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
Neural Motion Planning for Autonomous Parking
Hanyang University(汉阳大学)
本文提出了一种混合运动规划策略,该策略将深度生成网络与传统的运动规划方法相结合。现有的规划方法,如A* 和混合A* 被广泛用于路径规划任务,因为他们的能力,以确定可行的路径,即使在复杂的环境中,但是,他们有效率方面的限制。为了克服这些局限性,引入了一种基于神经网络的路径规划算法,即神经混合A*。本文提出了使用条件变分自编码器(CVAE)引导搜索算法,利用CVAE的能力,学习有关的规划空间的停车环境的信息。一个非均匀的扩展策略是利用的基础上的可行的轨迹分布在演示中学习。所提出的方法有效地学习了一个给定的状态的表示,并在算法性能方面的改进。
2021-11-16 cs.LG cs.RO
Cascaded Diffusion Models for Neural Motion Planning
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);University of Washington(华盛顿大学);Hello Robot Inc(Hello Robot公司)
针对扩散策略等生成模型难以处理全局运动规划中细微约束违反的问题,提出结合全局预测、局部细化与在线修复的级联层次扩散模型方法,在多领域任务中性能优于基线约5%。
2025-05-21 cs.LG cs.RO
Robot Motion Planning as Video Prediction: A Spatio-Temporal Neural Network-based Motion Planner
Rutgers University(罗格斯大学)
基于神经网络的机器人运动规划方法由于其强大的学习能力和固有的高度并行性而成为一种有吸引力的方法。尽管目前在这方面的发展,有效地捕捉和处理重要的顺序和空间信息,以直接和同时的方式,仍然是相对不足的探索。为了克服这一挑战并释放神经网络在运动规划任务中的潜力,本文提出了STP-Net,这是一个端到端的学习框架,可以充分提取和利用重要的时空信息来形成有效的神经运动规划器。通过将机器人的运动解释为视频片段,机器人运动规划被转换为可以由STP-Net以空间和时间有效的方式执行的视频预测任务。在不同的可见和不可见环境中的经验评估表明,STP-Net在规划速度和路径成本方面表现出非常有前途的性能,准确率接近100%(也就是成功率)。与现有的基于神经网络的运动规划器相比,STP-Net在2D随机森林、2D迷宫和3D随机森林环境中分别实现了至少5倍、2.6倍和1.8倍的速度和更低的路径成本。此外,在多机器人运动规划任务中,STP-网络可以快速、同时地计算出多条近似最优路径
2022-08-24 cs.LG cs.RO
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
Perceive, Predict, and Plan: Safe Motion Planning Through Interpretable Semantic Representations
Uber ATG(Uber 先进技术集团);University of Toronto(多伦多大学)
在本文中,我们提出了一种新型的端到端可学习网络,该网络可以为自动驾驶车辆执行联合感知,预测和运动规划,并产生可解释的中间表示。与现有的神经运动规划器不同,我们的运动规划成本与我们的感知和预测估计一致。这是通过一种新颖的可区分的语义占用表示来实现的,该表示被明确地用作运动规划过程的成本。我们的网络是从人类演示中端到端学习的。在大规模手动驾驶数据集和闭环仿真中的实验表明,该模型在模仿人类行为的同时产生更安全的轨迹,显着优于最先进的规划器。
2020-08-13 cs.AI cs.CV cs.LG
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
Motion Planning by Learning the Solution Manifold in Trajectory Optimization
Kyushu Institute of Technology(九州工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
在轨迹优化中使用的目标函数通常是非凸的,并且可以具有无穷多个局部最优值。在这种情况下,有不同的解决方案来执行给定的任务。虽然有一些方法可以找到运动规划的多个解决方案,但它们仅限于生成有限的解决方案集。为了解决这个问题,我们提出了一种优化方法,学习的轨迹优化的解决方案的无限集。在我们的框架中,通过学习解决方案的潜在表示来获得不同的解决方案。我们的方法可以被解释为训练用于运动规划的无碰撞轨迹的深度生成模型。实验结果表明,训练后的模型代表了运动规划问题的无穷同伦解集。
2021-07-13 cs.LG cs.RO
Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models
University of Virginia(弗吉尼亚大学);University of California(加州大学)
本文提出SMD方法,将约束优化集成到扩散采样过程以生成无碰撞且运动学可行的轨迹,并引入全面的MRMP基准,实验证明其在复杂多机器人环境中优于经典和学习类规划器。
2025-06-30 cs.AI cs.LG cs.RO
Joint Localization and Planning using Diffusion
Massachusetts Institute of Technology(麻省理工学院)
本研究提出一种在SE(2)路径空间实现扩散的模型,通过结合自中心LIDAR扫描与地图条件化去噪过程,在2D环境中联合执行全局定位与路径规划,生成无碰撞路径,并验证了其对现实地图的泛化能力及实时应用潜力。
2024-09-26 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
Planning the path with Reinforcement Learning: Optimal Robot Motion Planning in RoboCup Small Size League Environments
Centro de Informática, Universidade Federal de Pernambuco(佩德罗·本杰明大学计算机中心)
本研究利用强化学习结合启发式控制方法,在RoboCup小型组联赛环境中实现高效路径规划,较基线算法在无障碍场景下节省60%时间,并具备动态避障能力。
2024-04-23 cs.AI cs.LG 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
Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models
Zachry Department of Civil and Environmental Engineering, Texas A&M University(德克萨斯A&M大学Zachry土木与环境工程系)
本文提出流运动策略,一种基于流匹配模型的机械臂运动规划方法,通过生成路径分布实现高效推理优化。
2026-08-18 cs.AI cs.RO
Topological Motion Planning Diffusion: Generative Tangle-Free Path Planning for Tethered Robots in Obstacle-Rich Environments
本文提出TMPD框架,结合终身拓扑记忆,通过扩散模型生成可行轨迹候选,并利用拓扑后端过滤优化,实现无碰撞和无纠缠的高效路径规划。
2026-03-16 cs.RO
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego(加州大学圣地亚哥分校)
Kinodynamic运动规划(Kinodynamic Motion Planning,KMP)是在运动学和动力学约束下,寻找机器人运动的方法。到目前为止,相当多的方法解决KMP问题和那些存在的斗争,找到接近最优的解决方案,并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战,我们提出了一个可扩展的,模仿学习为基础的,模型预测运动规划网络框架,快速找到接近最优的路径解决方案,最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器,神经网络,和一个并行模型预测控制器(MPC)。生成器向给定目标输出各种通知状态,鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时,局部地连接所选择的通知状态,从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱,kinodynamically约束,欠驱动的规划问题,结果表明显着改善计算时间,路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG cs.RO
Representation, learning, and planning algorithms for geometric task and motion planning
Korea Advanced Institute of Science and Technology(韩国科学技术院);Optimus Ride
我们提出了一个学习指导几何任务和运动规划(GTAMP)的框架。GTAMP是任务和运动规划的一个子类,其目标是将多个对象移动到可移动障碍物中的目标区域。标准的图搜索算法不能直接应用,因为GTAMP问题涉及混合搜索空间和昂贵的动作可行性检查。为了解决这个问题,我们引入了一种新的规划器,扩展基本的启发式搜索与随机抽样和启发式功能,优先可行性检查有前途的状态动作对。这种纯粹的规划者的主要缺点是他们缺乏从规划经验中学习以提高效率的能力。我们提出了两个学习算法来解决这个问题。第一种是用于学习引导离散任务级搜索的秩函数的算法,第二种是用于学习引导连续motionlevel搜索的采样器的算法。我们提出了设计数据高效算法的设计原则,用于从规划经验和表示中学习有效的泛化。我们评估我们的框架在具有挑战性的GTAMP问题,并表明我们可以提高规划和数据效率
2022-03-09 cs.AI cs.LG cs.RO
Free-configuration Biased Sampling for Motion Planning: Errata
本文档包含我们的论文“用于运动规划的自由配置偏置采样“中提出的采样方法的改进和更新的收敛性证明。
2013-11-03 cs.AI cs.RO
Function-Space Diffusion for Motion Planning
School of Electrical and Computer Engineering(电气与计算机工程学院);School of Aerospace Engineering, Georgia Institute of Technology(佐治亚理工学院航空航天工程学院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
研究提出函数空间扩散运动规划方法,将轨迹建模为连续函数在函数空间直接扩散,定义谱域正向过程,用基于离散正弦变换的傅里叶神经算子参数化反向过程,实现离散不变轨迹生成,提升规划性能。
2026-07-07 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
Trajectory-Level Mode Guidance for Controllable Diffusion-Based Multi-Robot Motion Planning
Zhejiang University(浙江大学)
针对多机器人运动规划中融入部分轨迹先验且保持多模态生成的问题,提出在干净轨迹空间进行逐步引导的扩散模型方法,通过时间步依赖的引导强度融合规划代价与先验,实验验证了可控性与安全性。
2026-09-30 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
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
Motion Planning Networks: Bridging the Gap Between Learning-based and Classical Motion Planners
University of California San Diego(加州大学圣地亚哥分校);Massachusetts Institute of Technology(麻省理工学院)
本文介绍了运动规划网络(MPNet),一个计算效率高,基于学习的神经规划解决运动规划问题。MPNet使用神经网络来学习在可见和不可见环境中进行路径规划的一般接近最优的算法。它获取环境信息,如来自深度传感器的原始点云,以及机器人的初始和期望的目标配置,并递归地调用自己来双向生成可连接的路径。除了找到直接连接和接近最优的路径,在一个单一的通行证,我们表明,最坏情况下的理论保证,可以证明,如果我们合并这个神经网络战略与经典的基于样本的规划者在一个混合的方法,同时仍然保留显着的计算和优化改进。为了训练MPNet模型,我们提出了一种主动的持续学习方法,使MPNet能够从流数据中学习,并在需要时主动要求专家演示,从而大大减少了用于训练的数据。我们验证MPNet对黄金标准和国家的最先进的规划方法在各种问题,从2D到7D机器人配置空间在具有挑战性和混乱的环境,结果显示显着的和一贯更强的性能指标,并激励神经规划一般作为一种现代战略,有效地解决运动规划问题。
2020-06-27 cs.AI cs.LG 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
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
Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network
Mody Institute of Technology and Science(莫迪理工学院);PEC University of Technology(旁遮普工程学院大学)
本文介绍了电子设计和运动规划的机器人决策的基础上,关于它的直线运动和精确转弯的人工神经网络(ANN)。人工神经网络有助于机器人的学习,使其自主执行运动。计算的权重在微控制器中实现。性能经测试是优秀的。
2012-07-20 cs.AI cs.LG cs.NE
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
Non-differentiable Reward Optimization for Diffusion-based Autonomous Motion Planning
Department of Mechanical Engineering, KAIST(韩国科学技术院机械工程系);Department of Electrical Engineering and Computer Science, DGIST(韩国科学技术院电子工程与计算机科学系)
本文针对扩散运动规划模型难以直接优化安全性和有效性等非可微目标的问题,提出基于强化学习的训练方案,并设计奖励加权动态阈值算法,在CrowdNav和ETH-UCY等行人数据集上取得了优于现有方法的安全有效运动规划性能。
2025-07-17 cs.RO
Robot Motion Planning using One-Step Diffusion with Noise-Optimized Approximate Motions
Toyota Technological Institute(丰田技术研究所)
本文提出一种基于图像的单步扩散机器人运动规划方法,通过新型噪声优化器各向异性地调整加性噪声来优化近似运动,在保持实时高效率的同时实现了优于现有方法的性能。
2025-04-28 cs.RO
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
Accelerating db-A* for Kinodynamic Motion Planning Using Diffusion
Technical University Berlin(柏林工业大学)
本文提出利用扩散模型生成适应问题实例的运动基元以加速 db-A* 动力学运动规划,实验表明在不同机器人动力学中计算时间和解质量最高提升30%。
2025-03-10 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
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
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 Diffusion: Learning and Adapting Robot Motion Planning with Diffusion Models
Intelligent Autonomous Systems Lab, Computer Science Department, Technical University of Darmstadt, Germany(德意志图林根技术大学计算机科学系智能自主系统实验室);Poznan University of Technology, Poland(波兰波兹南技术大学);IDEAS, Warsaw, Poland(波兰华沙IDEAS);Centre for Cognitive Science, Technical University of Darmstadt, Germany(德意志图林根技术大学认知科学中心);German Research Center for AI (DFKI), Research Department: SAIROL, Darmstadt, Germany(德国人工智能研究中心(DFKI)研究部:SAIROL,德意志图林根,德国);Hessian.AI, Darmstadt, Germany(黑森AI,德意志图林根,德国)
提出 Motion Planning Diffusion (MPD) 算法,利用扩散模型学习基于 B-spline 的轨迹分布先验,结合代价函数梯度从后验分布采样,实现高效平滑的机器人运动规划。
2025-08-14 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
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
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
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
DiffusionSeeder: Seeding Motion Optimization with Diffusion for Rapid Motion Planning
UC Berkeley(加州大学伯克利分校);Nvidia(英伟达)
DiffusionSeeder利用扩散模型从深度图像生成多模态轨迹作为运动优化种子,集成到cuRobo后显著提升规划速度与成功率,并成功迁移至真实机器人。
2024-10-22 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
Constrained Motion Planning Networks X
University of California San Diego(加州大学圣地亚哥分校)
受约束的运动规划是一个具有挑战性的研究领域,旨在寻找计算效率高的方法,可以在给定的起始和目标配置之间的约束流形上找到无碰撞路径。这些规划问题经常出现,例如在机器人操作执行日常生活辅助任务。然而,很少有约束运动规划的解决方案是可用的,并且那些存在的解决方案在寻找流形上的路径解决方案时与高计算时间复杂度作斗争。为了解决这一挑战,我们提出了约束运动规划网络X(CoMPNetX)。它是一种神经规划方法,包括条件深度神经生成器和基于神经梯度的快速投影算子。我们还介绍了神经任务和场景表示的条件下,CoMPNetX生成隐式流形配置涡轮增压任何底层的经典规划,如基于采样的运动规划方法,快速解决复杂的约束规划任务。我们表明,在各种具有挑战性的场景中,我们的方法比最先进的传统路径查找工具能够以更高的成功率和更低的计算时间找到路径解决方案。
2021-07-03 cs.AI cs.LG cs.RO
COAST: Constraints and Streams for Task and Motion Planning
Stanford University(斯坦福大学);Toyota Research Institute(丰田研究所)
针对现有TAMP算法扩展性差、求解耗时久的问题,提出概率完备的采样式算法COAST,结合基于流的运动规划与高效约束任务规划策略,在三个测试域中累计任务规划时间较基线快一个数量级。
2024-05-14 cs.RO
Decision-Time Postponing Motion Planning for Combinatorial Uncertain Maneuvering
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
运动规划涉及城市驾驶中组合机动变量之间的决策。规划者必须考虑机动变量的不确定性和相关风险,并随后选择机动方案。在本文中,我们提出了一种规划方法,考虑预测中的不确定性,并在高不确定性的情况下,推迟到以后的时间内的规划范围内的组合决策。使用我们提出的方法,计划安全但同时不过度保守的运动。
2020-12-13 cs.RO
Spatio-Temporal Lattice Planning Using Optimal Motion Primitives
University of Waterloo(滑铁卢大学)
本文将任意格上的最小t-张成运动基元选择建模为混合整数线性规划,并结合基于A*的规划与振荡消除算法,在停车场和高速场景验证了自动驾驶效果。
2023-07-17 cs.RO
Quotient-Space Motion Planning
CNRS-AIST Joint Robotics Laboratory(CNRS-AIST联合机器人实验室)
运动规划算法通过计算穿过机器人的配置空间的路径来计算机器人的运动。为了提高运行时间的运动规划算法,我们建议嵌套机器人在彼此之间,创建一个嵌套的配置空间的约束空间分解。基于此分解,我们定义了一个新的基于路线图的运动规划算法称为商空间路线图规划(QMP)。该算法开始增长的最低维商空间上的一个图形,切换到下一个商空间一旦一个有效的路径已经找到,并不断更新每个商空间上的图形同时,直到一个有效的路径中的配置空间已经found.We表明,该算法是概率上完整的,并优于一组国家的最先进的算法实现在开放的运动规划库(OMPL)。
2018-08-03 cs.RO
Robust Task and Motion Planning for Long-Horizon Architectural Construction Planning
University of Stuttgart(斯图加特大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
在建筑和施工过程中集成机器人系统是提高建筑行业效率的核心兴趣。此类系统的自动规划使设计分析工具成为可能,并为设计师和工程师提供更快的设计迭代周期。然而,通用的任务和运动规划(TAMP)的长期建设过程是超出了目前的方法的能力。在本文中,我们开发了一个多智能体TAMP框架的长期问题,如建设一个全面的建设。为此,我们通过基于采样的运动规划,有限的地平线的方法,和特定于任务的结构稳定性优化,允许有效的任务分解的逻辑几何规划框架。我们表明,我们的框架是能够构建一个大型展馆从几百个几何独特的建筑元素从开始到结束自主。
2020-03-17 cs.RO
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
Motion planning in high-dimensional spaces
University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
运动规划是一个关键的工具,使机器人导航通过一个环境中没有碰撞。机器人运动规划的问题已经在过去的几十年中进行了详细的研究,研究人员最初专注于平面移动机器人和低自由度(DOF)机器人手臂等系统。高自由度机器人必须在复杂的动态环境中实时的执行任务,因此需要快速的运动规划算法。在这篇综述中,我们讨论了几种类型的策略,运动规划在高维空间和剖析其中的一些,即基于网格搜索,基于采样和轨迹优化的方法。我们比较了它们,并概述了它们的优点和缺点,最后,提供了一个洞察未来的研究机会。
2018-07-19 cs.RO
Reactive motion planning with probabilistic safety guarantees
California Institute of Technology(加州理工学院)
多智能体环境中的运动规划对于许多重要的自主应用(如自主车辆和辅助机器人)至关重要。研究了受控智能体与多个不受控智能体共享环境的运动规划问题。首先,训练不受控制的代理的预测模型,以基于场景在短时间内预测所有可能的轨迹。然后将预测馈送到基于模型预测控制的运动规划模块。我们使用三种不同的方法,后膨胀,支持向量机(SVM),和共形分析,所有能够生成随机保证的预测模型的预测的正确性证明了泛化界。所提出的方法在模拟自动驾驶公路的情况下进行了仿真。
2020-11-26 cs.LG cs.RO cs.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