密集和动态场景中，它们的性能会下降，计算成本会急剧增加。最优值强化学习算法（RL）可以解决这些问题，但网络收敛速度慢且不稳定。策略梯度强化学习网络在Atari游戏中收敛速度快，其中动作是离散和有限的，但很少有工作已经做，以解决问题，连续的行动和大的行动空间是必需的。本文对现有的优势行动者-评价者算法进行了改进，使之适用于复杂的运动规划，从而产生机器人的最优速度和方向。实验结果表明，我们的算法比最优值RL收敛更快，更稳定。该方法在机器人完成运动规划的过程中，以较少的处理时间达到较高的规划成功率。
2021-02-05 cs.AI cs.RO
APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
University of Stuttgart（斯图加特大学）；Institute for Computational Design and Construction（计算设计与建造研究所）；Institute for Control Engineering of Machine Tools and Manufacturing Units（机床与制造单元控制工程研究所）
本文提出APTree框架，以行为树为执行模型，集成自动化任务规划与模块化执行，通过协调异构符号规划器生成大规模任务规划，可检测规划错误并保障执行安全，助力建筑从业者便捷使用自动化任务规划。
2026-10-14 cs.AI cs.RO cs.SE
Disentangled Planning and Control in Vision Based Robotics via Reward Machines
Robotics at Google（谷歌机器人部门）
在这项工作中，我们使用奖励机器（DQRM）来增强深度Q学习代理，以提高机器人任务学习基于视觉的策略的速度，并克服DQN的一些限制，这些限制阻止它收敛到高质量的策略。奖励机（reward machine，RM）是一种有限状态机，它将任务分解为离散的规划图，并为智能体配备奖励函数以引导其完成任务。奖励机既可用于奖励塑造，也可用于通知策略它当前处于什么抽象状态。抽象状态是当前状态的高级简化，根据任务相关特征定义。这两个监督信号的奖励塑造和知识的当前抽象状态来自奖励机互补，都可以用来提高政策的性能，如几个基于视觉的机器人拾取和放置任务。特别是对于基于视觉的机器人应用，构建一个奖励机器通常比尝试获得一个策略来学习没有这种结构的任务更容易。
2020-12-28 cs.AI cs.RO
FCRF: Flexible Constructivism Reflection for Long-Horizon Robotic Task Planning with Large Language Models
Zhejiang University（浙江大学）；Hangzhou Institute for Advanced Study（杭州高等研究 institute）
针对现有LLM任务规划纠错中自我反思机制不灵活的问题，提出基于Mentor-Actor架构的灵活建构主义反思框架FCRF，通过结合任务难度调整反思并整合历史经验与失败教训，显著提升了长时程机器人任务的整体性能。
2025-09-16 cs.AI cs.RO
LLM+MAP: Bimanual Robot Task Planning using Large Language Models and Planning Domain Definition Language
University of Hamburg（汉堡大学）
本文提出LLM+MAP框架，结合LLM推理与基于PDDL的多智能体规划，解决双臂机器人长程任务的分解与分配问题，并在仿真中验证其优于多种直接使用LLM的规划方法。
2025-03-21 cs.AI cs.RO
Learning to Execute: Efficient Learning of Universal Plan-Conditioned Policies in Robotics
TU Berlin（柏林工业大学）；University of Stuttgart（斯图加特大学）
强化学习（RL）在机器人领域的应用常常受到高数据需求的限制。另一方面，近似模型在许多机器人场景中很容易获得，使得基于模型的方法（如规划）成为一种数据高效的替代方案。尽管如此，如果模型不精确或错误，这些方法的性能就会受到影响。从这个意义上说，RL和基于模型的计划器各自的优点和缺点是。在目前的工作中，我们研究如何将这两种方法整合到一个框架中，结合他们的优势。我们引入学习执行（L2E），它利用包含在近似计划中的信息来学习以计划为条件的通用策略。在我们的机器人操作实验中，与纯RL，纯规划或结合学习和规划的基线方法相比，L2E表现出更高的性能。
2021-11-15 cs.AI cs.RO
Look Before You Leap: Unveiling the Power of GPT-4V in Robotic Vision-Language Planning
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Qi Zhi Institute（上海期智研究院）
本研究提出ViLa，一种利用视觉语言模型进行机器人长时程规划的新方法，通过直接整合感知数据实现物理基础的任务规划，实验证明其优于现有LLM规划器。
2023-12-24 cs.AI cs.CL cs.CV
HARPS: An Online POMDP Framework for Human-Assisted Robotic Planning and Sensing
University of Colorado Boulder（科罗拉多大学博尔德分校）
提出HARPS框架，结合在线POMDP、多模态语义交互与贝叶斯融合，使机器人利用人类标注的软数据改善环境信念，仿真和人类实验显示显著提升目标捕获效率。
2023-03-28 cs.AI cs.HC cs.RO
Towards Intention Recognition for Robotic Assistants Through Online POMDP Planning
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Institute of Computer Science, University of Osnabrück（奥斯纳布吕克大学计算机科学学院）
针对工业场景中机器人助手需应对干扰、噪声观测等挑战，本文提出基于在线POMDP规划的部分可观测模型实现意图识别，通过交织信息收集与主动任务达成主动目标识别，展示初步实验结果并讨论相关挑战。
2024-11-26 cs.AI cs.RO
SERA: Safe and Efficient Reactive Obstacle Avoidance for Collaborative Robotic Planning in Unstructured Environments
在工业4.0时代，非结构化环境中多个机器人之间的安全高效协作变得越来越重要。然而，实现人类和其他机器人之间的鲁棒和自主协作需要现代机器人系统具有有效的接近感知和反应性避障。在本文中，我们提出了一种新的方法，反应全身避障，确保无冲突的机器人，机器人之间的互动，即使在动态环境中。与现有的基于Jacobian类型、基于采样或几何技术的方法不同，我们的方法利用了最新的深度学习进展和拓扑流形学习，使其能够以高计算效率和快速图遍历技术轻松推广到其他问题设置。我们的方法允许机器人手臂在没有直接接触的情况下主动避开任意3D形状的障碍物，这是对传统工业协作机器人设置的重大改进。为了验证我们的方法，我们在一个机器人平台上实现了它，该平台由具有优化的接近传感器位置的双6自由度机械臂组成，能够在不同程度的干扰下协同工作。具体而言，一只手臂在实现其预定目标的同时执行反应性全身避障，而另一只手臂则模仿具有独立和潜在对抗性运动的人类合作者的存在。我们的方法为非静止环境中的安全人机协作提供了一个强大而有效的解决方案。
2023-03-28 cs.AI cs.RO
Leveraging Jumpy Models for Planning and Fast Learning in Robotic Domains
DeepMind（深度思维）
在本文中，我们研究了学习多步动态预测模型（跳跃模型）的问题，从未标记的经验和他们的实用程序的快速推理（高级别）计划在下游任务。特别是，我们建议离线学习一个跳跃模型和一个技能嵌入空间，从以前收集的经验中，不需要标签或奖励注释。然后，我们研究了利用这些学习组件与基于模型的规划或无模型强化学习（RL）相结合的几种选择，以加快下游任务的学习。我们在RGB堆叠环境中进行了一组实验，表明使用学习的技能和相关模型进行规划可以实现对新任务的zero-shot泛化，并可以通过强化学习进一步加快策略的训练。这些实验表明，跳跃模型，结合时间抽象可以促进规划在长期任务中，标准的动态模型失败。
2023-02-24 cs.AI cs.LG cs.RO
Active Inference and Behavior Trees for Reactive Action Planning and Execution in Robotics
TU Delft（代尔夫特理工大学）
我们提出了一个混合的主动推理和行为树（BTs）的反应行动规划和执行在动态环境中，显示如何机器人任务可以制定为一个自由能最小化问题。所提出的方法允许处理部分可观察的初始状态，并提高了经典BT对意外事故的鲁棒性，同时减少了树中的节点数。在这项工作中，我们指定的名义行为离线，通过BT。然而，与以前的方法相比，我们引入了一种新类型的叶节点来指定要实现的期望状态，而不是要执行的操作。执行哪个动作以达到期望状态的决策通过主动推理在线执行。这导致持续的在线规划和分层审议。通过这样做，代理可以遵循预定义的离线计划，同时仍然保持在运行时本地适应和自主决策的能力，尊重安全约束。我们提供了收敛性和鲁棒性分析的证明，我们验证了我们的方法在两个不同的移动机械手执行类似的任务，无论是在模拟和真实的零售环境。结果表明，改进的运行时适应性与一小部分的手工编码的节点相比，经典的BT。
2022-11-25 cs.AI cs.RO
Toward Physically Grounded JEPA World Models for Goal-Conditioned Robotic Planning
GENISOM AI
该研究提出结合逆动力学模型与状态对齐的端到端JEPA世界模型，在四个机器人规划基准任务中多数达到最优成功率，验证了状态对齐对提升规划效果的作用。
2026-09-22 cs.AI cs.LG cs.RO
Self-Improving Loops for Visual Robotic Planning
SILVR通过自生成轨迹迭代更新视频模型，实现视觉机器人任务的持续改进，无需人类演示或奖励函数。
2026-03-11 cs.AI cs.RO
Gondola: Grounded Vision Language Planning for Robotic Manipulation
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；PSL Research University（巴黎文理研究大学）
针对机器人操作泛化性不足的问题，提出基于LLM的多视图具身视觉语言规划模型Gondola，搭配三类自建训练数据集，在GemBench的四个泛化层级上均超越现有最优方法。
2026-09-30 cs.AI cs.CV cs.RO
Optimal Sequential Task Assignment and Path Finding for Multi-Agent Robotic Assembly Planning
Stanford University（斯坦福大学）；Siemens Corporation（西门子公司）
我们研究了大型机器人团队在具有任务间优先约束（例如，任务$A$和任务$B$必须在任务$C$开始之前完成）。这些问题通常发生在机器人制造应用的装配规划中，其中子装配必须在它们可以组合以形成最终产品之前完成。我们提出了一个分层算法计算的最大完工时间最优的解决方案的问题。该算法是评估一组随机生成的问题的情况下，机器人必须在一个“工厂”的网格世界环境中的站之间的对象。此外，我们在高保真仿真证明，我们的算法的输出可用于生成非完整差动驱动机器人的无碰撞轨迹。
2020-06-16 cs.AI cs.MA cs.RO
PDDLStream: Integrating Symbolic Planners and Blackbox Samplers via Optimistic Adaptive 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）
许多规划应用程序涉及定义在高维连续变量上的复杂关系。例如，机器人操作需要规划涉及机器人配置、对象姿态和机器人轨迹的运动学、碰撞、可见性和运动约束。这些约束通常需要专门的过程来采样满足值。我们扩展PDDL，以支持这些过程的通用，声明性规范，将其实现视为黑盒。我们提供域独立的算法，减少PDDLStream问题的一系列有限的PDDL问题。我们还介绍了一个算法，动态平衡探索新的候选计划和利用现有的。这使得算法能够在参数绑定的空间中进行全局搜索，以更快地解决严格约束的问题，并进行局部优化以产生低成本的解决方案。我们评估我们的算法在三个模拟机器人规划域以及几个现实世界的机器人任务。
2020-03-23 cs.AI cs.RO
LLM-Empowered Embodied Agent for Memory-Augmented Task Planning in Household Robotics
Automation and Control Institute, Faculty of Electrical Engineering, TU Wien（自动化与控制研究所，电气工程学院，维也纳技术大学）；AIT Austrian Institute of Technology GmbH, Center for Vision, Automation and Control（奥地利技术研究所（AIT）有限公司，视觉、自动化与控制中心）
提出一种基于LLM驱动多智能体编排与记忆增强的具身机器人系统，结合RAG与视觉模型实现自主家庭物品管理，在多场景下展现出高任务规划准确率与提升的记忆召回率。
2025-04-30 cs.AI cs.CL cs.RO
When Prolog meets generative models: a new approach for managing knowledge and planning in robotic applications
Università di Trento（特伦托大学）
提出基于 Prolog 的机器人知识管理框架，结合 LLM 半自动填充知识库、生成多机器人时间并行计划并转换为行为树，且由开源工具支持并完成实际应用验证。
2023-09-26 cs.AI cs.RO
Kinematics-Grounded Agentic AI for Robotic Additive Manufacturing Process Planning
University of Connecticut（康涅狄格大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出A-RAM智能体框架，结合LLM与领域工具，实现机器人增材制造工艺规划的执行前评估，显著降低关节抖动并缩短规划时间。
2026-09-18 cs.AI cs.RO cs.SY
Motion Planning Transformers: A Motion Planning Framework for Mobile Robots
University of California San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
快速高效的基于采样的运动规划（SMP）是许多机器人系统（例如自动驾驶汽车）的组成部分。提高这些规划器效率的一种流行技术是在规划域中限制搜索空间。现有的算法定义参数函数来约束搜索空间，但这些不扩展到非完整机器人系统。最近的基于学习的方法使用卷积和全连接网络的组合来编码规划空间。然而，这些方法仅限于固定的地图大小，这在现实世界中往往是不现实的。在本文中，我们介绍了一种基于变换的方法，运动规划Transformer，限制搜索空间通过学习辨别区域的有效路径从先验数据。该模型不仅学习限制简单的2D系统的搜索空间，但也为非完整的机器人系统。我们验证我们的方法在各种随机生成的环境中，不同的地图大小和计划轨迹的物理非完整机器人。我们还为Nav2规划栈提供了我们方法的ROS2插件。结果表明，我们的方法减少了搜索空间节点的2 - 12倍相比，传统的规划器，并具有更好的泛化能力比最近的学习为基础的规划器。
2022-11-13 cs.AI cs.RO
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系，并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是，行动规划是基于离散的高级动作和状态空间，而强化学习通常是由连续的奖励函数驱动。然而，强化学习的最新进展，特别是通用价值函数逼近器和事后经验重放，都集中在基于稀疏奖励的目标无关方法上。在本文中，我们建立在这些新方法的基础上，通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁，促进行动规划与强化学习的集成。因此，我们证明了集成的神经符号的方法是能够解决对象操作问题，涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下，利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
Online Learning and Planning in Cognitive Hierarchies
The University of New South Wales（新南威尔士大学）
本文扩展了现有的形式化框架，以建模机器人系统从符号规划到在线学习的复杂集成推理行为，并支持不同推理组件间更灵活的交互建模。
2023-10-18 cs.AI cs.RO
Multimodal Fused Learning for Solving the Generalized Traveling Salesman Problem in Robotic Task Planning
Central South University（中南大学）；National University of Singapore（新加坡国立大学）
本文提出多模态融合学习框架，通过图和图像表示捕捉问题互补方面，生成高质量实时任务规划方案，实验表明其在各类GTSP实例中性能优于现有方法。
2026-03-20 cs.AI cs.RO
Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance
Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学数学、物理与信息学院）
研究机器人轨迹规划问题，提出基于自监督学习框架，利用正反模型作监督机制，在含障碍物环境下规划轨迹，实验证明方法可行，针对规划器问题提出并评估了额外训练机制和缓解策略。
2026-07-24 cs.AI cs.LG cs.RO
Informative Path Planning with Local Penalization for Decentralized and Asynchronous Swarm Robotic Search
University at Buffalo（布法罗大学）
分散式群机器人解决方案，以寻找目标，发射一个空间变化的信号承诺任务并行性，时间效率和容错。然而，群体算法在提供可扩展性和效率的同时，保持对所展示行为的数学见解是具有挑战性的。一种新的分散式搜索方法（称为贝叶斯群），建立在批量贝叶斯优化（BO）的原则，在这里提出，以解决这些挑战。与群算法不同，贝叶斯群算法简化了知识生成和任务规划过程，从而保留了对紧急行为的洞察。主要贡献在于：1）对轨迹上的知识提取进行建模，与BO中不同; 2）时间自适应地平衡探索/利用，并使用有效的局部惩罚方法来考虑不同机器人的计划样本之间的潜在交互;以及3）呈现算法的异步实现。该算法进行了测试的案例研究与双峰和高度多峰信号分布。与穷举搜索基线相比，效率提高了76倍。利用/探索平衡，异步规划，和本地惩罚，以及群大小的可扩展性的好处，也被证明。
2019-07-09 cs.AI cs.MA cs.RO
A Comparison of Prompt Engineering Techniques for Task Planning and Execution in Service Robotics
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；Computer Science Institute VI（计算机科学第六研究所）；Autonomous Intelligent Systems group（自主智能系统组）
本研究在服务机器人任务规划与执行中，系统比较了多种提示工程技术及其组合，通过仿真任务评估最先进模型的完成准确率与执行时间。
2024-11-06 cs.AI cs.RO
Towards Bio-Inspired Robotic Trajectory Planning via Self-Supervised RNN
Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava（数学、物理与信息学系，科门尼乌斯大学布拉迪斯拉发分校）；Department of Informatics, University of Hamburg（信息学系，汉堡大学）
本文提出一种基于循环架构的仿生自监督轨迹规划方法，仅利用成对正逆向运动学模型学习生成机械臂轨迹，为复杂操作任务的自适应规划提供新思路。
2025-09-16 cs.AI cs.LG cs.RO
Reflective Planning: Vision-Language Models for Multi-Stage Long-Horizon Robotic Manipulation
Cornell University（康奈尔大学）；Yale University（耶鲁大学）
本文提出一种反思式测试时计算框架，通过生成模型想象未来状态并批判性反思，增强视觉语言模型在多阶段长时程机器人操作中的物理推理能力，显著优于现有商业VLM及MCTS等方法。
2025-02-23 cs.AI cs.LG cs.RO
Quantum-Assisted Automatic Path-Planning for Robotic Quality Inspection in Industry 4.0
TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟）；Department of Mechanical, Energy and Management Engineering, University of Calabria（机械、能源与管理工程系，卡拉布里亚大学）
本文研究将混合量子-经典算法用于工业4.0中基于CAD模型的机器人检测路径规划，将其建模为带不完整图和开放路径约束的三维旅行商问题，并通过五个真实案例验证了D-Wave求解器在保持解质量的同时显著缩短计算时间。
2025-07-02 cs.AI cs.ET cs.RO
