Scaling Sampling-based Motion Planning to Humanoid Robots
University of Edinburgh（爱丁堡大学）
规划人形机器人的平衡和无碰撞运动是不平凡的，特别是当它们在复杂的环境中操作时，例如到达障碍物后面的目标或通过狭窄的通道。我们提出了一种方法，使我们能够应用现有的采样为基础的算法规划轨迹人形机器人利用自定义的状态空间表示，有偏的采样策略，和一个强大的逆运动学求解器的基础上的转向功能。我们的方法不需要事先离线计算，因此可以很容易地将工作转移到新的机器人平台上。我们测试了所提出的方法解决实际达到的任务，38度的自由人形机器人，美国宇航局瓦尔基里，表明我们的方法是能够生成有效的运动计划，可以执行先进的全尺寸人形机器人。我们还提出了一个基准之间的不同运动规划算法评估各种达到运动问题。这使我们能够找到合适的算法来解决类人运动规划问题，并确定这些算法的局限性。
2016-07-29 cs.RO
Physically-Feasible Reactive Synthesis for Terrain-Adaptive Locomotion
Georgia Institute of Technology（佐治亚理工学院）；Cornell University（康奈尔大学）
针对四足动物在动态变化地形的运动规划问题，提出综合规划框架，结合反应式合成与混合整数凸规划，采用符号修复机制，经实验验证该框架能识别缺失技能并在关键环境有效响应。
2026-07-21 cs.RO
Traction Adaptive Motion Planning at the Limits of Handling
KTH Royal Institute of Technology（瑞典皇家理工学院）；University of California Berkeley（加州大学伯克利分校）；Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
在本文中，我们解决的问题，运动规划和控制的限制处理，在局部变化的牵引条件。我们提出了一种新的解决方案，其中牵引力的变化超过预测地平线表示随时间变化的轮胎力的约束，来自预测摩擦估计。一个有限时间的约束最优控制问题是解决在一个滚动时域的方式，施加这些时变约束。此外，我们的方法具有集成的采样增强过程，该过程解决了在突然的约束改变时出现的不可行性和对局部最小值的敏感性问题，例如，由于摩擦力的突然变化我们验证了所提出的算法在沃尔沃FH16重型车辆，在一系列的关键场景。实验结果表明，牵引力自适应运动规划和控制提高了车辆的能力，以避免事故，当适应于低局部牵引力，通过确保动态可行性的计划运动，当适应高局部牵引力，通过实现高牵引力利用率。
2021-11-18 cs.RO cs.SY eess.SY
Fast Path Planning Through Large Collections of Safe Boxes
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）
提出一种基于加权图最短路径和凸最优控制的快速算法，在大量轴对齐安全盒子集合中生成始终安全的平滑轨迹，并能检测不可行性，附开源实现。
2024-01-02 cs.RO cs.SY eess.SY
Scaling Long-Horizon Online POMDP Planning via Rapid State Space Sampling
Australian National University（澳大利亚国立大学）；Rice University（莱斯大学）
提出ROP-RaS3求解器，利用快速状态空间采样生成宏动作，避免穷举动作空间，在长时域POMDP规划中性能大幅超越现有方法。
2024-11-11 cs.RO
Physically-Feasible Reactive Synthesis for Terrain-Adaptive Locomotion via Trajectory Optimization and Symbolic Repair
Georgia Institute of Technology（佐治亚理工学院）；Cornell University（康奈尔大学）
该研究提出一种集成反应式综合、混合整数凸规划与符号修复的四足机器人运动规划框架，可在动态不可预见地形上实现物理可行的自适应运动，提升了综合可扩展性与在线执行适配性。
2025-03-21 cs.RO
Overcoming the Fear of the Dark: Occlusion-Aware Model-Predictive Planning for Automated Vehicles Using Risk Fields
Netherlands Organisation for Applied Scientific Research（荷兰应用科学研究组织）；Eindhoven University of Technology（埃因霍温理工大学）；KTH Royal Institute of Technology（KTH皇家理工学院）；Scania CV AB（斯堪尼亚商用车有限公司）
本文提出一种考虑实体形状尺寸及潜在遮挡物的风险场构建方法，并集成于遮挡感知多目标轨迹生成器，以提升自动驾驶车辆在复杂城市环境中的安全性与可行性。
2023-09-27 cs.RO math.OC
Learning Motion Feasibility from Point Clouds in Cluttered Environments
International Institute of Information Technology Hyderabad（国际信息技术学院海得拉巴）
提出直接从RGB-D观测学习7自由度机械臂运动可行性预测的方法，构建包含270万抓取可行性标签的大规模基准，并评估三种分类器架构，最佳模型GRASPFC-PTX在新型物体上AUROC达0.996且预测速度远超基于采样的运动规划器。
2026-06-26 cs.AI cs.RO
A Robust and Energy-Efficient Trajectory Planning Framework for High-Degree-of-Freedom Robots
University of Brighton（布莱顿大学）；Jamia Millia Islamia（贾米亚·米利亚·伊斯兰亚大学）
针对高自由度机器人轨迹规划的能耗与平顺性问题，提出融合正弦轨迹生成和速度缩放的框架，仿真验证其可显著节能并保持精度与平顺过渡。
2025-03-13 cs.RO
Task and Motion Planning in Hierarchical 3D Scene Graphs
MIT（麻省理工学院）
本研究提出利用分层3D场景图构建稀疏规划域并增量添加对象，实现大规模任务与运动规划，在真实场景图和机器人上验证了有效性。
2024-11-08 cs.RO
Motion Planning in Irreducible Path Spaces
National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）
机械系统的运动可以定义为通过其构形空间的路径。计算这样的路径具有随着配置空间的维度指数地缩放的计算复杂性。我们建议通过引入不可约路径--具有最小扫掠体积的路径来降低位形空间的维数。本文由三个部分组成：第一部分，我们定义了所有不可约路径的空间，并证明了在不可约路径空间中规划路径保持了任何运动规划算法的完备性。在第二部分中，我们在一定的假设下构造了一个串联运动链不可约路径空间的近似。在第三部分中，我们进行运动规划使用的不可约路径空间的机械蛇在涡轮机的环境中，一个机械章鱼与八个手臂在管道系统和侧向运动的人形机器人移动通过一个房间的门，并通过一个洞在墙上。我们证明了一个不可约路径的概念可以应用到任何运动规划算法考虑曲率约束。
2018-09-14 cs.RO
Time-Optimal Trajectory Planning in Highway Scenarios using Basis-Spline Parameterization
TU Dortmund University（多特蒙德工业大学）；ZF Group（采埃孚集团）
针对现有基于梯度的运动规划器无法保证递归可行性、难达不同时间尺度终端流形的问题，提出将样条断点纳入优化变量的非线性优化方法，结合样条基变换与断点移除策略，经超车场景验证了断点数量对求解质量和优化耗时的影响。
2023-10-05 cs.RO
Optimal Robot Path Planning In a Collaborative Human-Robot Team with Intermittent Human Availability
University of Waterloo（滑铁卢大学）
本文研究人类间歇可用的人机协作场景下机器人最优路径规划问题，提出基于预算和关键出发时间的新方法，在保证最优解的同时扩展了问题规模，并在城市路网上验证了其优于基线算法的性能。
2023-07-10 cs.RO
Sub-1.5 Time-Optimal Multi-Robot Path Planning on Grids in Polynomial Time
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
基于图的多机器人路径规划（MRPP）是一个NP难的最优求解问题。在这项工作中，我们提出了第一个低多项式时间算法MRPP实现1- 1.5渐近最优保证的最大完工时间随机情况下，非常高的机器人密度，具有很高的概率。对计算效率和解决方案最优性的双重保证表明，我们提出的通用方法在显着扩大物流多机器人应用方面很有前途，例如，大型机器人仓库。具体来说，在$m_1\times m_2$网格，$m_1 \ge m_2$，我们的RTH（Rubik表与公路）算法计算的解决方案路由到$\frac{m_1m_2}{3}$机器人均匀随机分布的开始和目标配置的最大完工时间为$m_1 + 2m_2 + o(m_1)$，具有很高的概率。由于此类实例的最小完工时间是$m_1 + m_2 - o(m_1)$，也具有很高的概率，因此RTH保证了$\frac{m_1+2m_2}{m_1+m_2}$作为$m_1 \to \infty$的最优性，对于具有高达$\frac{1}{3}$机器人密度的随机实例，具有很高的概率。$\frac{m_1+2m_2}{m_1+m_2} \in (1, 1.5]$。除了这个关键结果，我们还建立了一系列相关的结果，支持更高的机器人密度和具有规则分布障碍物的环境，这些障碍物直接映射到现实世界的包裹分拣场景。在具有可证明保证的基线方法的基础上，我们开发了有效的、有原则的算法，进一步提高了RTH算法的…
2022-05-30 cs.RO
Scalable Multi-Robot Path Planning via Quadratic Unconstrained Binary Optimization
本文提出了一种基于二次无约束二元优化的多机器人路径规划方法，通过逻辑预处理和时间窗口分解策略实现了高效且可扩展的路径规划。
2026-02-16 cs.RO quant-ph
Multi-Robot Path Planning Via Genetic Programming
Harvey Mudd College（哈维穆德学院）
本文提出了一种遗传编程（GP）的方法来解决多机器人路径规划（MRPP）的问题，在单车道的车道，特别是那些容易映射到图形表示。GP的多功能性使得这种方法能够产生针对多个属性而不是单个属性（如路径长度或完整性）进行优化的程序。当优化解决单个MRPP问题所需的时间步长时，GP构建的程序的性能优于完整的MRPP算法，即Push-Swap-Wait（PSW），通过$54.1\%$。GP构造的程序在解决不满足PSW完备性条件的问题方面也一直优于PSW。此外，GP构建的程序表现出更大的能力比PSW的机器人在MRPP环境中导航的数量增加的扩展。这项研究说明了使用遗传编程解决个别MRPP问题的好处，包括实例中的机器人的数量超过树叶的数量在树模型的工作空间。
2019-12-19 cs.NE cs.RO
Collaborative Task and Path Planning for Heterogeneous Robotic Teams using Multi-Agent PPO
Robotic Systems Lab (RSL), ETH Zürich（苏黎世联邦理工学院机器人系统实验室（RSL））
本文提出基于多智能体PPO的协同规划策略，用于解决复杂的目标分配与调度问题，通过对比穷举搜索得到的单目标最优解，评估其在行星探索场景中的在线重规划能力。
2026-04-01 cs.MA cs.RO
Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments
University of Verona（维罗纳大学）
本文提出融合MCTS与VO的在线运动规划方法，仅依赖障碍物当前位置和最大速度，在多达40个动态障碍物场景中提升安全性、效率与任务表现。
2025-01-16 cs.AI cs.RO
Time-optimal Point-to-point Motion Planning: A Two-stage Approach
KU Leuven（鲁汶大学）；Flanders Make（弗兰德斯制造）
针对时间最优点对点运动规划问题，提出固定+可变时间网格的两阶段方法，兼具低计算复杂度与无时间缩放插值误差的优势，并结合异步NMPC更新方案应对计算延迟波动，通过自主导航避障数值算例验证了有效性。
2024-03-06 cs.RO cs.SY eess.SY
Probabilistic Constraint Tightening Techniques for Trajectory Planning with Predictive Control
Clemson University（克莱姆森大学）；Huawei（华为）
为了使自动移动车辆在现实世界中以最小的碰撞风险导航，其规划算法必须考虑来自测量和环境干扰的不确定性。在本文中，我们认为，在这种不确定性的存在下，两个机器人车辆之间的相互碰撞概率的保守近似的解析解。在那里，我们提出了两种方法，我们称之为单一的缩放和主轴旋转，解耦的二元积分的有效近似的两辆车之间的碰撞概率，包括方向的影响。我们比较这些方法的保守性分析和数值。通过关闭一个控制回路，通过模型预测制导方案，我们观察到，通过蒙特卡罗模拟，直接实施防撞约束的保守近似仍然是不可行的实时规划。然后，我们提出并实现了一个凸化方法的基础上收紧碰撞约束，显着提高了计算效率和鲁棒性的预测制导方案。
2022-12-15 cs.RO cs.SY eess.SY
Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search
Safran Electronics & Defense（赛峰电子与防务公司）；LAMSADE, Paris-Dauphine University（巴黎多芬大学LAMSADE实验室）；CREC Saint-Cyr, Coetquidan School Campus（圣西尔军校科埃基当校区研究中心）
基于深度学习的方法在规划方面越来越重要。在本文中，我们提出了一种混合规划器，结合了图机器学习模型和基于分支和边界树搜索的路径规划任务的最佳求解器。更具体地，使用图神经网络来辅助分支定界算法处理与期望解路径相关联的约束。有多个下游实际应用，例如自主无人地面车辆（AUGV），通常部署在救灾或搜索和救援行动中。在越野环境中，AUGV必须在各种操作约束下动态优化源-目的地路径，其中一些操作约束难以提前预测并且需要在线解决。我们进行实验，现实的情况下，并表明，图神经网络的支持，使大量的加速和更平滑的扩展到更难的路径规划问题。此外，由图神经网络提供的信息使该方法能够优于特定问题的手工算法，突出了潜在的图神经网络持有的路径规划任务。
2022-04-03 cs.AI cs.LG 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
Finding a Feasible Initial Solution for Flatness-Based Multi-Link Manipulator Motion Planning under State and Control Constraints
Denso IT Laboratory（电装IT实验室）
本文提出一种方法，在非凸优化问题中寻找可行点并可靠求解，用于在状态和控制约束下规划多连杆机械臂的设定点运动。通过分析最终时间效应，构造初始可行解，结合线性规划和递归逆动力学算法进行数值实验验证。
2017-03-15 cs.RO cs.SY eess.SY
New Formulation of Mixed-Integer Conic Programming for Globally Optimal Grasp Planning
National University of Defense Technology（国防科技大学）；University of Maryland at College Park（马里兰大学帕克分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个两级的分支定界（BB）算法来计算最佳的抓手位姿，最大限度地提高了在有限的搜索空间的把握度量。我们的方法可以考虑到夹持器的运动学可行性，以确保一个给定的夹持器可以达到一组抓点没有碰撞或预测不可行性与有限的时间终止时，没有姿势存在一组给定的抓点。我们的主要技术贡献是一种新的混合整数圆锥规划（MICP）制定的逆运动学的夹具，使用少量的二进制变量和收紧的约束，这可以有效地解决通过一个低层次的BB算法。我们的实验表明，各种目标对象的最佳夹持器姿势可以计算需要20-180分钟的计算在台式机和计算的把握质量，在Q1指标方面，是优于使用基于采样的规划器产生的。
2022-01-14 cs.RO
Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning
University of Virginia（弗吉尼亚大学）；University of California, Irvine（加州大学伊藤分校）
本文提出离散引导扩散（DGD）框架，将离散MAPF求解器与约束生成扩散模型结合，通过问题分解、时空依赖建模和约束修复，实现可扩展至100个机器人的高质量多机器人运动规划。
2025-08-27 cs.AI cs.LG cs.RO
Deep Visual Foresight for Planning Robot Motion
Google Brain（谷歌大脑）；University of California, Berkeley（加州大学伯克利分校）
将机器人学习扩展到许多技能和环境的一个关键挑战是消除对人类监督的需求，以便机器人可以收集自己的数据并提高自己的性能，而不受请求人类反馈的成本的限制。基于模型的强化学习有望使智能体能够学习预测其行为的影响，这可以为各种任务和环境提供灵活的预测模型，而无需详细的人工监督。我们开发了一种将深度动作调节视频预测模型与使用完全未标记的训练数据的模型预测控制相结合的方法。我们的方法不需要校准的相机，仪器化的培训设置，也不需要精确的传感和驱动。我们的研究结果表明，我们的方法使一个真正的机器人执行nonpromisile操作-推动物体-并可以处理训练过程中没有看到的新对象。
2017-03-13 cs.AI cs.CV cs.LG
Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
Akule是一种稀疏交互扩散框架，通过三个学习模块实现快速可扩展多机器人运动规划，在基准测试中获高成功率、25倍加速，支持256个机器人规划。
2026-10-14 cs.AI cs.MA cs.RO
Large Trajectory Models are Scalable Motion Predictors and Planners
Shanghai Qi Zhi Institute（上海期智研究院）；Fudan University（复旦大学）；Pegasus Tech（飞马科技）；Tsinghua University（清华大学）；Shanghai Jiaotong University（上海交通大学）
本文提出 State Transformer（STR），将运动预测与规划统一为序列建模任务，并证明大型轨迹模型遵循扩展定律，可在分布外场景中实现合理预测和长期规划推理。
2024-02-28 cs.AI cs.CV cs.RO
Motion Planning for Autonomous Vehicles using Optimization over Graphs of Convex Sets
本文研究了在自动驾驶中使用凸集图优化对非线性最优控制问题的近似能力，通过凸约束保持轨迹连续性，提升计算效率和鲁棒性。
2026-05-13 cs.RO cs.SY eess.SY
Gaussian Process Constraint Learning for Scalable Chance-Constrained Motion Planning from Demonstrations
University of Michigan（密歇根大学）
我们提出了一种学习约束表示为高斯过程（GP）从局部最优演示的方法。我们的方法使用的Karush-Kuhn-Tucker（KKT）的最优性条件，以确定在示威的约束是紧的，并在这些国家的约束梯度的缩放。然后，我们训练GP表示的约束，这是一致的，并概括了这一信息。我们进一步表明，GP的不确定性，可以使用内的运动力RRT计划概率安全的轨迹，我们可以利用GP结构内的规划，以准确地实现指定的安全概率。我们证明了我们的方法可以学习复杂的，非线性的约束，证明了一个5D非完整的汽车，一个12 D四旋翼，和一个3连杆平面臂，同时需要最少的先验信息的约束。我们的研究结果表明，学习的GP约束是准确的，优于以前的约束学习方法，需要更多的先验知识。
2022-03-01 cs.LG cs.RO cs.SY
Compositional Visual Planning via Inference-Time Diffusion Scaling
Georgia Institute of Technology（佐治亚理工学院）；University of Michigan（密歇根大学）
本文提出通过推理时扩散缩放进行组合式视觉规划，利用Tweedie估计强制边界一致，实现长时间范围的稳定规划。
2026-03-03 cs.RO
Scaling Planning for Automated Driving using Simplistic Synthetic Data
Robert Bosch GmbH（罗伯特·博世有限公司）
本文挑战自动驾驶规划依赖海量真实数据或高仿真的共识，提出使用简单的轻量级仿真数据结合基础行为克隆方法，在环岛场景中通过增量开发实现真实车辆可靠舒适驾驶。
2024-01-03 cs.RO
Scaling Up without Fading Out: Goal-Aware Sparse GNN for RL-based Generalized Planning
Unmanned Ground Control Technology Lab（无人地面控制系统实验室）；LIG Nex1；Daejeon（大田）
针对RL+GNN广义规划中全连接图表示随规模增大而失效的问题，提出稀疏目标感知GNN表示，并在PDDL无人机网格任务中验证其可扩展性和策略泛化能力的显著提升。
2025-11-09 cs.AI cs.RO
Scaling up and Stabilizing Differentiable Planning with Implicit Differentiation
Khoury College of Computer Sciences, Northeastern University（东北大学Khoury计算机科学学院）；Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）；Shanghai Qi Zhi Institute（上海期智研究院）
针对可微规划前反向耦合难扩展的问题，提出通过Bellman不动点方程隐式微分VIN及其变体，解耦前后向传播、降低反向成本，在多类规划任务上验证了稳定性与性能优势。
2023-05-01 cs.AI cs.LG cs.RO
Scaling Whole-body Multi-contact Manipulation with Contact Optimization
School of Informatics, The University of Edinburgh（信息学院、爱丁堡大学）；Waseda University（早稻田大学）
针对类人机器人全身多接触操作规划可扩展性差的问题，提出基于连续表面表示和梯度优化的方法，实现闭式邻近点计算与有效成本设计，规划时间较现有最优提升77%，并在真实硬件上验证。
2025-08-18 cs.RO
Scaling Laws of Motion Forecasting and Planning -- Technical Report
Waymo LLC（Waymo公司）
本研究在自动驾驶运动预测与规划任务中，发现编码器-解码器自回归Transformer模型的性能随计算预算呈幂律提升，闭环指标随缩放改善，并确定了模型参数与数据规模的最优缩放比例，以及推理时采样聚类可提升小模型效率。
2025-09-08 cs.AI cs.LG cs.RO
FiReFly: Fair Distributed Receding Horizon Planning for Multiple UAVs
Oregon State University（俄勒冈州立大学）；Toyota Research Institute of North America（美国丰田研究院）
针对多机器人利益冲突下的资源公平使用问题，提出FiReFly算法，通过集成分布式公平运动规划器与安全控制器，在到达-规避任务中提升轨迹公平性和任务成功率，支持15架无人机实时运行、50架无人机需权衡运行时间与公平性。
2025-08-20 cs.RO
Web-based Augmented Reality with Auto-Scaling and Real-Time Head Tracking towards Markerless Neurointerventional Preoperative Planning and Training of Head-mounted Robotic Needle Insertion
The Chinese University of Hong Kong（香港中文大学）；CUHK Shenzhen Research Institute（香港中文大学（深圳）研究院）
本文提出一种无标记Web增强现实应用，利用MediaPipe和React Three Fiber实现头部自动缩放与实时跟踪，用于神经介入术前规划和头戴式机器人针插入训练，成本低且支持协作。
2024-10-19 cs.RO eess.IV
Scaling Manual-Grounded Appliance Manipulation with Data Synthesis and Unified Planning
Center on Frontiers of Computing Studies, School of Computer Science, Peking University（北京大学计算机学院计算前沿研究中心）；Beijing University of Aeronautics and Astronautics（北京航空航天大学）；Jingdong Technology Information Technology Co., Ltd（京东科技信息技术有限公司）
针对现有大模型缺乏支持基于手册的家电操作规划的数据集的问题，提出MAGE数据合成流水线构建UseAppliance数据集，开发AppliancePlan模型，在RealAppliance-Bench和真实机器人实验中表现优异，推进通用家用机器人发展。
2026-08-18 cs.AI cs.CL cs.CV
Safe Polytope-in-Polytope Motion Planning and Control with Control Barrier Functions
KU Leuven（鲁汶大学）
提出一种安全局部运动规划与控制方法，通过模型预测控制器中的离散时间控制障碍函数约束，保证多面体机器人足迹始终位于连续更新的凸自由空间内，计算时间随障碍物数量增加最多降低91倍。
2026-06-08 cs.RO
Hierarchical Temporal Logic Task and Motion Planning for Multi-Robot Systems
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文针对多机器人系统，提出基于分层时序逻辑规范和凸集图方法的乘积图框架，解决任务分配未预定的TAMP问题，在保证可靠性与完备性的同时提升了求解效率与最优性。
2025-04-29 cs.RO
Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出 Nl2Hltl2Plan 框架，利用 LLM 将自然语言指令转换为分层 LTL 规范并求解多机器人规划，实验表明其在复杂指令、成功率和成本上均优于现有方法。
2024-12-05 cs.AI cs.LO cs.RO
Scalable Asymptotically-Optimal Multi-Robot Motion Planning
Rutgers University（罗格斯大学）；Tel Aviv University（特拉维夫大学）
在多机器人运动规划问题中寻找渐近最优路径，原则上可以在空间中所有机器人的复合配置空间中使用基于采样的规划器来实现。这个空间的维数随着机器人的数量而增加，使得这种方法不切实际。这项工作的重点是耦合多机器人问题，提供渐近最优的可扩展的基于采样的规划。它扩展了dRRT方法，该方法提出为每个机器人构建路线图，并在复合配置空间中搜索隐式路线图。这项工作提出了一种新的方法，dRRT *，并发展理论的可扩展收敛到多机器人问题的最佳路径。模拟实验表明，dRRT * 收敛到高质量的路径，同时扩展到更高数量的机器人，其中天真的方法失败。此外，dRRT * 适用于高维问题，例如机器人操作器的规划
2017-07-03 cs.MA cs.RO
Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Texas A&M University（德克萨斯A&M大学）
本研究将拓扑引导的单机器人运动规划扩展到多机器人领域，在拥挤狭窄环境中实现高效可扩展规划，支持比现有方法大25倍的团队规模，并生成更优路径。
2023-05-25 cs.AI cs.MA cs.RO
Multi-Robot Motion Planning with Diffusion Models
Carnegie Mellon University（卡内基梅隆大学）；Brown University（布朗大学）
本文提出MMD算法，将学习到的扩散模型与经典搜索技术结合，仅用单机器人数据即可为数十个机器人规划无碰撞轨迹，并支持组合多个扩散模型以扩展到大环境。
2025-05-07 cs.AI cs.MA cs.RO
