DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets
Brown University（布朗大学）；IIIS Tsinghua University（清华大学交叉信息研究院）
由于人类行为的随机性，预测道路智能体的未来轨迹是自动驾驶的挑战。最近，基于目标的多轨迹预测方法被证明是有效的，其中它们首先对过采样目标候选者进行评分，然后从它们中选择最终集合。然而，这些方法通常涉及基于稀疏预定义锚点和启发式目标选择算法的目标预测。在这项工作中，我们提出了一个无锚和端到端的轨迹预测模型，名为DenseTNT，直接输出一组轨迹从密集的目标候选人。此外，我们引入了一种基于离线优化的技术，为我们最终的在线模型提供多未来伪标签。实验表明，DenseTNT实现了最先进的性能，在Argoverse运动预测基准测试中排名第一，并成为2021年Waymo开放数据集运动预测挑战赛的第一名。
2021-11-24 cs.CV cs.RO
OVAL: Open-Vocabulary Augmented Memory Model for Lifelong Object Goal Navigation
Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学）
OVAL提出一种开放词汇增强记忆框架，解决长期目标导航中的记忆限制问题，通过内存描述符和概率探索策略提升导航效率与鲁棒性。
2026-04-14 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
MCNav: Memory-Aware Dynamic Cognitive Map for Zero-shot Goal-oriented Navigation
Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）；University of Hong Kong（香港大学）；Huazhong University of Science and Technology（华中科技大学）
本文提出MCNav，一种记忆感知的动态认知图导航框架，通过高效查询已探索区域的相关物体信息，解决零样本目标导向导航中目标丢失或误识别的问题，通过目标再验证和遗漏目标再探索策略，结合黑名单和双检机制，实现最先进的性能。
2026-05-19 cs.RO
Memory of Motion for Warm-starting Trajectory Optimization
Idiap Research Institute（Idiap 研究所）；EPFL（洛桑联邦理工学院）
运动规划的轨迹优化需要良好的初始猜测以获得良好的性能。在我们提出的方法中，我们建立了一个记忆体的基础上的机器人路径的数据库，提供良好的初始猜测的运动。运动记忆依赖于函数逼近器和降维技术来学习任务和机器人路径之间的映射。比较了三种函数逼近器：$k$ -最近邻、高斯过程回归和贝叶斯高斯混合回归。此外，我们表明，内存可以作为一个度量来选择几个可能的目标，并使用集成方法来结合不同的函数逼近结果在一个显着改善的热启动性能。我们证明了所提出的方法与运动规划的双臂机器人PR 2和人形机器人阿特拉斯的例子。
2020-05-14 cs.RO
LagMemo: Language 3D Gaussian Splatting Memory for Multi-modal Open-vocabulary Multi-goal Visual Navigation
Key Laboratory of Machine Perceptions (MOE), School of Intelligence Science and Technology, Peking University（机器感知重点实验室（教委）、智能科学与技术学院、北京大学）
LagMemo通过语言3D高斯点云记忆实现多模态开放词汇多目标视觉导航，有效提升多目标定位性能
2026-03-08 cs.AI cs.RO
GLST: Global-Local Spatio-Temporal Memory Decomposition Framework for Online Chained-Goal Navigation
Stanford University（斯坦福大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）；NVIDIA（英伟达公司）
针对在线链式目标导航的记忆需求冲突问题，提出GLST记忆分解框架，结合目标条件奖励平衡探索与利用，经仿真和真实机器人实验验证性能优于基线方法。
2026-10-14 cs.AI cs.RO
RangedIK: An Optimization-based Robot Motion Generation Method for Ranged-Goal Tasks
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Yale University（耶鲁大学）
实时生成可行的机器人运动需要实现多个任务（即，运动要求）。这些任务可以有一个特定的目标，一系列同样有效的目标，或者一系列可接受的目标，并优先考虑特定的目标。为了同时满足多个和潜在竞争的任务，重要的是利用具有一系列目标的任务所提供的灵活性。在本文中，我们提出了一种实时运动生成方法，可容纳所有三类任务在一个单一的，统一的框架，并利用灵活的任务与一系列的目标，以适应其他任务。我们的方法将任务的加权和多目标优化结构，并使用新的损失函数的障碍方法编码的有效范围的任务。我们证明了我们的方法的有效性，通过模拟实验，将其与最先进的替代方法进行比较，并通过演示它的物理摄像机在手的机器人，表明我们的方法使机器人能够实现平滑和可行的相机运动。
2023-02-27 cs.RO
Combining Machine Learning and Sampling-Based Search for Multi-Goal Motion Planning with Dynamics
George Mason University（乔治梅森大学）
本文提出一种结合机器学习、TSP和采样运动规划的方法，用于障碍物密集环境中的多目标运动规划，通过预测成本矩阵指导树扩展，实验验证了其高效性和可扩展性。
2025-03-26 cs.RO
Goal-Directed Behavior under Variational Predictive Coding: Dynamic Organization of Visual Attention and Working Memory
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）
心理模拟是目标导向行为的关键认知功能，因为它对于评估行为及其后果至关重要。当一个自我生成的或外部指定的目标被给定时，最有可能实现该目标的一系列行动是通过心理模拟从其他候选人中选出的。因此，更好的心理模拟会导致更好的目标导向行动计划。然而，开发心理模拟模型是具有挑战性的，因为它需要对自我和环境的了解。本文研究了如何通过自上而下的视觉注意和视觉工作记忆的动态组织，使机器人在心理上产生适当的目标导向的行动计划。为此，我们提出了一个神经网络模型的基础上变分贝叶斯预测编码，目标导向的行动规划制定潜在的意向空间的贝叶斯推理。我们的实验结果表明，有意义的认知能力，如自主自上而下的注意力的机器人末端执行器（其手），以及动态组织的无阻塞视觉工作记忆，出现。此外，我们的比较实验分析表明，引入视觉工作记忆和推理机制，使用变分贝叶斯预测编码显着提高规划足够的目标导向的行动的性能。
2019-03-12 cs.LG cs.RO
Decentralized Motion Planning with Collision Avoidance for a Team of UAVs under High Level Goals
KTH Royal Institute of Technology（瑞典皇家理工学院）
研究了在高水平目标下的空中智能体团队的运动规划问题。我们提出了一种混合控制策略，保证每个代理的本地目标规范，这是作为一个时间逻辑公式的完成，同时保证代理间的冲突避免。特别是，通过定义3-D领域，绑定代理的体积，我们扩展了以前的工作分散的导航功能，并提出控制律，导航代理之间的预定义区域的工作空间的兴趣，同时避免相互碰撞。这使我们能够抽象的代理有限转移系统的运动，并通过采用标准的形式化验证技术，得到一个高层次的控制算法，满足代理的规格。仿真和四旋翼实验结果验证了该方法的有效性。
2016-10-04 cs.RO
Humanoid Goalkeeper: Learning from Position Conditioned Task-Motion Constraints
本文提出一种强化学习框架，用于人形机器人在真实环境中自主守门。通过整合感知输入的多个人类动作先验，学习端到端RL策略，实现自然、动态的机器人与物体交互。
2026-03-14 cs.RO
KRRF: Kinodynamic Rapidly-exploring Random Forest algorithm for multi-goal motion planning
Czech Technical University in Prague（捷克理工大学）
本文提出KRRF算法，通过同时生长多棵运动学动态树并利用树间启发式加速，先规划目标间轨迹再求解TSP确定访问顺序，从而高效求解运动学动态多目标运动规划问题，实现代价降低1.1至2倍。
2025-05-09 cs.RO
Mimir: A Neuro-Symbolic Memory System with Dynamic Grounding for Embodied Agents in Interactive Environments
本文提出Mimir，一种分离世界与任务记忆并具备动态grounding的神经符号记忆系统，在EB-ALFRED、EB-Habitat等具身任务中显著提升了智能体的长程执行成功率。
2026-08-06 cs.RO
Goal Set Inverse Optimal Control and Iterative Re-planning for Predicting Human Reaching Motions in Shared Workspaces
Max-Planck-Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Worcester Polytechnic Institute（伍斯特理工学院）
为了实现安全和高效的人机协作，机器人在执行任务时预测人类将如何移动是很重要的。虽然预测人类运动的任务未知的先验是非常具有挑战性的，我们认为，单臂达到已知的任务在协作设置（这是特别相关的制造）的运动确实是可预测的。两个假设是我们预测这种运动的方法的基础：第一，人类执行的轨迹相对于未知的成本函数是最优的，第二，人类对其伴侣运动的适应可以通过迭代重新规划与上述成本函数很好地捕获。因此，我们的方法的关键是学习一个成本函数，它“解释”人类的运动。要做到这一点，我们收集的例子轨迹对参与者使用运动捕捉执行协作装配任务。然后，我们使用逆最优控制从这些轨迹中学习成本函数。最后，我们预测达到运动从人类的当前配置的任务空间的目标区域，通过迭代重新规划的轨迹使用学习的成本函数。我们的规划算法是基于轨迹优化器STOMP，它计划为23自由度的人体运动学模型，并占一个移动的合作者和障碍物的环境中的存在。我们的研究结果表明，在大多数情况下，我们的方法优于基线方法预测运动。我们还表明，我们的方法优于基线预测人体运动时，人类和机器人共享的工作空间。
2016-06-07 cs.RO
MG-Nav: Dual-Scale Visual Navigation via Sparse Spatial Memory
The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）
MG-Nav通过稀疏空间记忆图和VGGT-adapter模块实现双尺度视觉导航，结合全局规划与局部控制，实现零样本导航的高鲁棒性与高性能。
2025-11-27 cs.CV cs.RO
Goal2Skill: Long-Horizon Manipulation with Adaptive Planning and Reflection
Beijing University of Posts and Telecommunications（北京邮电大学）；Tsinghua University（清华大学）
本文提出双系统框架，通过分离高层语义推理与低层运动执行，提升长时程操作的鲁棒性和适应性，实验表明其在RMBench任务中显著优于基线方法。
2026-10-14 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
Context-Aware Behavior Learning with Heuristic Motion Memory for Underwater Manipulation
1 School of Engineering \& Physical Sciences, Heriot-Watt University, Edinburgh, UK
本文提出一种结合启发式运动空间与贝叶斯网络的自适应运动规划框架，通过缩小搜索空间并动态更新不确定性估计，提升自主水下操作在动态环境中的实时规划性能与鲁棒性。
2025-07-18 cs.RO
Memory-Augmented Reinforcement Learning for Image-Goal Navigation
Meta AI；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；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）；Grenoble INP（格勒诺布尔国立理工学院）；Georgia Institute of Technology（佐治亚理工学院）
在这项工作中，我们提出了一个记忆增强的方法，图像目标导航。早期的尝试，包括基于RL和基于SLAM的方法，要么表现出较差的泛化性能，要么严重依赖于姿态/深度传感器。我们的方法是基于一个基于注意力的端到端模型，利用情景记忆来学习导航。首先，我们训练一个状态嵌入网络的自我监督的方式，然后用它来嵌入以前访问过的状态到代理的内存。我们的导航策略通过注意力机制利用这些信息。我们通过广泛的评估验证了我们的方法，并表明我们的模型在具有挑战性的Gibson数据集上建立了一个新的最先进的模型。此外，我们仅通过RGB输入就实现了令人印象深刻的性能，而无需访问位置或深度等其他信息，这与相关工作形成了鲜明对比。
2022-09-12 cs.AI cs.CV cs.RO
Learning How to Walk: Warm-starting Optimal Control Solver with Memory of Motion
Idiap Research Institute（Idiap研究所）；EPFL（洛桑联邦理工学院）；LAAS-CNRS（法国国家科学研究中心自动化系统实验室）
在本文中，我们提出了一个框架，建立一个记忆的运动热启动的最优控制求解器的运动任务的人形机器人。我们使用HPP Loco3D，一个多功能的运动规划器，离线生成一组动态一致的全身轨迹存储为运动的记忆。学习问题被制定为一个回归问题，以预测一个单步运动给定所需的接触位置，这是用来作为一个积木，用于产生多步运动。然后，预测的运动被用作快速最优控制求解器Crocoddyl的热启动。我们已经表明，该方法设法减少所需的迭代次数，以达到收敛从$\sim$ 9.5到只有$\sim$ 3.0迭代的单步运动和从$\sim$ 6.2到$\sim$ 4.5迭代的多步运动，同时保持解决方案的质量。
2020-02-28 cs.RO math.OC
P-POSEMEM: Projective Semantic Memory for Consistent Language Grounding under Pose-Graph Rewrites
University of Turku（图尔库大学）；Fudan University（复旦大学）
P-POSEMEM通过存储不可变观测和保留消元条件，在SLAM位姿图重写下保持语言接地一致性，以Dproj度量并显著减少目标翻转。
2026-09-15 cs.RO
Walk the Random Walk: Learning to Discover and Reach Goals Without Supervision
Meta AI；Inria（法国国家信息与自动化研究所）
在没有任何外部监督的情况下，通过与环境互动来学习各种技能是一项重要的挑战。特别地，获得可以达到任何给定状态的目标条件代理在许多应用中是有用的。我们提出了一种新的方法来训练这样一个目标有条件的代理没有任何外部奖励或任何领域的知识。我们使用随机游走来训练可达性网络，该网络预测两个状态之间的相似性。然后，这个可达性网络被用于构建包含多样且平衡的过去观察的目标记忆。最后，我们训练一个目标条件的策略网络，目标从目标记忆中采样，并通过可达性网络和目标记忆的奖励。在整个训练过程中，随着智能体发现和学习新目标，所有组件都将保持更新。我们将我们的方法应用于连续控制导航和机器人操作任务。
2022-06-23 cs.AI cs.LG cs.RO
Prediction-Driven Motion Planning: Route Integration Strategies in Attention-Based Prediction Models
Institute of Measurement and Control Systems, Karlsruhe Institute of Technology (KIT)（测量与控制系统研究所，卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（信息技术研究所以）
本文提出基于注意力机制的运动预测模型，通过整合导航信息提升预测与规划任务的性能。
2025-12-03 cs.RO
Object Memory Transformer for Object Goal Navigation
National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所（AIST））；Tokyo Institute of Technology（东京工业大学）；Mitsubishi Electric Corporation（三菱电机公司）
本文提出了一种用于对象目标导航（ObjNav）的强化学习方法，其中代理在3D室内环境中导航以基于对对象和场景的长期观察到达目标对象。为此，我们提出了对象记忆Transformer（OMT），其中包括两个关键的想法：1）对象场景记忆（OSM），使存储长期的场景和对象语义，和2）Transformer，出席了显着的对象在先前观察到的场景和对象存储在OSM的序列。这种机制允许代理在室内环境中有效地导航，而无需关于环境的先验知识，例如拓扑地图或3D网格。据我们所知，这是第一个工作，使用对象语义的长期记忆在一个面向目标的导航任务。在AI 2-THOR数据集上进行的实验结果表明，OMT在未知环境中的导航性能优于以前的方法。特别是，我们表明，利用长期的对象语义信息提高了导航的效率。
2022-03-24 cs.AI cs.CV cs.LG
Imagine2Act: Leveraging Object-Action Motion Consistency from Imagined Goals for Robotic Manipulation
CFCS, School of Computer Science, Peking University（计算机学院，北京大学）；PrimeBot；AGIBOT
提出Imagine2Act框架，通过生成想象目标点云并引入物体-动作一致性策略，将语义和几何约束融入策略学习，解决高精度物体重排任务。
2026-09-24 cs.RO
Prior Reinforce: Goal-Conditioned Dynamic Manipulation with Limited Trials
IIIS, Tsinghua University（清华大学智能学院）；Shanghai Qi Zhi Institute（上海启智研究院）；Spirit AI
提出Prior Reinforce框架，利用条件扩散模型从少量演示学习运动流形，并在低维条件空间通过反馈驱动优化适应新目标，实现少至十次试验内的动态操控。
2026-06-24 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
Object-Centric Dexterous Manipulation from Human Motion Data
Stanford University（斯坦福大学）；Peking University（北京大学）
提出一种利用人类手部运动数据训练以物体为中心的灵巧机器人操作的分层策略框架，通过高层轨迹生成和低层手指控制，在10个物体上表现优越并具备泛化能力。
2024-11-06 cs.RO
Adaptive Headway Motion Control and Motion Prediction for Safe Unicycle Motion Design
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven AI Systems Institute（埃因霍温人工智能系统研究所）
提出一种具有自适应前瞻距离的独轮车前瞻控制方法，消除了实际位置偏移，并设计了解析反馈运动预测方法以限定轨迹，用于障碍物周围的安全运动设计与路径跟随。
2023-04-05 cs.RO
Multimodal Trajectory Optimization for Motion Planning
brain.kyutech.ac.jp（脑科学研究（此处原机构名实际应为京都工艺短期大学脑科学相关部门，但根据给定文本仅提取到该域名，严格按原文输出），注：原文本中affilnum 1和2可能对应不同机构，但文本仅给出邮箱域名，无明确机构名，按规则无明确机构时返回空数组，此处原文本仅显示邮箱，无明确机构名，故修正为：{）
现有的运动规划方法通常具有两个缺点：1）目标配置需要由用户指定，以及2）在给定条件下仅生成单个解。在实践中，存在多个可能的目标配置来实现任务。虽然目标配置的选择显著影响所得到的轨迹的质量，但是对于用户来说指定最佳目标配置并不是微不足道的。此外，在轨迹优化中使用的目标函数通常是非凸的，并且它可以具有实现可比成本的多个解。在这项研究中，我们提出了一个框架，确定对应于成本函数的不同模式的多个轨迹。我们减少了识别成本函数的模式的问题，估计密度引起的分布的基础上的成本函数。该框架使用户能够从多个候选轨迹中选择一个更好的解决方案，从而更容易调整成本函数，并获得满意的解决方案。我们评估了我们提出的方法与运动规划任务在2D和3D空间。我们的实验表明，该算法是能够确定这些任务的多个解决方案。
2020-09-23 cs.RO
A memory of motion for visual predictive control tasks
Idiap Research Institute（伊迪亚普研究所）；Dalle Molle Institute for Artificial Intelligence (IDSIA)（达尔·莫勒人工智能研究所（IDSIA））；USI-SUPSI（提契诺大学-瑞士南部应用科学与艺术大学）
本文讨论了有效地实现视觉预测控制任务的问题。为此，包含一组离线构建的轨迹的运动记忆用于利用预先计算和处理困难的视觉任务。标准的回归技术，如k-近邻和高斯过程回归，用于查询存储器，并提供在线的热启动和控制优化过程的方式点。所提出的技术允许的控制方案，以实现高性能，并在同一时间，保持计算时间有限。仿真和实验结果，进行了7轴机械手，证明了该方法的有效性。
2020-05-07 cs.CV cs.RO
MemoNav: Working Memory Model for Visual Navigation
University of Chinese Academy of Sciences (UCAS)（中国科学院大学）；State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA（中国科学院自动化研究所多模态人工智能系统国家重点实验室）；Tencent Maps, Tencent（腾讯地图，腾讯）；Center for Artificial Intelligence and Robotics, HKISI, CAS（中国科学院香港智能科学中心人工智能与机器人研究中心）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
MemoNav 提出一种受工作记忆启发的视觉导航记忆模型，通过短期记忆、遗忘模块、长期记忆和图注意力生成工作记忆，在 Gibson 和 Matterport3D 多目标导航任务中显著优于现有方法。
2024-03-28 cs.AI cs.CV cs.RO
Memory-Aware Multi-Sensor Perception for Efficient and Safe Navigation in Dynamic Environments
University of Pennsylvania（宾夕法尼亚大学）
提出一种记忆感知多传感器导航框架，集成LiDAR和RGB感知、在线距离场学习及MCBF-QP控制器，利用历史几何信息提升动态环境中导航效率和安全性。
2026-09-28 cs.RO
Motion Reasoning for Goal-Based Imitation Learning
Stanford University（斯坦福大学）；NVIDIA（英伟达）；UIUC（伊利诺伊大学厄巴纳-香槟分校）；University of Toronto（多伦多大学）；University of Washington（华盛顿大学）
我们解决了基于目标的模仿学习，其目的是从第三人称视频演示中输出符号目标。这使机器人能够计划执行，并在完全不同的环境中重现相同的目标。关键的挑战是，视频演示的目标往往是模糊的语义动作的水平。人类示威者可能会无意中通过他们的行动实现示威中的某些子目标。我们的主要贡献是提出了一个运动推理框架，结合任务和运动规划，以消除歧义的真实意图的演示视频演示。这使我们能够有力地认识到以前基于行动的方法无法消除的目标。我们评估我们的方法，通过收集一个数据集的96个视频演示在一个模拟厨房环境。我们表明，我们的运动推理起着重要的作用，在认识到实际目标的演示，并提高了20%以上的成功率。我们进一步表明，通过使用从视频演示自动推断的目标，我们的机器人能够在真实的厨房环境中再现相同的任务。
2019-11-13 cs.AI cs.CV cs.RO
LifelongCrossNav: Persistent 3D Semantic Memory for Cross-Floor Multi-Object Navigation
本文提出LifelongCrossNav框架，结合持久3D语义记忆与跨楼层可通行性建模，在自研HM3D-MFMON基准上实现更优的多层顺序多目标导航性能。
2026-10-14 cs.AI cs.RO
Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
Australian Centre for Robotics（澳大利亚机器人中心）；School of Aerospace, Mechanical and Mechatronic Engineering（航空航天、机械与机电工程学院）
本文提出了一种基于学习的全对运动规划方法，通过双 Lipschitz 双射构造平滑的目标条件神经ODEs，理论结果表明该模型在任意目标位置下能保证全局指数稳定性与安全性，且提供了收敛速率、跟踪误差和向量场大小的显式界。
2026-09-23 cs.RO cs.SY eess.SY
Human Motion Intent Inferencing in Teleoperation Through a SINDy Paradigm
University of Pennsylvania（宾夕法尼亚大学）；Colorado School of Mines（科罗拉多矿业大学）
针对遥操作中意图推理忽略细微动作的问题，提出Psychic框架，通过跳跃-漂移-扩散随机微分方程建模不连续与连续动态，结合KM系数和SINDy模型，在600条轨迹上验证了其离线和在线学习的有效性。
2025-11-11 cs.HC cs.RO
Bayesian Relational Memory for Semantic Visual Navigation
UC Berkeley（加州大学伯克利分校）；Facebook AI Research（Facebook人工智能研究院）；Technion（以色列理工学院）；OpenAI
我们引入了一种新的内存架构，贝叶斯关系内存（BRM），以提高泛化能力的语义视觉导航代理在看不见的环境中，代理被赋予一个语义目标导航。BRM采用语义实体上的概率关系图的形式（例如，房间类型），这允许（1）从训练环境中事先捕获布局，即，先验知识，（2）估计测试时的后验布局，即，存储器更新和（3）有效的导航规划。我们开发了一个BRM代理组成的BRM模块，用于产生子目标和控制的目标条件运动模块。当在看不见的环境中进行测试时，BRM代理的性能优于没有显式利用概率关系内存结构的基线
2019-09-10 cs.CV cs.LG cs.RO
Stigmergic Graph Memory: An Environment-Aware Approach for Many-to-Many Multi-Agent Pickup and Delivery
Aditya Dutta, Joon-Seok Kim ∗（Aditya Dutta, Joon-Seok Kim）
研究多对多多智能体取货和送货问题，提出SGM方法，通过记录仓库节点和边的近期执行信号排序端点与路由偏好，在多种布局、负载条件下实验，结果显示该方法能提高仓库吞吐量。
2026-07-17 cs.MA cs.RO
Legible Shared Autonomy: Implicit Communication of Robot Belief through Motion
Department of Automation, University of Science and Technology of China（自动化系，中国科学技术大学）；Department of Automation, Hefei University of Technology（自动化系，合肥工业大学）；National Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室）
针对共享自主系统中机器人意图不透明导致用户控制效率低的问题，提出通过可理解运动隐式传达机器人信念，并基于置信度自适应分配控制权，实验证明该方法显著提升用户对机器人信念的理解并减少控制负担。
2026-07-16 cs.HC cs.RO
Motion Planning using Reactive Circular Fields: A 2D Analysis of Collision Avoidance and Goal Convergence
本文针对反应式规划难以同时保证避碰与目标收敛的问题，严格分析基于CF的二维运动规划器，给出覆盖全算法的充要避碰条件、多障碍扩展及目标收敛充分条件，并通过非凸点云障碍仿真验证。
2023-11-03 cs.RO cs.SY eess.SY
Planning with SiMBA: Motion Planning under Uncertainty for Temporal Goals using Simplified Belief Guides
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出一种多层运动规划算法，利用系统简化模型的轨迹在组合任务和信念空间中引导基于采样的搜索树，解决线性时序逻辑规范下的运动与感知不确定性问题，避免了构建精细有限抽象，显著加速了复杂规范下的规划。
2023-04-09 cs.FL cs.RO cs.SY
MerNav: A Highly Generalizable Memory-Execute-Review Framework for Zero-Shot Object Goal Navigation
Amap, Alibaba Group（高德，阿里巴巴集团）；Xi’an Jiaotong University（西安交通大学）
本文提出MerNav框架，通过记忆、执行和审查模块提升视觉语言导航任务中的成功率和泛化能力，在多个数据集上均取得显著提升。
2026-04-12 cs.CL cs.CV cs.RO
Adaptive Dual-Headway Unicycle Pose Control and Motion Prediction for Optimal Sampling-Based Feedback Motion Planning
Eindhoven University of Technology（埃因霍温理工大学）；Eindhoven AI Systems Institute（埃因霍温人工智能系统研究所）
针对非完整约束独轮车机器人的位姿精准控制需求，提出自适应双车头距位姿控制方法，可提供凸反馈运动预测界，结合基于采样的最优运动规划，在仿真中生成的平滑运动性能显著优于传统距离度量方法。
2024-12-13 cs.RO cs.SY eess.SY
Centralized Collision-free Polynomial Trajectories and Goal Assignment for Aerial Swarms
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对多个空中机器人系统的集中式目标分配和无碰撞多项式时间轨迹规划问题，提出了一种易于计算的方法。该方法首先分配机器人的目标，以尽量减少总的运动时间的基础上的初始轨迹。通过耦合分配和轨迹生成，初始运动计划往往只需要有限的碰撞解决方案。然后，通过检查潜在的碰撞并使用开始时间延迟或高度分配来解决它们来改进计划。使用这两种方法的数值实验表明，显着减少的总时间所需的代理，只有适度的额外的计算工作相比，国家的最先进的现有工作，使规划数千代理达到目标。
2021-01-21 cs.RO cs.SY eess.SY
Semi-parametric Topological Memory for Navigation
ETH Zürich（苏黎世联邦理工学院）；Intel Labs（英特尔实验室）
我们引入了一种新的记忆体系结构，在以前看不见的环境中导航，灵感来自动物的地标导航。所提出的半参数拓扑记忆（SPTM）由一个（非参数）图和一个（参数）深度网络组成，该图的节点对应于环境中的位置，该深度网络能够根据观察结果从图中检索节点。该图不存储度量信息，仅存储与节点相对应的位置的连通性。我们使用SPTM作为导航系统中的规划模块。只要给出5分钟以前看不见的迷宫的镜头，基于SPTM的导航代理就可以构建环境的拓扑地图，并使用它自信地导航到目标。SPTM代理在跨测试环境的目标导向导航中的平均成功率比最佳性能基线高出三倍。代理的视频可在https://youtu.be/vRF7f4lhswo上获得
2018-03-01 cs.AI cs.CV cs.LG
Sparse Graphical Memory for Robust Planning
Berkeley AI Research（伯克利人工智能研究院）；Carnegie Mellon University（卡内基梅隆大学）
为了在现实世界中有效地运作，智能体应该能够从高维原始感官输入（如图像）中采取行动，并在长时间范围内实现不同的目标。目前的深度强化和模仿学习方法可以直接从高维输入中学习，但不能很好地扩展到长时间任务。相比之下，像A* 搜索这样的经典图形方法能够解决长期任务，但假设状态空间是从原始感官输入中抽象出来的。最近的研究试图将深度学习和经典规划的优势结合起来;然而，该领域的主流方法仍然非常脆弱，并且随着环境的大小而扩展性很差。我们介绍了稀疏图形存储器（SGM），一个新的数据结构，存储状态和可行的转移在一个稀疏的内存。SGM根据一种新的双向一致性目标聚合状态，将经典的状态聚合标准适应于目标条件强化学习：当两个状态作为目标和起始状态都可互换时，它们是冗余的。从理论上讲，我们证明了合并节点根据双向一致性导致最短路径长度的增加，仅与合并阈值呈线性关系。在实验中，我们表明，SGM显着优于目前最先进的方法在长时间，稀疏奖励的视觉导航任务。项目视频和代码可在https://mishalaskin.github.io/sgm/上获得
2020-11-12 cs.AI cs.CV cs.LG
