CASSR: Continuous A-Star Search through Reachability for real time footstep planning
State Key Laboratory of General Artificial Intelligence, BIGAI(通用人工智能国家重点实验室,BIGAI);University of Edinburgh(爱丁堡大学)
CASSR通过连续A*搜索结合EPA启发式方法,实现双足机器人高效实时步态规划,性能优于传统A*和MIP求解器。
2026-03-04 cs.RO
SafeSteps: Learning Safer Footstep Planning Policies for Legged Robots via Model-Based Priors
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院)
提出一种四足机器人落足点规划策略,通过学习地形安全信息并采用掩码PPO算法,显著减少安全违规,提升性能与样本效率。
2025-01-29 cs.RO
RL-augmented MPC Framework for Agile and Robust Bipedal Footstep Locomotion Planning and Control
Universitat Politècnica de Catalunya (UPC)(加泰罗尼亚理工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出结合MPC与RL的双足落脚点规划控制框架,利用学习策略弥合简化模型与全阶系统差距,在DRACO 3机器人上验证了动态运动性能的显著提升。
2024-07-25 cs.RO
Footstep and Motion Planning in Semi-unstructured Environments Using Randomized Possibility Graphs
Georgia Institute of Technology(佐治亚理工学院);California Institute of Technology(加州理工学院)
穿越任意障碍物的环境对双足机器人提出了重大挑战。在某些情况下,可能需要全身运动来绕过障碍物,但大多数现有的脚步规划者只能从一组离散的预定脚步动作中进行选择;他们无法利用机器人平台真正可用的全身运动的连续性。现有的运动规划,可以利用全身运动往往与大规模问题的复杂性斗争。我们介绍了一种规划方法,称为“随机可能性图”,它使用高层次的近似约束流形快速探索的“可能性”的行动,从而使较低层次的运动规划者更有效地利用。我们演示了模拟的方法工作在各种半非结构化的环境。在这种情况下,“半非结构化”意味着可行走的地形是平坦的,但在整个环境中存在任意的3D障碍物,这些障碍物可能需要使用全身运动来跨过或绕过。
2017-03-20 cs.RO
Solving Footstep Planning as a Feasibility Problem using L1-norm Minimization (Extended Version)
Ewha Womans University(梨花女子大学);CNRS(法国国家科学研究中心);Université de Toulouse(图卢兹大学);University of Trento(特伦托大学);University of Edinburgh(爱丁堡大学)
在不平坦的地形上的腿运动的一个挑战是处理为每个脚步选择接触表面的离散问题和将每个脚步放置在所选择的表面上的连续问题。因此,足迹规划可以用混合规划程序(MIP)来解决,这是一种优雅但计算要求高的方法,这可能使其不适合在线规划。我们重新制定的MIP到一个基数问题,然后近似为一个计算效率高的l1范数最小化,称为SL1M。此外,我们提高了SL1M的性能和收敛性,结合它与基于采样的根轨迹规划修剪不相关的表面候选人。我们在四个有代表性的场景中对类人Talos的测试表明,SL1M总是比MIP收敛得更快。对于组合复杂度较低(每步< 10个表面)的场景,SL1M的收敛速度至少比MIP快两倍,无需修剪。在更复杂的情况下,SL1M在修剪的帮助下比MIP快100倍。此外,修剪还可以改善MIP的计算时间。框架的多功能性与四足机器人ANYmal的额外测试。
2021-05-16 cs.RO
Real time A* Adaptive Action Set Footstep Planning with Human Locomotion Energy Approximations Considering Angle Difference for Heuristic Function
Korea Advanced Institute of Science and Technology(韩国科学技术院)
在各种环境下,如何将双足机器人导航到所需的目的地是一个非常重要的问题。然而,它是非常困难的,以解决实时的导航问题,因为计算时间是非常长的,由于具有高自由度的机器人的性质。为了克服这一点,许多科学家建议通过足迹规划导航。通常的脚步规划使用最短的距离或角度作为目标函数的基础上的A * 算法。最近,人类行走所需的能量,这是广泛使用的人体动力学,近似多项式函数被提出作为一个更好的成本函数,解释了双足机器人的运动。此外,对于实时的导航,采用A * 算法的动作集不是固定的,而是根据情况变化的数量,这样计算时间不会增加太多,并建议考虑与外界环境碰撞的方法作为一种实用方法。本文采用近似人类步行所需能量的多项式函数作为代价函数,并提出并证明了一种新的考虑机器人与目的地之间角度差的启发式函数。此外,提出了一种新的方法来集成的自适应行为集和能量有关的人类行走。在此基础上,提出了一种有效的碰撞避免方法和一种减少局部极小值问题的方法。最后,将具有上述特点的脚步规划算法转化为映射算法和步行算法,解决了机器人的导航问题,并通过仿真和实际机器人进行了验证。
2022-11-02 cs.RO
Real-time Coupled Centroidal Motion and Footstep Planning for Biped Robots
University of Sydney(悉尼大学);Australian Centre for Robotics(澳大利亚机器人中心);National Aeronautical and Space Administration(美国国家航空航天局);the NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室)
本研究提出一种新颖的动态步点规划表示方法,结合迭代加权$l_1$范数最小化与角动量约束线性化,将问题转化为二次规划,实现了远快于实时的双足机器人类SLIP模型质心运动与步点规划,速度约为现有方法十倍。
2024-09-16 cs.RO
Robust Footstep Planning and LQR Control for Dynamic Quadrupedal Locomotion
University of Pisa(比萨大学);Research Center “E. Piaggio” of the University of Pisa(比萨大学“E.皮亚乔”研究中心)
在本文中,我们的目标是通过两个方面来提高动态四足运动的鲁棒性:1)快速模型预测的立足点规划,和2)应用LQR投影逆动态控制鲁棒运动跟踪。在我们提出的规划和控制框架,立足点计划更新在400赫兹考虑当前的机器人状态和LQR控制器产生最佳的反馈增益的运动跟踪。具有非零非对角元素的LQR最优增益矩阵利用动力学的耦合来补偿系统欠驱动。同时,投影逆动态控制补充LQR满足不等式约束。除了这些贡献,我们展示了我们的控制框架的鲁棒性未建模的自适应脚。在四足动物ANYmal上的实验证明了所提出的方法在给定外部干扰和环境不确定性的鲁棒动态运动中的有效性。
2021-03-13 cs.RO
FootstepNet: an Efficient Actor-Critic Method for Fast On-line Bipedal Footstep Planning and Forecasting
Univ. Bordeaux(波尔多大学);CNRS(法国国家科学研究中心);ENS Rennes(雷恩高等师范学院)
提出FootstepNet,一种基于深度强化学习的Actor-Critic方法,用于快速在线双足机器人步态规划与预测,无需启发式规则,计算需求低,并在仿真和RoboCup 2023竞赛中验证了其有效性。
2024-12-17 cs.AI cs.RO
Quadrupedal Footstep Planning using Learned Motion Models of a Black-Box Controller
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);University of Bonn(波恩大学)
本研究提出一种快速局部运动规划流水线,通过学习黑盒行走控制器的运动模型并结合A star算法变体,使四足机器人能够基于视觉信息安全自主地穿越崎岖地形。
2025-01-29 cs.RO
Quadruped Obstacle Avoidance and Footstep Planning with Distributed Low-cost Time-of-Flight Sensors
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所);Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Edinburgh(爱丁堡大学);University of Udine(乌迪内大学)
本研究验证了分布式ToF传感器可作为低成本替代方案,为四足机器人提供厘米级近场地形测绘,支持可靠的避障与步态规划,且成本、能耗和复杂度远低于深度相机。
2026-09-28 cs.RO
Fault Tolerant Free Gait and Footstep Planning for Hexapod Robot Based on Monte-Carlo Tree
Harbin Institute of Technology(哈尔滨工业大学);Ryerson University(瑞尔森大学)
本文针对六足机器人在稀疏落足点环境中的通过性问题,提出基于蒙特卡洛树搜索的步态与落足点协调规划方法,并结合容错步态策略,显著提升了复杂地形下的通行能力。
2020-06-16 cs.RO
Perceptive Variable-Timing Footstep Planning for Humanoid Locomotion on Disconnected Footholds
Mechanical and Aerospace Engineering, The Ohio State University(机械与航空航天工程,俄亥俄州立大学)
本研究提出了一种基于感知的混合整数模型预测控制框架,用于人类oid在断开脚踏板上的运动规划,通过动态调整步长和时间,提高行走的稳定性和鲁棒性。
2026-10-20 cs.RO
When and Where to Step: Terrain-Aware Real-Time Footstep Location and Timing Optimization for Bipedal Robots
Imperial College London(帝国理工学院);ETH Zürich(苏黎世联邦理工学院)
在线脚步规划是必不可少的双足步行机器人,使他们能够在干扰和感官噪声的存在下行走。关于这个主题的大多数文献都集中在优化足迹放置,同时保持步长定时不变。在这项工作中,我们介绍了一个足迹规划能够优化足迹的位置和步骤的时间在线。该规划器由内点优化器(IPOPT)和基于解析梯度下降的增广拉格朗日(AL)方法的优化器组成,实时的求解线性倒立摆(LIP)模型的完整动力学,以200 Hz的速度优化脚步位置和脚步定时。我们表明,这种异步实时的优化AL方法(ARTO-AL)提供了成功的在线足迹规划所需的鲁棒性和速度。此外,ARTO-AL可以扩展到3D规划足迹,允许在不平坦的地形上进行地形感知足迹规划。与没有脚步时间自适应的算法相比,我们提出的ARTO-AL在模拟行走实验中表现出更高的稳定性,因为它可以分别抵抗平地和$10^{\circ}$斜坡上高达120 N和100 N的推力。有关视频,请参阅https://youtu.be/ABdnvPqCUu4。有关代码,请参见https://github.com/WangKeAlchemist/ARTO-AL/tree/master。
2023-02-14 cs.NA cs.RO math.NA
Fast Kinodynamic Bipedal Locomotion Planning with Moving Obstacles
University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了一个基于采样的两足机器人在复杂环境中的kinodynamic规划框架。不像其他的足迹规划器,通常计划足迹的位置和在单独的步骤,我们同时处理两者。该方法的三个优点是(1)在基于由线性倒立摆模型动力学确定的路线的持续时间选择脚步位置的同时区分替代路线的能力,(2)通过时间执行碰撞检查的能力,使得在不避开移动障碍物的整个轨迹的情况下防止与移动障碍物的碰撞,以及(3)指定用于所述微处理器的最小前进速度的能力。为了生成一个动态一致的步行行为的描述,我们利用相空间规划。为了规划一个无碰撞的路线走向目标,我们适应规划策略,从非完整轮式机器人收集一系列的PSP的输入。这使我们能够有效地近似动力学和运动学约束的双足运动,应用基于采样的规划算法,并使用杜宾的路径作为转向方法连接配置空间中的两个点。算法的结果被发送到全身控制器以生成全身动态行走行为。
2018-07-09 cs.RO
On-line and on-board planning and perception for quadrupedal locomotion
Istituto Italiano di Tecnologia(意大利理工学院)
我们提出了一个腿部运动规划方法,四足运动具有挑战性的地形。我们将问题分解为身体动作规划和脚步规划。我们使用一个晶格表示连同一组定义的身体运动原语计算身体行动计划。格子表示使我们能够计划多功能的运动,确保每个可能的计划的可行性。为此,我们提出了一套规则,定义的足迹搜索区域和足迹序列给定的身体动作。我们使用Anytime Repairing A*(ARA*)搜索,保证有界次优计划。我们的主要贡献是一个规划方法,产生在线多功能运动。实验测试证明了我们的规划方法在一组具有挑战性的地形条件下的性能。地形信息和计划是在线和车载计算的。
2019-04-07 cs.CV cs.RO
QuadPiPS: A Perception-informed Footstep Planner for Quadrupeds With Semantic Affordance Prediction
Georgia Institute of Technology(佐治亚理工学院)
QuadPiPS通过结合几何与语义编码的腿足自体环境表示,实现四足机器人的感知引导步态规划,提升在有限 foothold 情况下的安全性和地形适应能力。
2026-05-01 cs.RO
Integrating Model-Based Footstep Planning with Model-Free Reinforcement Learning for Dynamic Legged Locomotion
Massachusetts Institute of Technology(麻省理工学院)
本文提出一种结合LIP模型脚步规划与强化学习的控制框架,仅以期望落脚位置作为引导训练策略,在MIT Humanoid上实现了稳定动态行走、转弯及崎岖地形适应,硬件实测前向速度达1.5 m/s。
2024-08-05 cs.RO cs.SY eess.SY
Robust Humanoid Contact Planning with Learned Zero- and One-Step Capturability Prediction
University of Michigan(密歇根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);New York University(纽约大学)
人形机器人通过控制施加在环境中的接触扳手来保持平衡和导航。虽然可以使用现有方法来规划应用适当扳手的动态可行运动,但人形机器人也可能受到外部干扰的影响。现有的系统通常依赖于控制器从干扰中反应性地恢复。然而,当机器人不能到达能够拒绝给定干扰的触点时,这样的控制器可能失效。在本文中,我们提出了一个基于搜索的脚步规划器,其目的是最大限度地提高机器人成功达到目标的概率,而不下降的干扰的结果。规划器不仅考虑了规划接触序列的姿态,而且还考虑了规划接触序列附近的可用于从外部干扰中恢复的替代接触。虽然这种额外的考虑显着增加了计算负荷,我们训练神经网络,以有效地预测多接触零步和一步的可捕获性,这使得规划者有效地生成强大的接触序列。我们的研究结果表明,我们的方法产生的足迹序列,更强大的外部干扰比传统的足迹规划在四个具有挑战性的情况下。
2020-01-20 cs.RO
Motion Planning for Agile Legged Locomotion using Failure Margin Constraints
Collaborative Robotics and Intelligent Systems Institute, Oregon State University(俄勒冈州立大学协作机器人与智能系统研究所)
灵活的机器人腿运动的复杂动力学需要运动规划来智能地调整脚步位置。通常,双足脚步和运动规划使用数学上简单的模型,如线性倒立摆,而不是没有封闭形式解决方案的动态丰富的模型。我们提出了一种实时优化方法来规划动态模型,没有封闭的形式的解决方案和经验不可恢复的失败。我们的方法使用数据驱动近似的一步一步的动态和故障裕度函数。该故障裕度函数是状态-动作空间中的有向距离函数,其中它描述到成功或失败的带符号距离。运动规划问题形成为一个非线性规划的约束,强制执行近似的前向动力学和状态-动作对的有效性。为了说明,这种方法被应用到创建一个驱动弹簧加载倒立摆模型的规划器。在一项烧蚀研究中,在不同的目标和视野长度上,失效裕度约束使无效解的数量减少了24到47个百分点。虽然我们在运动的规范模型上演示了该方法,但我们还讨论了如何将其应用于数据驱动模型和全阶机器人模型。
2022-03-28 cs.RO
Accelerating Signal-Temporal-Logic-Based Task and Motion Planning of Bipedal Navigation using Benders Decomposition
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(机器人与智能机器研究所,佐治亚理工学院)
针对双足导航中信号时序逻辑约束下任务与运动规划的NP难及非凸约束加剧的计算复杂度问题,提出基于Benders分解的迭代割平面方法,将问题划分为主问题与子问题,实验证明其规划速度快于其他算法。
2025-08-20 cs.RO
Real-Time Planning with Primitives for Dynamic Walking over Uneven Terrain
Australian Centre for Field Robotics(澳大利亚现场机器人中心);University of Sydney(悉尼大学)
本文提出一种基于有限运动原语的实时运动规划算法,利用虚拟holonomic约束构建闭式解和二叉搜索树,提升动态步行规划效率。
2013-10-26 cs.RO cs.SY eess.SY
Material Recognition CNNs and Hierarchical Planning for Biped Robot Locomotion on Slippery Terrain
Waseda University(早稻田大学);Waseda Institute for Advanced Study(早稻田大学高等研究所);Humanoid Robotics Institute (HRI)(仿人机器人研究所)
在本文中,我们解决了视觉预测不同表面的环境中的表面摩擦力的问题,并将这些知识集成到机器人运动规划。这个问题对于自主机器人运动至关重要,因为现实世界中存在大量具有不同摩擦力的不同表面,从木材到瓷砖,草或冰,如果不考虑这些表面,可能会给机器人运动带来困难或巨大的能源成本。我们建议使用卷积神经网络,连同与每种材料相关的摩擦的概率分布函数,从材料类别的视觉估计来估计摩擦及其不确定性。然后,我们鲁棒地将摩擦预测集成到使用机会约束的分层(脚步和全身)规划方法中,并在规划方法的两个级别上优化相同的轨迹成本以实现一致性。我们的解决方案实现了在光滑地形上的完全自主感知和运动,不仅考虑了摩擦及其不确定性,还考虑了碰撞,稳定性和轨迹成本。我们在户外场景的真实图片中显示出有前途的摩擦预测结果,并在一个真正的机器人面对不同摩擦的表面上进行规划实验。
2017-06-27 cs.CV cs.RO
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
Advanced BIT* (ABIT*): Sampling-Based Planning with Advanced Graph-Search Techniques
Oxford Robotics Institute (ORI)(牛津机器人研究所)
路径规划是一个活跃的研究领域,对机器人的许多应用至关重要。流行的技术包括基于图形的搜索和基于采样的规划器。这些方法很强大,但也有局限性。本文继续努力结合他们的优势,并减轻他们的局限性,使用统一的规划模式。它通过将路径规划问题视为搜索和近似的两个子问题,并在基于采样的近似上使用高级图搜索技术来实现这一点。这种观点导致了高级BIT*。ABIT* 结合了截断的随时基于图的搜索,如ATD*,与随时几乎肯定渐近最优的基于采样的规划器,如RRT*。这使得它能够快速找到初始解,然后以随时随地的方式收敛到最优解。ABIT* 在$\mathbb{R}^{4}$和$\mathbb{R}^{8}$中的测试问题上优于现有的单查询、基于采样的规划器,并在NASA/JPL-Caltech的实际问题上得到了验证。
2020-02-16 cs.RO
Trajectory Optimization for Adaptive Informative Path Planning with Multimodal Sensing
Stanford University(斯坦福大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
研究多模态感知自主智能体在资源约束下的自适应信息路径规划问题,提出基于投影的轨迹优化方法以降低高斯过程世界信念方差,在长时程轨迹中方差降低达85%,均方根误差降低50%,支持NASA VIPER任务。
2024-04-29 cs.RO
Efficient Game-Theoretic Planning with Prediction Heuristic for Socially-Compliant Autonomous Driving
University of California, Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学)
在与其他智能体的社会交互下进行规划是自动驾驶的一个基本问题。由于自主车辆在交互中的动作影响其他智能体并且也受到其他智能体的影响,因此自主车辆需要有效地推断其他智能体的反应。大多数现有的方法制定的问题作为一个广义的纳什均衡问题,解决基于优化的方法。但是,由于非凸性,它们需要大量的计算资源,并且容易陷入局部极小。蒙特卡罗树搜索(MCTS)成功地解决了博弈论问题中的这类问题。然而,随着交互博弈树呈指数级增长,一般MCTS仍然需要大量的迭代才能达到最优。在本文中,我们介绍了一个有效的博弈论轨迹规划算法的基础上,通过将预测算法作为一种启发式的一般MCTS。在此基础上,设计了一个符合社会要求的奖励和贝叶斯推理算法,以产生不同的驾驶行为,并识别其他驾驶员的驾驶偏好。结果表明,所提出的框架与数据集包含自然驾驶行为在高度互动的情况下的有效性。
2022-07-08 cs.RO
α-RACER: Real-Time Algorithm for Game-Theoretic Motion Planning and Control in Autonomous Racing using Near-Potential Function
EECS UC Berkeley(电子工程与计算机科学系,伯克利大学)
针对多车自动驾驶赛车实时策略问题,提出基于近势函数的博弈论框架及算法,实现近似纳什均衡的实时计算,并在3车场景中超越现有基线。
2025-04-24 cs.GT cs.RO
Planetary Terrain Datasets and Benchmarks for Rover Path Planning
Department of Computer Science, Electrical and Space Engineering (Robotics and AI Lab)(计算机科学与空间工程系(机器人与人工智能实验室))
本文提出两个行星地形基准数据集,评估经典和学习路径规划算法,揭示经典算法在复杂地形中的优越性能及学习模型的局限性。
2025-12-24 cs.RO
Secure Route Planning Using Dynamic Games with Stopping States
Michigan State University(密歇根州立大学)
我们认为经典的运动规划问题定义的路线图中,车辆试图找到一个最佳的路径从源到目的地的攻击者谁可以发动攻击的车辆上的任何边缘的路线图。车辆(防御者)有能力打开/关闭一个对策,可以检测和永久禁用攻击,如果它同时发生。我们模型的问题,沿着边使用的框架,同时零和动态游戏(边游戏)的攻击者和防御者之间发挥停止状态。我们描述了一个边缘游戏的纳什均衡,并提供了封闭形式的表达,每个球员的两个行动。我们进一步提供了一个分析和近似表达的边缘游戏的价值和特征条件下,它的增长与阶段的数量呈次线性。我们研究了纳什均衡对(i)使用对策的成本,(ii)运动成本和(iii)禁用攻击的好处的敏感性。边对策的解被用来制定和解决被称为元对策的安全规划问题。我们设计了一个有效的启发式转换问题的最短路径问题,使用的边缘成本作为相应的边缘游戏的解决方案。我们通过几个有见地的模拟来说明我们的发现。
2022-04-15 cs.GT cs.RO
Distributed Planning for Serving Cooperative Tasks with Time Windows: A Game Theoretic Approach
University of Minnesota(明尼苏达大学)
我们研究多机器人系统的分布式规划,以提供最佳的服务,在空间和时间上分布的合作任务。每个任务都需要在指定的时间窗口内由足够多的机器人在指定的位置提供服务。任务在每个片段中到达,机器人试图通过根据传入任务的规范规划自己的轨迹来最大化每个片段中的服务总价值。机器人需要在环境中的指定站点开始和结束每一集。我们提出了一个博弈论的解决方案,这个问题的映射到一个游戏,其中每个机器人的行动是它的轨迹在一个插曲,并使用合适的学习算法,以获得最佳的联合计划在分布式的方式。我们提出了一个系统的方法来设计最小的动作集(可行轨迹的子集)的机器人的基础上传入的任务,以促进快速学习的规格。然后,我们提供的情况下,所有的机器人遵循最佳响应或嘈杂的最佳响应算法迭代规划其轨迹的性能保证。而最佳对策算法导致一个纳什均衡,噪声最佳对策算法导致全局最优的联合计划,以高概率。我们表明,所提出的游戏可以在一般情况下有任意差的纳什均衡,这使得嘈杂的最佳对策算法更可取,除非已知的任务规格有一些特殊的结构。我们还描述了一个家庭的特殊情况下,所有的平衡保证有界次优。仿真和实验结果证明了所提出的方法。
2021-07-18 cs.RO cs.SY eess.SY
Fast Approximate Clearance Evaluation for Rovers with Articulated Suspension Systems
Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院);Ècole Normale Supèrieure de Paris(巴黎高等师范学院);Indian Institute of Technology(印度理工学院)
我们提出了一个轻量级的身体地形间隙评估算法的自动路径规划的美国宇航局的火星2020漫游者。地外路径规划是具有挑战性的,由于地形粗糙度和计算资源的严重限制相结合。在杂乱和/或不平坦地形上的路径规划需要以小的间隔对所有候选路径进行重复的安全检查。预测未来的漫游车状态需要模拟车辆在地形上的沉降,这涉及到几何约束下的迭代非线性优化的逆运动学问题。然而,这种昂贵的计算对于缓慢的航天器计算机来说是难以处理的,例如由Currency火星探测器和即将到来的火星2020探测器使用的RAD 750。我们提出了近似间隙评估(ACE)算法,该算法无需迭代计算即可获得车辆间隙、姿态和悬架角度的保守界。它通过估计每个车轮可能达到的最低和最高高度来获得这些边界,并计算与这些极端车轮高度相关的最坏情况车辆配置。边界保证是保守的,从而确保车辆在自主导航期间的安全。ACE计划用作火星2020漫游者新的机载路径规划器的一部分。本文详细描述了该算法,并通过实验验证了我们的主张的保守性和快速计算。
2019-07-01 cs.RO
Multi-Agent Motion Planning using Deep Learning for Space Applications
NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
最先进的运动规划器无法扩展到大量系统。多智能体的运动规划是一个NP(non-deterministic polynomial-time)困难问题,计算时间随着智能体数量的增加而呈指数增长。这种计算需求是一个主要的绊脚石,运动规划的应用程序,未来的NASA任务,涉及成群的太空飞行器。我们应用深度神经网络将计算要求高的数学运动规划问题转换为基于深度学习的数值问题。我们发现,在具有多个代理的几个2D和3D系统中,可以使用基于深度学习的数值模型准确地复制最佳运动轨迹。基于深度学习的数值模型显示出卓越的计算效率,生成的计划比数学模型快1000倍。
2020-10-15 cs.AI cs.LG cs.RO
Regulation-Aware Game-Theoretic Motion Planning for Autonomous Racing
University of Modena and Reggio Emilia(摩德纳和雷吉奥艾米利亚大学);University of Bologna(博洛尼亚大学);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)
针对自动驾驶赛车中的规则约束与车辆交互问题,提出基于GNEP和迭代最优响应的RA-GTP规划器,使攻击车利用守方规则约束生成安全且非保守的超车策略。
2025-08-27 cs.RO cs.SY eess.SY
Automated Lane Merging via Game Theory and Branch Model Predictive Control
TU Delft(代尔夫特理工大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出融合搜索式规划、矩阵博弈与分支模型预测控制的车道汇入框架,可选择汇入间隙并应对周围车辆的 Nash 与 Stackelberg 不确定策略,真实密集交通数据验证了其有效性。
2025-02-17 cs.RO cs.SY eess.SY