Bridging Discrete Planning and Continuous Execution for Redundant Robot
Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（人工智能研究所，香港科技大学（广州））
本文提出一种框架，通过规范化步骤的26邻域笛卡尔动作和几何优先机制，减少不必要的转向，消除步长振荡，并通过任务优先的阻尼最小二乘法逆运动学层，提升冗余机械臂的连续执行质量。
2026-04-29 cs.RO
Inspection planning under execution uncertainty
针对城市环境中定位误差导致的执行不确定性影响巡检规划性能的问题，提出基于IRIS框架、结合蒙特卡洛采样的IRIS-U²算法，可提供覆盖率、路径长度和碰撞概率的统计保证，经桥梁巡检案例验证有效，且有界次优解可在保保证的同时减耗时。
2024-04-10 cs.RO
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
Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints
Department of Computer Science, University of Innsbruck（因斯布鲁克大学计算机科学系）
本文提出了一种基于对象中心抽象的统一任务与运动规划方法，利用现成AI启发式搜索生成物理可行计划，无需复杂几何推理。
2026-01-30 cs.AI cs.RO
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
LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning
University of California, Los Angeles（加州大学洛杉矶分校）；BIGAI（北京智源人工智能研究院）
提出LLM^3框架，利用大语言模型通过运动失败推理迭代优化任务与运动规划，实现领域无关接口，仿真与物理实验验证其有效性与实用性。
2024-08-21 cs.AI cs.RO
Combined Task and Motion Planning as Classical AI Planning
ICREA（加泰罗尼亚高级研究学院）；Universitat Pompeu Fabra（庞培法布拉大学）
机器人规划通常分为任务规划和运动规划。高级的符号任务规划器决定需要做什么，而运动规划器检查可行性并填充几何细节。然而，已知的是，这样的分解通常不是有效的，因为符号和几何分量不是独立的。在这项工作中，我们表明，有可能将任务和运动规划问题编译成经典的AI规划问题;即，规划问题的有限和离散状态空间与已知的初始状态，确定性的行动，和目标状态达到。编译是合理的，这意味着经典计划是有效的机器人计划，并且概率上是完整的，这意味着当采样足够数量的配置时，有效的机器人计划是经典计划。在这种方法中，运动规划器和碰撞检查器用于编译，但不是在规划时。使该方法有效的关键要素是：1）表达经典的AI规划语言，用于以紧凑的形式表示编译的问题，与PDDL不同，它使用函数和状态约束，以及2）通用的基于宽度的搜索算法，能够仅使用弱算法在巨大的组合空间中找到计划。经验结果PR 2机器人操纵数十个对象，需要长期计划。
2017-06-21 cs.AI cs.RO
From Discrete Plans to Real-World Execution: A World-Model-Driven Framework for Execution-Aware Multi-Agent Path Finding
IEEE Publication Technology Group（IEEE出版技术组）
提出ExecTimeNet世界模型预测离散MAPF方案在物理机器人上的执行状态，并基于此构建REMAP框架和ESADG优化方法，在仿真和实物实验中分别减少高达21%和15.3%的执行延迟。
2026-06-23 cs.AI cs.RO
Large-Language-Model-Guided State Estimation for Partially Observable Task and Motion Planning
The University of Texas at Austin（德克萨斯大学）；Nanyang Technological University（南洋理工大学）
本文提出CoCo-TAMP框架，利用大语言模型的常识推理能力，通过分层态估计提升部分可观测任务和运动规划的效率。
2026-03-06 cs.AI cs.RO
Kineto-Dynamical Planning and Accurate Execution of Minimum-Time Maneuvers on Three-Dimensional Circuits
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自主车辆系统教授职位，技术大学慕尼黑）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）；Department of Electrical and Information Engineering, Politecnico di Bari（电气与信息工程系，巴里理工学院）
本文提出人工赛车手ARD，融合新型KD车辆模型与E-NMPC，在三维赛道上在线规划并执行最短时间机动，圈速接近离线最优基准且具备误差下重规划能力。
2025-09-26 cs.RO
Dynamic Evaluation of Classical and Control-Aware Optimal Trajectory Planning in Robot Manipulators
研究机器人操作器轨迹规划，提出控制感知最优轨迹规划框架，纳入动力学和执行器努力，用中点线性化策略，通过统一评估框架对比经典方法，能降低跟踪误差等，证明仅运动学平滑不能确保高效执行。
2026-07-10 cs.RO
Multi-Robot Multi-Goal Motion Planning with Stochastic Skills
ETH Zürich（苏黎世联邦理工学院）
本文提出将随机技能集成到基于采样的多机器人规划中，通过马尔可夫决策过程实现动态协调，避免保守基线，提升鲁棒性。
2026-10-07 cs.RO
Solving Simultaneous Target Assignment and Path Planning Efficiently with Time-Independent Execution
Tokyo Institute of Technology（东京工业大学）
针对多智能体的目标分配和路径规划的组合问题的实时规划，也称为多智能体路径查找（MAPF）的未标记版本，对于多智能体系统中的高层协调至关重要，例如，由机器人群体形成的模式。本文研究了两个方面的unlabeled-MAPF：（1）离线场景：解决大型实例的集中式方法与小的计算时间，（2）在线场景：执行unlabeled-MAPF，尽管真实机器人的时间不确定性。为此，我们提出了TSWAP，一种新的次优完整算法，它采取了任意的初始目标分配，然后重复一个时间步的路径规划与目标交换。TSWAP可以适应离线和在线场景。我们的经验表明，离线TSWAP是高度可扩展的，提供接近最佳的解决方案，同时减少运行时间的数量级相比，现有的方法。此外，我们提出了在线TSWAP的好处，如延迟容忍，通过真实的机器人演示。
2022-02-28 cs.MA cs.RO
Planning, Learning and Reasoning Framework for Robot Truck Unloading
NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Technion-Israel Institute of Technology（以色列理工学院）
我们认为，使用工业机械手机器人从卡车上自动卸载箱子的任务。出现了多种挑战：（1）用于携带两个铰接机构（臂和铲）的复杂机器人系统的实时运动规划，（2）在给定关于箱子的不完美信息（例如它们的质量）的情况下，关于接下来执行什么动作的决策，（3）考虑当前动作影响箱子的未来状态的问题的顺序性质，以及（4）将高级决策制定与低级运动规划交错的实时执行。在这项工作中，我们提出了一个规划，学习和推理框架，以应对这些挑战，并描述其组成部分，包括运动规划，离线学习的信念空间规划，在线决策的基础上离线学习，和执行模块相结合的决策与运动规划。我们分析了该框架在真实场景中的性能。特别是，运动规划和执行模块进行评估，在模拟和一个真正的机器人，而离线学习和在线决策进行评估模拟现实世界的情况。
2020-06-18 cs.RO
Real-Time Online Re-Planning for Grasping Under Clutter and Uncertainty
University of Leeds（利兹大学）
我们考虑在杂乱中抓取的问题。虽然近年来已经开发了运动规划器来解决这个问题，但这些规划器大多是针对开环执行而定制的。然而，在这个领域中的开环执行可能会失败，因为不可能以足够的精度对多体多接触物理系统的动力学进行建模，也不可能期望机器人知道物体的确切物理特性，例如摩擦，惯性和几何特性。因此，我们提出了一个在线重新规划的方法，通过杂波抓取。主要挑战是该领域需要较长的规划时间，这使得快速重新规划和流畅执行难以实现。为了解决这个问题，我们提出了一个容易并行化的随机轨迹优化算法，产生一系列的最优控制。我们表明，通过运行此优化器，只有少量的迭代，它是可能的执行实时的重新规划周期，以实现反应性的操作混乱和不确定性。
2018-10-09 cs.RO
Motion Planning Networks
University of California San Diego（加利福尼亚大学圣地亚哥分校）
快速高效的运动规划算法对于自动驾驶汽车等许多最先进的机器人应用至关重要。现有的运动规划方法变得无效，因为它们的计算复杂性随着运动规划问题的维度呈指数增加。为了解决这个问题，我们提出了运动规划网络（MPNet），一个基于神经网络的新的规划算法。所提出的方法直接从点云测量中编码给定的路径，并为给定的起始和目标配置生成端到端的无碰撞路径。我们评估MPNet的各种二维和三维环境，包括规划的7自由度巴克斯特机器人机械手。结果表明，MPNet不仅在所有环境中都具有一致的计算效率，而且还可以推广到完全不可见的环境。结果还表明，MPNet的计算时间始终保持不到1秒，在所有提出的实验，这是显着低于现有的国家的最先进的运动规划算法。
2019-02-24 cs.AI cs.RO stat.ML
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University（东南大学）；Tongji University（同济大学）
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加，经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展，基于深度强化学习（Deep Reinforcement Learning，DRL）的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的，并且不依赖于先前的结构化地图。最重要的是，基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中，我们提供了一个系统的审查各种运动规划方法。首先，我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果，并分析了它们的性能特点。随后，我们集中总结了基于RL的运动规划方法，包括运动规划器结合RL的改进，基于地图的RL运动规划器，和多机器人协作规划方法。最后，我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战，回顾了一些最先进的工作，这些问题，并提出了未来的研究建议。
2022-02-23 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架，融合视觉基础模型提升机器人操作与运动规划，实现实时调整和持续学习，并通过实验验证其在动态环境中的部署潜力。
2023-09-20 cs.RO
Motion Memory: Leveraging Past Experiences to Accelerate Future Motion Planning
George Mason University（乔治梅森大学）
本文提出 Motion Memory 方法，将过往规划经验以黑盒或白盒方式复用于不同运动规划器，在三万多个实例上验证其可显著缩短规划时间。
2024-03-13 cs.RO
Multi-FLEX: An Automatic Task Sequence Execution Framework to Enable Reactive Motion Planning for Multi-Robot Applications
Astroscale Japan Inc.（日本宇宙尺度公司）；Medra Robotics（Medra机器人公司）；OMRON Research Center of America（欧姆龙美国研究中心）
针对工业多机器人应用中反应式运动规划与非反应式功能需求的矛盾，提出集成任务规划与反应式运动规划的Multi-FLEX框架，经六自由度工业机器人去毛刺实验验证可实现避障与工业应用需求。
2024-01-30 cs.RO
Motion Planning Diffusion: Learning and Planning of Robot Motions with Diffusion Models
TU Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science（认知科学中心）
本文提出将扩散模型作为先验，利用其逆去噪过程直接从以任务目标为条件的后验轨迹分布中采样，以加速机器人运动规划，实验证明该方法能有效编码高维轨迹分布并具备良好的泛化能力。
2024-03-26 cs.AI cs.LG cs.RO
Enhancing Lattice-based Motion Planning with Introspective Learning and Reasoning
Linköping University（林雪平大学）
基于格的运动规划是一种混合规划方法，其中由离散动作同时组成的规划是物理上可行的轨迹。规划考虑离散和连续方面，例如动作先决条件和配置空间中的无冲突动作持续时间。安全运动规划依赖于用于碰撞检查的校准良好的安全裕度。轨迹跟踪控制器还必须能够在该安全裕度内可靠地执行运动，以便执行是安全的。在这项工作中，我们关注的是随着时间的推移对控制器性能的内省学习和推理。不同动作的正常控制器执行是使用可靠的和不确定性感知的机器学习技术来学习的。通过校正执行偏差，我们设法大大减少运动动作的安全裕度。进行推理以验证学习的模型保持安全，并通过使用具有较小安全裕度的更准确的执行预测来提高运动规划器中的碰撞检查有效性。所提出的方法允许在正常情况下控制器性能的明确意识，并在异常情况下及时检测不正确的性能。采用仿真方法对四轴飞行器的非线性动力学进行了三维评估。视频：https://youtu.be/STmZduvSUMM
2021-12-06 cs.AI cs.LG cs.RO
PAAMP: Polytopic Action-Set And Motion Planning for Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming
Robotics Engineering Department, Worcester Polytechnic Institute（沃斯特理工学院机器人工程系）；Electrical Engineering Department, California Polytechnic State University（加州州立大学弗雷斯诺分校电子工程系）
本文提出PAAMP方法，通过多边形动作集将长时间动态运动规划转化为混合整数线性规划问题，用于解决复杂动态系统中的运动规划与约束满足问题。
2024-08-28 cs.RO
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣地亚哥分校）
基于搜索的运动规划已被用于移动机器人的许多应用。然而，由于微型飞行器（MAVs）复杂的动力学和实时计算的要求，它还没有得到充分的发展和应用，规划的全状态轨迹。在本文中，我们探讨了一个基于搜索的运动规划框架，计划动态可行的，无碰撞，分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法，以解决三个重要的情况下，微型飞行器导航：（i）规划安全的轨迹存在的运动不确定性;（ii）规划与约束的视野和（iii）规划在动态环境中。我们表明，这些问题可以有效地解决，高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 cs.RO
Group-Control Motion Planning Framework for Microrobot Swarms in a Global Field
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出面向全局场微型机器人群体的 group-control 运动规划框架，证明 STLC 条件及最少分组数，并分析复杂度权衡与基元设计。
2024-12-10 cs.RO
Sampling-Based Motion Planning: A Comparative Review
本文系统综述基于采样的运动规划算法，梳理其历史、代表性规划器及扩展，并在24个挑战性问题上进行比较评估，为研究者和实践者提供选型指南。
2023-09-22 cs.RO
CLIS-MPPI: Closed-Loop Model Predictive Path Integral Control With Initial-State Sampling Under Execution Delay
University of Washington（华盛顿大学）
针对机器人系统中MPPI控制因执行延迟导致的状态不匹配问题，提出CLIS-MPPI方法，经UR5e机械臂实验验证，该方法可提升安全性、规划执行一致性与运动平滑性。
2026-10-16 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University（莱斯大学）
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库，利用了流行的MoveIt库和机器人操作系统（ROS）中间件。Robowflex提供了一个增强的API，用于在单个程序中制作和操作运动规划查询，使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例，同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1）开发新的运动规划器，2）评估运动规划器，以及3）使用运动规划作为子例程的复杂问题（例如，任务和运动规划）。Robowflex还提供可视化功能，与其他机器人库的集成（例如，DART和Tesseract），并补充其他机器人软件包。使用我们的库，用户不需要是ROS或MoveIt的专家，就可以设置运动规划查询，从结果中提取信息，并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹，高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术，以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处，在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
An NMPC-ECBF Framework for Dynamic Motion Planning and Execution in vision-based Human-Robot Collaboration
Nantong University（南通大学）
针对智能制造中人机协作的安全实时运动规划需求，提出融合NMPC预测规划与ECBF安全滤波的框架，经V-REP场景验证可将任务执行时间降低19.8%。
2024-10-31 cs.RO cs.SY eess.IV
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架，用于UR5e机械臂的主动碰撞避免，以提升人机协作安全性。
2026-09-29 cs.RO
Towards Efficient Motion Planning for UAVs: Lazy A* Search with Motion Primitives
University of Southern California（南加州大学）；University of Michigan（密歇根大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文针对无人机机载计算资源受限导致实时规划困难的问题，将惰性搜索概念引入基于搜索的规划算法，提出基于运动基元的 Lazy A* 搜索方法，可高效找到无碰撞且动态可行的最优轨迹，显著提升计算效率。
2024-11-12 cs.RO
Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments
George Mason University（乔治梅森大学）
针对部分建图环境中运动规划重规划开销大、易振荡的问题，提出结合高层离散层与历史解引导运动树扩展的增强型采样规划框架，有效提升规划速度与解的一致性。
2023-06-15 cs.RO
Interaction-Merged Motion Planning: Effectively Leveraging Diverse Motion Datasets for Robust Planning
Visual Intelligence Lab., KAIST, Korea（韩国韩世科技大学视觉智能实验室）；Intelligent Systems and Learning Lab., DGIST, Korea（韩国全南国立科学技术院智能系统与学习实验室）
针对多轨迹数据集利用中的领域不平衡、遗忘与高成本问题，提出IMMP，通过预融合与融合参数检查点迁移多样化交互，并在多个基准和模型上取得优于传统方法的规划性能。
2025-07-25 cs.AI cs.CV cs.LG
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
Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
针对自主赛车轨迹规划保守导致性能损失的问题，提出控制感知在线轨迹规划框架，通过动态调整约束补偿执行误差，在不增加计算负担的前提下缩短单圈时间1.8秒。
2026-08-17 cs.RO
SCOPE: Field-of-View-Aware Path Planning in Unknown Space via Safety-Volume Certification
Carnegie Mellon University（卡内基梅隆大学）；Brigham Young University（杨百翰大学）
SCOPE是一种在未知3D环境中规划路径的框架，通过安全体积认证实现视场感知，可到达所有目标、减少任务时间，真实机器人演示验证其有效性。
2026-09-01 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
SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution
Shanghai AI Laboratory（上海人工智能实验室）；University of California, Berkeley（加州大学伯克利分校）；The University of Hong Kong（香港大学）
SkillDiffuser提出一种端到端分层规划框架，通过从视觉和语言中学习可解释技能表示并条件化扩散模型生成轨迹，在Meta-World和LOReL等基准上实现了最先进的长程多技能任务执行性能。
2024-03-28 cs.CV cs.LG cs.RO
Dispersion-Minimizing Motion Primitives for Search-Based Motion Planning
University of Pennsylvania（宾夕法尼亚大学）
基于搜索的运动基元规划是一种功能强大的运动规划技术，可以在非结构化环境中的尺寸、重量和功率受限的平台上提供动态可行性、最优性和实时计算时间。然而，运动规划图的优化设计，而规划器的性能至关重要，还没有一个主要的重点，以前的工作。本文提出了解决这个问题，通过引入一种方法，选择顶点和边的运动基元图，是在采样理论的基础上，并导致理论保证计划的完整性。通过最小化由轨迹成本引起的度量空间中的图顶点的分散度，我们用我们的运动基元图最优地覆盖可行轨迹的空间。与由均匀输入空间采样定义的基线运动基元相比，我们的运动基元图具有较低的分散度，找到了一个具有较少迭代的图搜索的计划，并且只有一个参数要调整。
2021-03-26 cs.RO
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
T* : A Heuristic Search Based Algorithm for Motion Planning with Temporal Goals
NetApp India（NetApp印度公司）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；SAP India（SAP印度公司）
运动规划是自主移动机器人应用开发中需要解决的核心问题。基本的运动规划问题涉及为机器人生成用于点到点导航的轨迹，同时避开障碍物。基于启发式的搜索算法，如A* 已被证明是非常有效的解决这样的规划问题。最近，已经有越来越多的兴趣，在指定复杂的运动计划，使用时间逻辑。在最先进的算法中，时间逻辑运动规划问题减少到一个图搜索问题和Dijkstra的最短路径算法用于计算满足规格的最优轨迹。A* 算法在使用适当的启发式算法时，可以有效地生成图中的最优路径。在时序逻辑路径规划中使用A* 算法的主要挑战是没有机器人的单一目的地状态的概念。在这篇论文中，我们提出了一种新的运动规划算法T*，它使用了时间逻辑路径规划\emph{opportunistically}中的A* 搜索过程来生成满足时间逻辑查询的最优轨迹。我们的实验结果表明，T* 实现了一个数量级的改进，比国家的最先进的算法，以解决许多时间逻辑运动规划问题。
2019-10-02 cs.RO
Learning Obstacle Representations for Neural Motion Planning
Inria（法国国家信息与自动化研究所）；École normale supérieure（巴黎高等师范学院）；CNRS（法国国家科学研究中心）；PSL Research University（巴黎文理研究大学）；University Grenoble Alpes（格勒诺布尔大学）；Grenoble INP（格勒诺布尔理工学院）
运动规划和避障是机器人应用中的关键挑战。虽然先前的工作成功地为已知环境提供了优秀的解决方案，但在新的动态环境中基于传感器的运动规划仍然很困难。在这项工作中，我们解决基于传感器的运动规划从学习的角度来看。在视觉识别的最新进展的动机，我们认为学习适当的表示运动规划的重要性。我们提出了一个新的障碍表示的基础上的PointNet架构和训练它与避障政策。我们的实验评估我们的方法在具有挑战性的环境中的刚体运动规划，并展示了显着的改进，在准确性和效率方面的最先进的。
2020-11-07 cs.AI cs.CV cs.LG
Cooperative Motion Planning for Non-Holonomic Agents with Value Iteration Networks
Daimler R&D（戴姆勒研发中心）；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）
协作运动规划仍然是机器人面临的一个具有挑战性的课题。最近，价值迭代网络（VIN）被提出来建模运动规划任务作为神经网络。在这项工作中，我们扩展VIN解决非完整约束下的合作规划任务。为此，我们将多个VIN互连，以尊重彼此的输出。通过迭代梯度下降生成合作策略。仿真验证表明，所得到的网络可以解决非完整运动规划问题，需要合作。
2017-09-15 cs.MA cs.RO
Potential Based Diffusion Motion Planning
Brown University（布朗大学）；MIT（麻省理工学院）
针对高维空间运动规划易陷局部极小值的问题，提出基于神经网络学习易优化势函数的运动规划方法，性能优于现有方法且具备良好约束泛化能力。
2024-07-08 cs.CV cs.LG cs.RO
Parameterization of configuration space obstacles in three-dimensional rotational motion planning
Warsaw University of Technology（华沙理工大学）
本研究探讨三维旋转运动规划中位形空间的精确几何。对于给定的三角剖分或球近似场景，物体绕给定点旋转，导出了位形空间障碍物的参数化。所获得的结果是一个重要的一步，走向一个完整的描述丰富的结构的配置空间在三维旋转运动规划。
2017-09-19 cs.CG cs.RO
A Unified Experimental Architecture for Informative Path Planning: from Simulation to Deployment with GuadalPlanner
Department of Electronic Engineering, University of Sevilla（电子工程系，塞维利亚大学）
本文提出GuadalPlanner，通过统一架构实现信息路径规划算法在仿真与现实部署间的无缝衔接，支持多种环境和策略，提升算法评估的一致性与可扩展性。
2026-02-11 cs.LG cs.RO cs.SE
Dynamically Constrained Motion Planning Networks for Non-Holonomic Robots
University of California San Diego（加州大学圣迭戈分校）
可靠的机器人实时规划在当今快速扩张的自动化生态系统中至关重要。在这样的环境中，传统的方法，计划放松约束变得不可靠或运动约束的机器人慢。本文介绍了算法动态运动规划网络（动态MPNet），运动规划网络的扩展，非完整机器人，解决实时运动规划的挑战，使用神经规划方法。我们提出了对训练和规划网络的修改，使其能够进行实时规划，同时提高训练的数据效率和训练模型的泛化能力。我们评估我们的模型在模拟规划任务的非完整机器人。我们还展示了实验结果的室内导航任务使用Dubins车。
2020-08-12 cs.RO cs.SY eess.SY
Parametrized topological complexity of collision-free motion planning in the plane
Louisiana State University（路易斯安那州立大学）；Queen Mary University of London（伦敦大学玛丽皇后学院）；The University of Chicago（芝加哥大学）
参数化运动规划算法具有高度的通用性和灵活性，因为它们被设计为在各种外部条件下工作，这些外部条件被视为参数并形成底层运动规划问题的输入的一部分。在本文中，我们分析了参数化运动规划问题的运动中的许多不同的点在平面上，移动无碰撞，避免多个不同的障碍物与先验未知的位置。这补充了我们先前的工作[arXiv：2009.06023]，其中引入了参数化运动规划算法，并充分研究了三维空间中的避障无碰撞运动规划问题。平面情况需要不同的代数和拓扑工具比它的空间模拟。
2021-10-14 cs.RO math.AT math.GT
Motion Planning through Demonstration to Deal with Complex Motions in Assembly Process
Graduate School of Engineering Science, Osaka University（大阪大学基础工学研究科）；National Inst. of AIST（日本产业技术综合研究所）
在实际装配过程中，由于人工装配过程中的某些关键位姿过于熟练，机器人无法自动实现，因此现有的运动规划方法难以实现复杂的、熟练的装配动作。为了解决这一问题，本文提出了一种利用演示中的熟练动作进行运动规划的方法，该方法可用于完成包含复杂熟练动作的机器人装配过程。为了在没有多余的第三方设备的情况下方便地演示，我们将增强现实（AR）标记附加到被操纵的对象上，以跟踪和捕获人体装配过程中对象的姿态，这些姿态被规划器用作执行运动规划的关键姿态。每个关键位姿的导数作为判断关键位姿使用优先级的依据，以加速运动规划。通过数值算例和机器人实验验证了该方法的有效性。
2019-10-04 cs.CV 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
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
Bayesian Inferential Motion Planning Using Heavy-Tailed Distributions
Department of Mechanical Engineering, University of Kansas（堪萨斯大学机械工程系）
针对现有贝叶斯运动规划难以探索低概率区域的问题，提出基于Student's-$t$重尾分布与Monte Carlo采样的顺序单遍平滑方法，在自动驾驶仿真中展现出优于集合Kalman平滑的规划与采样效率。
2025-05-30 cs.RO math.OC math.PR
