Coverage Path Planning using Path Primitive Sampling and Primitive Coverage Graph for Visual Inspection
A*STAR Artificial Intelligence Initiative (A*AI)(新加坡科技研究局人工智能计划(A*AI));Institute of High Performance Computing(高性能计算研究所);Carnegie Mellon University(卡内基梅隆大学)
对于无人机视觉检测应用来说,规划路径以收集目标物体的表面信息对于提高效率和降低总体成本至关重要。覆盖路径规划(CPP)的问题往往是制定这些检测应用程序,因为覆盖的要求。传统上,研究人员通常首先规划和优化视点以捕获表面信息,然后优化访问所选视点的路径。在本文中,我们提出了一种新的规划方法,直接采样和规划的检测路径的摄像机配备的无人机,以获取视觉和几何信息的目标结构作为视频流设置在复杂的3D环境。该规划方法首先通过体素膨胀和减法的基础上使用采样方法生成的目标对象周围的通路点和路径基元。然后提出了一种新的基元覆盖图(PCG)编码的拓扑信息,飞行距离和可见性信息,与采样的途经点和路径基元。最后进行图搜索,在PCG中找到结果路径,完成具有覆盖要求的检测任务。通过仿真和现场试验验证了该方法的有效性。
2019-08-08 cs.RO
MSTC*:Multi-robot Coverage Path Planning under Physical Constraints
Shanghai Key Laboratory of Trustworthy Computing(上海市可信计算重点实验室);Engineering Research Center of Software/Hardware Co-design Technology and Application (MoE)(软硬件协同设计技术与应用教育部工程研究中心);School of Software Engineering, East China Normal University(华东师范大学软件工程学院)
对于大规模的任务,覆盖路径规划(CPP)可以大大受益于多个机器人。提出了一种基于螺旋生成树覆盖的多机器人覆盖路径规划算法MSTC*。我们的算法结合了严格的物理约束,如地形的可通行性和材料的承载能力。我们比较我们的算法对国家的最先进的mCPP规则的网格地图和真实的实地地形在模拟环境中。实验结果表明,我们的方法显着优于现有的螺旋STC为基础的mCPP方法。我们的算法可以为所有机器人找到一组平衡良好的工作负载分布,因此,实现了完成覆盖的总体最短时间。
2021-08-10 cs.RO
Robot Coverage Path Planning for General Surfaces Using Quadratic Differentials
Stony Brook University(石溪大学);Dalian University of Technology(大连理工大学)
机器人覆盖路径规划(即,通过一个或多个机器人提供给定域的完全覆盖)是机器人和运动规划领域中的经典问题。目标是提供几乎完全覆盖,同时尽量减少重复访问的区域。本文主要研究三维空间中一般曲面上的路径规划问题,包括复杂拓扑的平面域、复杂地形和一般曲面。其主要思想是采用一种自然的、内在的、全局的曲面参数化方法来进行机器人路径规划,即全纯二次微分。除了少量的零点(奇点),表面上的每个点都被赋予一个自然由复数表示的uv坐标。我们表明,自然,高效的机器人路径可以通过使用这样的坐标系。该方法是基于内在的几何形状,因此可以适用于一般的表面勘探在3D。
2017-01-26 cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology(宁波工程学院)
随着机器人技术和人工智能领域的发展不断深入,路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状,重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究,并给出了一些求解方法。
2014-01-07 cs.RO
Multi-UAV Coverage Path Planning for the Inspection of Large and Complex Structures
A*STAR Institute of Information Research (IR)(新加坡科技研究局信息研究所);A*STAR Institute of High Performance Computing (IHPC)(新加坡科技研究局高性能计算研究所);A*STAR Initiative for Artificial Intelligence and Analytics (AI)(新加坡科技研究局人工智能与分析计划);Department of Mechanical Engineering, Carnegie Mellon University(卡内基梅隆大学机械工程系)
我们提出了一个多无人机覆盖路径规划(CPP)框架的大规模,复杂的3D结构的检查。在所提出的基于采样的覆盖路径规划方法中,我们将多无人机检测应用归结为多智能体覆盖路径规划问题。将集合覆盖问题(SCP)和车辆路径问题(VRP)这两个NP难问题相结合,提出了一种集合覆盖车辆路径问题(SC-VRP),并采用改进的有偏随机密钥遗传算法(BRKGA)进行求解。我们测试我们提出的方法,几个复杂的3D结构与3D模型从OpenStreetMap中提取。所提出的方法优于以前的方法,通过减少高达48%的计划检查路径的长度
2020-07-26 cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University(暨南大学);University of Chinese Academy of Sciences(中国科学院大学);Shanghai Jiao Tong University(上海交通大学);Wuyi University(五邑大学);South China University of Technology(华南理工大学)
本文提出TRACE算法,利用分层覆盖树实现未知环境的在线覆盖路径规划,通过局部优化和全局路径引导,显著提升覆盖效率。
2026-09-21 cs.RO
CT-CPP: Coverage Path Planning for 3D Terrain Reconstruction Using Dynamic Coverage Trees
University of Connecticut(康涅狄格大学)
这封信解决了三维覆盖路径规划(CPP)问题的地形重建未知的障碍丰富的环境。由于传感器的限制,所提出的方法,称为CT-CPP,执行分层扫描的3D区域收集地形数据,其中的旅行序列是使用的概念,覆盖树(CT)与TSP启发的树遍历策略进行优化。CT-CPP方法在高保真水下模拟器上进行了验证,并将结果与现有的地形跟随CPP方法进行了比较。结果表明,CT-CPP产生的轨迹长度,能量消耗和重建误差显着减少。
2021-12-02 cs.AI cs.RO cs.SY
Offline Grid-Based Coverage path planning for guards in games
McGill University(麦吉尔大学)
穷举覆盖的算法在视频游戏中有应用,可以实现自动游戏级探索。目前的设计使用简单的逻辑,经常导致性能差或表现出不自然的行为。在本文中,我们介绍了一种新的算法覆盖的二维多边形(孔)的地区。我们假设地图布局的先验知识,并使用基于网格的世界表示。从简单的布局到实际游戏中使用的更复杂的地图,对几种场景的实验分析显示出良好的性能。这项工作作为第一步,建立一个更有效的覆盖路径规划算法的非玩家角色。
2020-01-15 cs.AI cs.RO
CPPNet: A Coverage Path Planning Network
University of Connecticut(康涅狄格大学)
本文提出了一种基于深度学习的CPP算法,称为覆盖路径规划网络(CPPNet)。CPPNet是使用卷积神经网络(CNN)构建的,其输入是占用网格地图的基于图形的表示,而其输出是边缘概率热图,其中每个边缘的值是属于最佳TSP巡回的概率。最后,使用贪婪搜索来选择最终的优化路线。CPPNet经过训练,并与TSP巡回赛进行了比较评估。结果表明,CPPNet提供了接近最优的解决方案,同时需要显着更少的计算时间,从而使实时覆盖路径规划在部分未知和动态的环境。
2021-08-03 cs.RO cs.SY eess.SY
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research(瓦赫宁根大学及研究中心)
本文介绍了Fields 2Cover,一个新的开源库覆盖路径规划(CPP)的农用车辆。虽然现在有几种CPP解决方案,但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架,用于规划覆盖路径,开发新技术,并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构,支持各种车辆,可用于各种应用,包括农场。它的核心模块是:一个岬生成器,一个条带生成器,一个路线规划器和路径规划器。机器人操作系统(ROS)的接口也提供了作为add-on. In本文中,库的功能,规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑,通过多模式串联实现名义无损喷雾,并与Boustrophedon路径规划下的反应式开关逻辑对比,分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Corner Cases: Headland Coverage Path Planning for Autonomous Driving in Arable Farming
Technical University of Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所)
该研究针对农田自动驾驶地头覆盖路径规划问题,提出修改多边形角落以实现倒车转向的新方法,在特定角度角落覆盖效果优于现有方法,适用性经真实田地图验证。
2026-09-04 cs.RO
Path Planning for Spot Spraying with UAVs Combining TSP and Area Coverages
Findklein GmbH(芬德克莱因有限公司)
针对农田杂草定点喷洒,本文融合TSP启发式与区域覆盖路径规划,通过三组真实实验验证算法,并发现区域覆盖长度对总航程影响显著。
2025-02-19 cs.RO
Edge Coverage Path Planning for Robot Mowing
Wayne State University(韦恩州立大学)
由于机器人技术的快速发展,机器人割草正在出现,以解放人类从繁琐和耗时的景观工作。传统上,机器人割草被认为是一个“覆盖路径规划”的问题,与简化,将非凸障碍转化为凸障碍。此外,通常通过机器人外接圆对转换后的障碍物进行扩张以避免碰撞。然而,当应用于机器人割草时,草坪中的障碍物通常是非凸的,想象一下草坪上的花园,使得所提到的障碍物处理方法将填充一些凹进区域,使得它们不再被机器人接近,并且因此沿着草坪边缘产生不可避免的未切割区域,这使景观的优雅变得暗淡并且引起返工。为了缩小草坪边缘周围的未切割区域,我们在此将该问题重新构建为一个全新的问题,命名为“边缘覆盖路径规划”问题,该问题专用于路径规划,目标是覆盖边缘。相应地,我们提出了两种规划方法,“大小盘”和“滑动盘”规划方法来解决这个问题,利用图像形态学处理和计算几何技能。通过验证,我们提出的方法可以优于传统的“外接圆膨胀”的方法。
2022-09-12 cs.RO
A Hierarchical Coverage Path Planning Algorithm for Unknown Environments
Jinan University(暨南大学);Beijing Institute of Technology(北京理工大学);University of Chinese Academy of Sciences(中国科学院大学)
本文提出一种未知环境下的在线分层覆盖路径规划算法,通过增量分解树组织子区域并动态更新全局覆盖路线,仿真验证其相比三种基线算法在路径长度和重叠率上提升了覆盖效率。
2026-09-14 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
From 2D to 3D terrain-following area coverage path planning
Findklein GmbH(Findklein公司)
本文提出了一种三维地形跟随区域覆盖路径规划算法,生成多个相邻路径,确保局部间距与工作宽度一致,同时投影距离与特定工作高度一致,并通过实际农业数据验证算法效果。
2026-03-23 cs.RO cs.SY eess.SY
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology(吕勒奥理工大学)
本文研究了利用多个无人机对复杂基础设施进行检测(离线三维重建)的协同覆盖路径规划(C-CPP)问题。该方案基于基础设施的先验3D模型,能够为无人机生成多条路径,以便在短时间内实现完整的合作覆盖。最初,被检查的基础设施被水平平面切片,其具有识别结构的分支的能力,并且这些分支将被处理为UAV的路径规划的断点,以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务,并且更现实。通过利用SLAM和运动恢复结构方法,利用单目或立体传感器,将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 cs.RO
3D-CovDiffusion: 3D-Aware Diffusion Policy for Coverage Path Planning
IEEE
本文提出 3D-CovDiffusion,将覆盖路径规划转化为条件序列生成问题,采用几何条件扩散框架从三维点云合成轨迹,相比基线方法在轨迹平滑度、覆盖率等指标上实现显著提升。
2026-08-04 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));The Chinese University of Hong Kong(香港中文大学);The University of British Columbia(不列颠哥伦比亚大学)
在人口密集的动态环境中,机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地,移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑,分为全局路径规划和局部路径规划。在此框架内,路径规划方法的最新进展,在文件中,同时检查他们的优点和缺点。值得注意的是,最近开发的速度障碍法及其变种,作为当地的规划者进行了全面的分析。此外,作为当前机器人应用中广泛使用的无模型方法,本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 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
Embodied AI in Mobile Robots: Coverage Path Planning with Large Language Models
The University of Western Australia(西澳大利亚大学)
本文提出一种结合大语言模型与低层执行器的多层具身路径规划框架,并设计覆盖加权指标评估性能,实验表明其能提升LLMs空间推理能力,其中claude-3.5表现最优。
2024-07-04 cs.AI cs.RO
Approximate Environment Decompositions for Robot Coverage Planning using Submodular Set Cover
University of Waterloo(滑铁卢大学);Avidbots Corp.(Avidbots公司)
针对机器人覆盖路径规划中的环境分解问题,提出基于子模集覆盖的重叠矩形扇区分解方法,并通过贪心算法给出扇区数量近似保证,实验表明其优于现有方法。
2024-09-04 cs.RO
Distributed area coverage path planning subject to the inclusion of a headland path
Findklein GmbH(芬德克莱因有限公司)
本文针对含地头路径约束的分布式区域覆盖路径规划问题,提出确定性方法,可结合多机器人及各类约束生成覆盖路径,还对比了Boustrophedon模式方法并凸显其优势。
2026-10-14 cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University(亚利桑那州立大学)
机器人运动规划涉及计算一系列有效的机器人配置,使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常,基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中,我们提出了一个基于深度学习的框架,该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布,以减少规划时间。我们的方法适用于一个统一的网络,并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明,显着改善运动规划时间相比,目前的采样为基础的运动规划。
2021-07-22 cs.RO
Reinforcement Learning-Based Coverage Path Planning with Implicit Cellular Decomposition
LG Electronics(LG电子)
在一个通用的已知环境中的覆盖路径规划被证明是NP难的。当环境未知时,机器人需要依靠在覆盖过程中建立的在线地图信息进行路径规划,因此设计具有合理性能的启发式或近似算法成为一个重要的研究方向。这样的算法在覆盖区域或覆盖成本方面具有次优性能,例如,覆盖时间或能量消耗。在本文中,我们提供了一个系统的分析的覆盖问题,并制定它作为一个最佳的停止时间的问题,覆盖性能和成本之间的权衡明确占。接下来,我们证明了强化学习(RL)技术可以用来解决计算问题。为此,我们提供了一些技术和实际的考虑,以促进RL算法的应用和提高解决方案的效率。最后,通过在网格世界环境和Gazebo模拟器中的实验,我们证明了基于强化学习的算法能够有效地覆盖真实的未知室内环境,并且性能优于当前的最新技术水平。
2021-10-18 cs.AI cs.LG cs.RO
Coverage Path Planning for Autonomous Sailboats in Inhomogeneous and Time-Varying Oceans: A Spatiotemporal Optimization Approach
Institute of Deep-sea Science and Engineering, Chinese Academy of Sciences(中国科学院深海科学与工程研究所);Institute for Ocean Engineering, Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院海洋工程研究所);ZJU-Hangzhou Global Scientific and Technological Innovation Center, Zhejiang University(浙江大学 Hangzhou 全球科技创新中心);Department of Engineering, Faculty of Computing, Engineering and the Built Environment, Birmingham City University(伯明翰城市大学工程系);School of Ocean and Civil Engineering, Shanghai Jiao Tong University(上海交通大学海洋与Civil Engineering学院)
本文提出了一种专为自主帆船设计的时空优化方法,解决非均匀和时变海洋环境中的覆盖路径规划问题,通过空间拓扑约束和时间预测规划提升覆盖效率。
2026-02-13 cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México(墨西哥自治理工学院)
本文提出了一种多机器人运动规划方法,通过工作空间分解的离散搜索提高规划效率,核心方法是分层子问题扩展和工作空间分解细化,主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University(德克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
提出基于经验的子问题规划方法,通过构建低维子问题解的数据库并应用于大规模场景,解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
End-to-End Framework for Robot Lawnmower Coverage Path Planning using Cellular Decomposition
Honda R&D Co., Ltd.(本田技研控股有限公司)
本文提出一种端到端割草机覆盖路径规划框架,通过AdaptiveDecompositionCPP算法结合细胞分解与自适应合并,将用户边界高效转化为优化GPS路径,并在仿真和实测中验证了覆盖完整性与割草效率。
2025-06-06 cs.AI cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University(克莱姆森大学);Air Force Research Laboratory(美国空军研究实验室)
机器人符号运动规划是在离散空间中指定和规划机器人任务,然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展,但仍存在许多挑战,包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中,分布式符号运动规划的多机器人系统的发展,以解决可扩展性。更具体地说,组合推理方法的发展,以分解的全局规划问题,原子命题的观察,通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性,一个动态的,定量的,和概率的人对机器人的信任模型的开发,以帮助这种分解。此外,提出了一种基于信任的实时切换框架,用于在自主和手动运动规划之间切换,以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估,证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)(北约科技组织海事研究与实验中心)
在本文中,我们解决地雷对抗(MCM)的搜索问题的自主水下航行器(AUV)调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法,适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点,其中预期数据质量最低。为了评估该算法,我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复,并导致减少区域覆盖差距。在另一个实验中,自适应调查显示,近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 cs.AI cs.RO
Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
Center for AI & Robotics(人工智能与机器人中心);New York University Abu Dhabi(纽约大学阿布扎比分校)
针对冗余机械臂表面覆盖问题,提出基于广义生成树的离线与在线联合生成树覆盖算法,通过多IK解建模为广义最小生成树,实现无重复覆盖路径,仿真验证了其高效性。
2026-09-09 cs.RO
UAV survey coverage path planning of complex regions containing exclusion zones
Military Institute of Science and Technology(军事科学技术学院)
本文提出一种无人机复杂凹多边形区域覆盖路径规划方法,通过多边形分解、深度优先搜索合并及直骨架偏移技术,实现含排除区域的连续安全路径规划。
2024-11-13 cs.CG cs.RO
Optimal Smooth Coverage Trajectory Planning for Quadrotors in Cluttered Environment
Guangdong Power Grid Co. Ltd.(广东电力电网公司);Shenzhen Institute of Artificial Intelligence(深圳人工智能与机器人研究院)
针对电网场景下杂乱环境中的无人机覆盖任务,提出前端GA求解TSP、后端非线性最小二乘优化平滑性、耗时与避障的两阶段轨迹规划算法,并通过仿真验证其有效性。
2025-10-03 cs.RO
Complete and Near-Optimal Robotic Crack Coverage and Filling in Civil Infrastructure
本文提出了一种同时基于传感器的检查和足迹覆盖(SIFC)规划与控制设计,用于自主机器人裂缝映射与填充。该方法通过在线构建目标地图实现未知目标信息的处理,并通过实验验证了算法在减少机器人行驶距离、保证完整感知覆盖和近最优足迹覆盖方面的有效性。
2024-09-28 cs.RO cs.SY eess.SY
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University(贾达沃普尔大学)
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段,最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题,因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题,其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置,而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的,因为路径规划问题的精确解并不总是预先可用的,并且必须动态地确定。实验表明,基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 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
Decentralized Coverage Path Planning with Reinforcement Learning and Dual Guidance
Shanghai Jiao Tong University(上海交通大学)
以分散的方式规划多机器人的覆盖路径,增强了覆盖任务处理不确定故障的鲁棒性。为了以分布式方式为每个机器人实现高效率,对复杂环境和合作代理意图的全面理解至关重要。不幸的是,现有的工作通常只考虑这些因素的一部分,导致不平衡的分区或不必要的重叠。为了解决这个问题,我们引入了一个分散的强化学习框架与双重指导训练每个代理,以解决分散的多覆盖路径规划问题,直接通过环境状态。由于分布式机器人需要其他意图来执行更好的覆盖效率,我们利用两种指导方法,人工势场和启发式指导,包括和整合其他意图到每个机器人的观察。通过我们构建的框架,结果表明我们的代理成功地学习确定自己的子区域,同时实现全覆盖,平衡的子区域和低重叠率。然后,我们在这些子区域内实现生成树覆盖,为每个机器人构建实际路线并完成给定的覆盖任务。我们的性能还与最先进的分散式方法进行了比较,显示重叠率最多降低10%,同时在类似环境中执行高效率。
2022-10-14 cs.RO cs.SY eess.SY
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节,它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术,已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法,用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 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
Risk-Aware Coverage Path Planning for Lunar Micro-Rovers Leveraging Global and Local Environmental Data
Tohoku University(东北大学)
本文提出一种面向月球微型巡视器的3D近视覆盖路径规划算法,结合全局与局部地形数据计算运动成本并集成定位建图,在仿真与实地测试中实现低能耗高覆盖率的自主探索。
2024-04-29 cs.RO
Adaptive grid-based decomposition for UAV-based coverage path planning in maritime search and rescue
针对海上搜救中无人机需快速完全覆盖搜索区域的问题,提出自适应网格分解(AGD)算法减少网格单元数,并结合混合整数规划(MIP)模型规划路径,实验显示其可减少最多20%的覆盖时间。
2024-12-01 cs.RO
Ray-based Interference Free Workspace Analysis and Path Planning for Cable-Driven Robots
The Chinese University of Hong Kong(香港中文大学)
本文采用基于光线的方法研究了任意缆索驱动机器人在缆索和障碍物作用下的无干涉工作空间。从这一点继续,点到点的路径规划和验证技术,以确保所产生的运动是在工作空间内进行了研究。
2022-09-23 cs.RO
Coverage Path Planning in Precision Agriculture: Algorithms, Applications, and Key Benefits
本文研究精准农业中的覆盖路径规划问题,分别提出基于波前覆盖算法的单机器人方法和包含凸多边形区域分配与最优路径生成的多机器人方法,以实现农田高效完整覆盖。
2025-01-08 cs.RO
Online Coverage Planning for an Autonomous Weed Mowing Robot with Curvature Constraints
University of Minnesota - Twin Cities(明尼苏达大学双城分校)
用于放牧的土地约占美国土地的三分之一。这些地区可能非常崎岖。然而,他们需要保持,以防止杂草接管营养草地。这可能是一项艰巨的任务,特别是在有机农业的情况下,因为不能使用除草剂。在本文中,我们提出了设计的牛机器人,自主除草机器人的牧场。Cowbot是一款电动割草机,设计用于奶牛牧场的崎岖环境,并为有机农场的杂草控制提供了一种具有成本效益的方法。牛机器人的路径规划是具有挑战性的,因为牧场上的杂草分布是未知的。在有限的视野范围内,在线路径规划是必要的,以检测杂草和规划路径割草。研究了具有曲率和视野约束的自动割草机的一般在线路径规划问题。我们开发了两个在线路径规划算法,能够利用新的信息杂草优化路径长度,并确保覆盖。我们部署我们的算法上的Cowbot和进行现场实验,以验证我们的方法的适用性,实时路径规划。我们还进行了广泛的模拟实验,结果表明,我们的算法相比基线boustrophedon和随机搜索的覆盖路径的路径长度减少了60%。
2021-11-19 cs.RO
Unscented Optimal Control for 3D Coverage Planning with an Autonomous UAV Agent
KIOS Research and Innovation Centre of Excellence (KIOS CoE)(KIOS卓越研究与创新中心(KIOS CoE));University of Cyprus(塞浦路斯大学)
提出一种概率鲁棒控制器,将3D覆盖规划表述为带逻辑约束的最优控制问题,通过Unscented变换实现鲁棒的开环覆盖计划设计。
2023-06-30 cs.RO cs.SY eess.SY
Multiobjective Coverage Path Planning: Enabling Automated Inspection of Complex, Real-World Structures
Brazilian Institute of Robotics(巴西机器人研究所);SENAI CIMATEC(巴西国家工业培训服务西玛特克分校);Department of Informatics, University of Oslo(奥斯陆大学信息学系);SENAI Institute for Innovation in Automation(巴西国家工业培训服务自动化创新研究所);Robotics Innovation Center, DFKI GmbH(德国人工智能研究中心机器人创新中心)
机器人规划中的一个重要的开放问题是3D检测路径的自主生成-也就是说,规划机器人移动的最佳路径,以检查目标结构。我们最近提出了一种新的规划路径的方法,允许检查复杂的3D结构,给定的三角形网格模型的结构。该方法不同于以往的方法,其重点是生成和考虑也计划,导致不完善的覆盖范围的检查目标。在许多实际任务中,如果检测路径的能量利用效率大大提高,那么我们可以接受检测覆盖范围的不完善。其关键思想是使用多目标进化算法同时优化检测计划的能量利用和覆盖范围,结果是一组计划探索不同的方法来平衡这两个目标。我们在这里测试我们的方法在一组检查目标的大小和复杂性变化很大,并比较其性能与两个国家的最先进的方法,完整的覆盖路径规划。结果加强了我们的信心,我们的方法,以产生良好的检查计划,为不同类型的目标的能力。该方法的优势是最清楚地看到现实世界的检查目标,因为传统的完全覆盖方法没有很好的方式生成计划的结构与隐藏的部分。多目标进化通过同时优化能量使用和覆盖范围来确保两者之间的良好平衡-无论是在100%覆盖可行时,还是在物体的大部分被隐藏时。
2019-01-22 cs.AI cs.RO
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey(罗格斯,新泽西州立大学)
针对连续域中非完整约束机器人的终身路径规划难题,将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人,提出高性能集中式与去中心化规划器,实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Learning to Ground Objects for Robot Task and Motion Planning
SUNY Binghamton(纽约州立大学宾汉姆顿分校)
任务和运动规划(TAMP)算法已经被开发用于帮助机器人规划离散和连续空间中的行为。机器人面临复杂的现实世界场景,其中几乎不可能对所有对象或其物理属性进行建模以用于机器人规划(例如,在厨房或购物中心)。在本文中,我们定义了一个新的以对象为中心的TAMP问题,其中TAMP机器人不知道对象属性(例如,块的大小和重量)。然后,我们介绍了任务运动对象为中心的规划({ \bf TMOC}),一个接地TAMP算法,学习地面对象和它们的物理属性与物理引擎。TMOC对于那些涉及动态复杂机器人多对象交互的任务特别有用,这些任务很难事先建模。我们已经证明和评估TMOC在模拟和使用一个真正的机器人。结果表明,TMOC在累积效用方面优于文献中的竞争基线。
2022-02-15 cs.RO
An Effective Algorithmic Framework for Near Optimal Multi-Robot Path Planning
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一个集中的算法框架,解决多机器人路径规划问题,在一般的,二维的,连续的环境,同时最大限度地减少全球的任务完成时间。该框架获得高水平的有效性,通过组成的连续环境的最佳离散化和随后的快速,接近最佳的解决方案所产生的离散规划问题。这种原则性的方法在速度和支持的机器人密度方面实现了数量级的更好性能。对于各种各样的环境中,我们的方法被证明是计算全球接近最优的解决方案,为50个机器人在几秒钟内与机器人包装接近对方。在极端情况下,该方法可以始终如一地解决数百个机器人占用超过30%的自由空间的问题。
2015-07-13 cs.RO
Adaptive Coverage Path Planning for Efficient Exploration of Unknown Environments
California Institute of Technology(加州理工学院);Stanford University(斯坦福大学);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室);University of California Los Angeles(加州大学洛杉矶分校)
我们提出了一种方法来解决覆盖问题的目标自主探索任务时间约束下的未知环境。在这里,机器人的任务是规划一条地平线上的路径,使得其传感器足迹扫过的累积区域最大化。因为这个问题表现出一个递减的回报属性称为子模块,我们选择制定它作为一个基于树的顺序决策过程。这个公式使我们能够评估机器人的行动对未来世界覆盖状态的影响,同时考虑到机器人的可通行性风险和动态约束。为了快速找到接近最优的解决方案,我们提出了一个有效的近似覆盖传感器模型,适应当地环境。我们的方法在各种复杂的环境中进行了广泛的测试,并作为DARPA地下挑战赛的竞争项目的本地探索算法。
2023-02-06 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