Behavior Planning of Autonomous Cars with Social Perception
University of California at Berkeley（加州大学伯克利分校）；California PATH, University of California at Berkeley（加州大学伯克利分校加州PATH）
自动驾驶汽车必须在充满不确定性的动态环境中导航。不确定性可能来自传感器限制，如遮挡和有限的传感器范围，或来自其他道路参与者的概率预测，或来自未知的社会行为在一个新的区域。为了在存在这些不确定性的情况下安全有效地驾驶，自动驾驶汽车的决策和规划模块应该智能地利用所有可用的信息，并适当地处理不确定性，以便生成正确的驾驶策略。在本文中，我们提出了一个社会感知计划，把所有的道路参与者在传感器网络中的分布式传感器。通过观察个体行为和群体行为，这三种类型的不确定性可以在一个信念空间中统一更新。更新的信念，从社会的看法，然后明确纳入概率规划框架的基础上模型预测控制（MPC）。通过逆强化学习（IRL）学习MPC的成本函数。这种具有社会增强感知的集成概率规划模块使自动驾驶车辆能够产生防御性但不过于保守且社会兼容的行为。仿真结果验证了所提出的框架的有效性与传感器闭塞的代表性方案。
2019-05-02 cs.AI cs.MA cs.RO
Combining Planning and Deep Reinforcement Learning in Tactical Decision Making for Autonomous Driving
Volvo Group（沃尔沃集团）；Chalmers University of Technology（查尔姆斯理工大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
由于环境的多样性、传感器信息的不确定性以及与其他道路使用者的复杂交互，自动驾驶的战术决策具有挑战性。本文介绍了一个战术决策的一般框架，它结合了规划和学习的概念，以蒙特卡罗树搜索和深度强化学习的形式。该方法基于AlphaGo Zero算法，该算法被扩展到具有连续状态空间的域，其中不能使用自我游戏。该框架被应用到两个不同的高速公路驾驶情况下，在模拟环境中，它表现得比常用的基线方法。结合规划和学习的强度也说明了使用蒙特卡罗树搜索或神经网络政策分别比较。
2019-05-06 cs.AI cs.LG cs.RO
Addendum to "HTN Acting: A Formalism and an Algorithm"
University of Cambridge（剑桥大学）
层次任务网络（HTN）规划是一个实用和有效的方法来规划时，一个域的“标准操作程序”。像信念-愿望-意图（BDI）代理推理，HTN规划执行分层和基于上下文的细化目标到子目标和基本行动。然而，虽然HTN规划者“前瞻”选择一个细化的后果，BDI代理交错细化与代理。有新的兴趣，使HTN规划者的行为更像BDI代理系统，例如，有一个统一的表示行动和规划。然而，过去关于这一主题的工作仍然是非正式的或侧重于执行。本文是一个正式的帐户“HTN行动”，它支持交错审议，代理和故障恢复。我们使用最一般的HTN规划形式主义的语法，并建立在其核心语义，我们提供了一个算法，结合我们的新形式主义与外源事件的处理。我们还研究了HTN代理的属性及其与HTN规划的关系。
2021-07-04 cs.AI
Parallelized Planning-Acting for Efficient LLM-based Multi-Agent Systems in Minecraft
Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Hangzhou City University（杭州市城市大学）；Ningbo Global Innovation Center, Zhejiang University（宁波全球创新中心，浙江大学）
本文提出了一种基于大语言模型的多智能体系统并行规划-行动框架，通过双线程架构实现同时规划和行动，提升Minecraft中动态决策的效率和响应能力。
2026-03-07 cs.AI
Integrating Acting, Planning and Learning in Hierarchical Operational Models
University of Maryland, College Park（马里兰大学帕克分校）；LAAS-CNRS（法国国家科学研究中心自动化系统实验室）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
我们提出了新的规划和学习算法的RAE，细化代理引擎。RAE使用分层操作模型在动态变化的环境中执行任务。我们的规划程序，UPOM，在操作模型的空间中进行类似UCT的搜索，以便找到一个接近最佳的方法来用于手头的任务和背景。我们的学习策略获取，从在线表演经验和/或模拟规划结果，从决策上下文映射到方法实例，以及启发式功能，以指导UPOM。我们的实验结果表明，UPOM和我们的学习策略显着提高RAE的性能在四个测试领域使用两个不同的指标：效率和成功率。
2020-03-09 cs.AI cs.LG
Deliberative Acting, Online Planning and Learning with Hierarchical Operational Models
University of Maryland（马里兰大学）；LAAS-CNRS；FBK-ICT
在人工智能研究中，合成行动计划通常使用抽象地指定作为行动结果可能发生的行为的描述性模型，并为有效计算状态转换而量身定制。然而，执行计划的行动需要操作模型，其中丰富的计算控制结构和闭环在线决策用于指定如何在不确定的执行上下文中执行动作，对事件做出反应并适应展开的情况。深思熟虑的行动者，整合了行动和计划，通常需要同时使用这两种模型--这在试图开发不同的模型、验证它们的一致性以及平滑地交错行动和计划时会导致问题。作为替代方案，我们定义并实现了一个集成的代理和规划系统，其中规划和代理使用相同的操作模型。这些依赖于分层的面向任务的细化方法，提供丰富的控制结构。动作组件，被称为反应式动作引擎（RAE），灵感来自著名的PRS系统。在每个决策步骤，RAE可以从规划者那里得到关于效用函数的接近最优选择的建议。随时计划器使用类似于UCT的蒙特卡罗树搜索过程，称为UPOM，其展开是对参与者的操作模型的模拟。我们还提出了使用RAE和UPOM的学习策略，从在线表演经验和/或模拟规划结果中获得从决策上下文到方法实例的映射以及引导UPOM的启发式函数。我们证明了UPOM的渐近收敛到静态域中的最优方法，并通过实验表明，UPOM和学习策略显着提高代理效率和鲁棒性。
2021-11-15 cs.AI
Towards Blended Reactive Planning and Acting using Behavior Trees
Istituto Italiano di Tecnologia（意大利技术研究院）
在本文中，我们展示了如何规划算法可以用来自动创建和更新的行为树（BT），在动态环境中控制机器人。该算法的规划部分是基于反向链接的思想。从一个目标条件开始，我们迭代地选择实现该目标的动作，如果这些动作有未满足的前提条件，则用动作扩展它们，以相同的方式实现它们。BT固有的模块化和反应性使得所提出的解决方案以一种使机器人能够有效地对外部干扰做出反应的方式混合行动和规划。如果一个外部代理撤销了一个动作，机器人会重新执行它，而不需要重新规划，如果一个外部代理帮助机器人，它会跳过相应的动作，也不需要重新规划。我们说明了我们的方法在两个不同的机器人方案。
2018-09-14 cs.AI cs.RO
Task Modifiers for HTN Planning and Acting
Lehigh University（理海大学）；Wright State University（莱特州立大学）
在动态环境中，智能体改变其目标以响应意外事件的能力是可取的。为了提供这种能力，分层任务网络（HTN）的规划，我们提出了一个扩展的范式称为任务修改器，这是功能，接收任务列表和状态，并产生一个新的任务列表。我们专注于一个特定类型的问题，其中计划和执行是交织和处理外源事件的能力是至关重要的。为了确定这种方法的有效性，我们评估了我们的任务修改器实现在两个环境中的性能，其中之一是一个模拟，从传统的HTN域有很大的不同。
2022-02-09 cs.AI
Acting and Planning with Hierarchical Operational Models on a Mobile Robot: A Study with RAE+UPOM
German Research Center for Artificial Intelligence (DFKI),Cooperative and Autonomous Systems（德国人工智能研究中心（DFKI））；Osnabrück University（奥斯纳布鲁克大学）；University of Maryland（马里兰大学）；LAAS-CNRS（拉劳斯-CNRS）；Fondazione Bruno Kessler (FBK-ICT)（布鲁诺·克瑟基金会（FBK-ICT））
本文首次物理部署了集成执行器-规划器系统 RAE+UPOM，共享分层操作模型进行执行与规划，在移动机械臂物体收集任务中验证了其在动作失败和传感器噪声下的稳健性。
2025-07-15 cs.AI cs.RO
Planning and Acting While the Clock Ticks
Technion（以色列理工学院）；Ben-Gurion University（本-古里安大学）；University of New Hampshire（新罕布什尔大学）
针对时间紧迫无法先完成规划再执行的问题，提出并发规划与执行新设置，支持在规划终止前调度动作并处理挂钟截止时间，扩展元推理开发新算法，在强时间压力下优于情境时序规划。
2024-03-21 cs.AI
Planning and Learning: Path-Planning for Autonomous Vehicles, a Review of the Literature
Safran（赛峰集团）；Ecoles Saint-Cyr（圣西尔军校）
本文综述了自动驾驶汽车路径规划领域的规划、调度与学习技术，涵盖规划算法、神经网络、图神经网络、强化学习及处理不确定性的时序规划。
2023-10-17 cs.AI
GRAVITAS: A Model Checking Based Planning and Goal Reasoning Framework for Autonomous Systems
Griffith University（格里菲斯大学）；National University of Singapore（新加坡国立大学）；Defence Science and Technology Group, Australia（澳大利亚国防科学与技术集团）；University of South Australia（南澳大学）
虽然人工智能技术在自主系统中有许多成功的应用，但其中许多技术允许难以解释的行为，并可能导致不确定的结果。我们遵循“验证规划”的范式，并建议使用模型检验技术来解决规划和目标推理问题的自治系统。我们给出了一个新的制定目标任务网络（GTN）是为我们的模型检验为基础的框架。然后，我们提供了一个系统的方法，模型GTN的模型检查过程分析工具包（PAT）。我们提出我们的规划和目标推理系统作为一个框架，称为独立可信自治系统（GRAVITAS）的目标推理和验证，并讨论它如何有助于在不确定的环境中提供值得信赖的计划。最后，我们证明了所提出的想法在实验中，模拟的REMUS-100自主水下航行器执行的调查任务。
2019-10-03 cs.AI
Resource-Optimal Planning For An Autonomous Planetary Vehicle
University of L’Aquila（拉奎拉大学）；University of Rome “Tor Vergata”（罗马第二大学（“罗马托尔韦尔加塔”大学））；University of Chieti（基耶蒂大学）
自主行星飞行器（Autonomous planet vehicles），也称为漫游者（rover），是一种小型自主飞行器，配备了各种传感器，用于在行星表面进行探索和实验。漫游车工作在部分未知的环境中，具有狭窄的能量/时间/运动约束，并且通常具有限制在线规划和调度的复杂性的小计算资源，因此它们代表了自主车辆领域的巨大挑战。事实上，这种车辆的正式模型通常涉及混合动力系统的非线性动力学，这是很难处理的大多数目前的规划算法和工具。因此，当需要离线规划车辆活动时，例如对于在没有连续地球监督的情况下操作的漫游车，通常在不完全现实的简化模型上执行这种规划。在本文中，我们展示了如何UPMurphi模型检验为基础的规划工具，可以用来生成资源优化计划，以控制自动行星车的发动机，直接工作的混合动力模型，并考虑到几个安全约束，从而实现非常准确的结果。
2010-07-29 cs.AI
Faithful-First Reasoning, Planning, and Acting for Multimodal LLMs
Shanghai Jiao Tong University（上海交通大学）；The Hong Kong University of Science and Technology（香港科技大学）；The Australian National University（澳大利亚国立大学）；Fudan University（复旦大学）；University of Sydney（悉尼大学）
本文提出Faithful-First RPA框架，通过逐步监督提升多模态推理的忠实度，实验表明其在多个基准上提升了24%的感知忠实度，且不降低任务准确性。
2026-04-08 cs.AI
Long-Range Route-planning for Autonomous Vehicles in the Polar Oceans
British Antarctic Survey（英国南极调查局）；Schlumberger Cambridge Research（斯伦贝谢剑桥研究院）
在极地冰情条件下，对有人驾驶的自主水下航行器（AUV）的需求越来越大。目前，AUV是从船上部署的，并直接由人类驾驶，在这些地区，这带来了很高的碳成本，并限制了作业范围。长期自主任务的一个关键要求是远程路线规划能力，这种能力能够了解不断变化的冰况。在本文中，我们解决的问题，自动化远程航线规划的AUV在南大洋。我们提出的路线规划方法和结果表明，有效的，避免冰，长距离的穿越可以计划。
2021-11-20 cs.AI cs.RO
Deep Learning Based Motion Planning For Autonomous Vehicle Using Spatiotemporal LSTM Network
Beijing Jiaotong University（北京交通大学）
运动规划作为自主车辆自动导航的基础技术，在现实交通环境中仍然是一个具有挑战性的问题，主要应用于基于模型的方法。然而，由于交通状况的复杂性和边缘情况的不确定性，很难为自主车辆设计通用的运动规划系统。本文提出了一种基于深度学习的运动规划模型（称为时空LSTM网络），它能够基于时空信息提取生成实时反射。具体来说，基于时空LSTM网络的模型有三个主要结构。首先，使用卷积长短期记忆（Conv-LSTM）从序列图像数据中提取隐藏特征。然后，应用3D卷积神经网络（3D-CNN）从多帧特征信息中提取时空信息。最后，全连接神经网络被用来构建自主车辆转向角的控制模型。实验结果表明，该方法能够为自主车辆生成鲁棒、准确的视觉运动规划结果。
2019-03-05 cs.AI cs.CV
Design Space of Behaviour Planning for Autonomous Driving
University of Waterloo（滑铁卢大学）
我们探索自动驾驶行为规划的复杂设计空间。成功解决行为规划的一个方面的设计选择可以严重限制其他方面。为了帮助设计过程中，在这项工作中，我们分解的设计空间的重要选择所产生的最先进的方法，并描述了由此产生的权衡。在此过程中，我们还确定了未来工作的有趣方向。
2019-08-21 cs.AI cs.LG cs.RO
UniPlanner: A Unified Motion Planning Framework for Autonomous Vehicle Decision-Making Systems via Multi-Dataset Integration
Guangdong Key Laboratory of Intelligent Information Processing, College of Electronics and Information Engineering, Shenzhen University（广东智能信息处理重点实验室，电子与信息工程学院，深圳大学）；School of Computer Science and Cyber Engineering, Guangzhou University（计算机科学与网络工程学院，广州大学）；School of Artificial Intelligence, Guangzhou University（人工智能学院，广州大学）
针对自动驾驶运动规划单数据集训练鲁棒性不足的问题，提出首个多数据集融合规划框架UniPlanner，通过HFTDN、GFTM和S2D三项创新实现跨数据集统一学习，提升规划安全性与效率。
2025-10-28 cs.AI
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
Dual Formulation for Chance Constrained Stochastic Shortest Path with Application to Autonomous Vehicle Behavior Planning
Khalifa University（哈利法大学）
自动驾驶车辆面临的问题是优化后续机动的预期性能，同时限制与周围动态障碍物碰撞的风险。这些障碍物，如代理车辆，往往表现出随机过渡，应及时和安全的方式。约束随机最短路径问题（C-SSP）是在随机环境中，在某些类型的操作约束下规划的一种形式。虽然C-SSP允许在规划问题中指定约束，但它不允许限制约束违反的概率，这在安全关键应用中是期望的。这项工作的第一个贡献是一个确切的整数线性规划制定的机会约束SSP（CC-SSP），达到确定性的政策。其次，随机舍入过程中提出的随机政策。第三，我们证明了CC-SSP形式主义可以推广到跨越多个时间步长的约束。评估结果表明，我们的方法在基准问题相比，现有的方法是有用的。
2023-02-25 cs.AI
End-To-End Planning of Autonomous Driving in Industry and Academia: 2022-2023
本文回顾了2022-2023年工业界与学术界自动驾驶端到端规划的方法与技术，涵盖多家企业方案及前沿学术研究，为初学者与高级研究人员提供简洁的入门与补充材料。
2025-04-28 cs.AI cs.RO
Risk-averse Behavior Planning for Autonomous Driving under Uncertainty
Qualcomm AI Research（高通人工智能研究院）；Qualcomm Automotive Research（高通汽车研究院）
自动驾驶车辆必须在周围环境中导航，并具有共享道路的其他物体的部分可观测性。自动驾驶车辆测量中的不确定性来源包括传感器融合误差、由于天气或目标检测延迟而导致的有限传感器范围、遮挡以及诸如其他人类驾驶员意图之类的隐藏参数。行为规划必须考虑所有来源的不确定性，在决定未来的车辆操纵。本文提出了一个可扩展的框架，风险规避行为规划下的不确定性，结合QMDP，无迹变换和蒙特卡罗树搜索（MCTS）。结果表明，置信上限（UCB）扩大树的结果在嘈杂的Q值估计的MCTS和QMDP的性能下降。提出了一种改进的MCTS动作选择过程，以实现鲁棒性能。
2018-12-04 cs.AI cs.RO
Planning-Aware Diffusion Networks for Enhanced Motion Forecasting in Autonomous Driving
针对自动驾驶多智能体环境交互复杂难捕捉的问题，提出受脑神经机制启发的规划集成预测模型PIFM，结合扩散架构与多源上下文信息，以极少参数量实现可解释的高精度轨迹预测。
2024-11-04 cs.AI
A Data-Driven Approach for Autonomous Motion Planning and Control in Off-Road Driving Scenarios
本文提出了一种新的数据驱动的方法，车辆运动规划和控制在越野驾驶场景。对于自动越野驾驶，环境条件会影响地形的可通行性，这是天气、表面成分和坡度的函数。处理地理信息系统和国家环境信息中心数据集，为交互式规划和控制系统要素提供这一信息。顶层全局路线规划器（GRP）使用动态规划（DP）来定义最优航路点。本地路径规划器（LPP）计算航路点之间的期望轨迹，从而避免不可行的控制状态和与障碍物的碰撞。LPP还利用实时感测和控制数据更新GRP。一个低层次的反馈控制器应用反馈线性化渐近跟踪指定的LPP轨迹。自动驾驶模拟结果的地形穿越俄勒冈州和印第安纳州的案例研究。
2018-05-25 cs.AI cs.RO
Specification mining and automated task planning for autonomous robots based on a graph-based spatial temporal logic
University of Notre Dame（圣母大学）
我们的目标是使自主机器人能够从演示视频中学习新技能，并使用这些新学到的技能来完成重要的高级任务。开发这种自主机器人的目标涉及到知识表示、规范挖掘和自动任务规划。对于知识表示，我们使用基于图的时空逻辑（GSTL）来捕获演示视频所演示的相关技能的时空信息。我们设计了一个规范挖掘算法，通过归纳构造空间项和时间公式，从演示视频中生成一组参数化的GSTL公式。从规范挖掘得到的参数化GSTL公式作为域理论，用于自主机器人的自动任务规划。提出了一种基于GSTL的自动任务规划方法，其中提出者用于生成有序动作，验证者用于生成可执行的任务计划。文中以表格设置为例说明了本文的主要思想。
2020-07-16 cs.AI cs.RO cs.SY
InteractionNet: Joint Planning and Prediction for Autonomous Driving with Transformers
Xi’an Jiaotong University（西安交通大学）；Institute of Artificial Intelligence and Robotics（人工智能与机器人研究所）
针对自动驾驶中规划与预测独立处理忽略交互的问题，提出InteractionNet，利用双transformer架构联合规划与预测并聚焦关键车辆，在多个基准上显著提升安全性。
2023-09-07 cs.AI cs.RO
Hierarchical Game-Theoretic Planning for Autonomous Vehicles
University of California, Berkeley（加州大学伯克利分校）；KTH Royal Institute of Technology（KTH皇家理工学院）；Stanford University（斯坦福大学）
自动驾驶汽车在道路上的行为会影响其他驾驶员的行为，无论是超车、谈判合并还是避免事故。这种相互依赖，最好用动态博弈论来描述，在车辆的规划和对其他驾驶员行为的预测之间建立了强耦合，并构成了一个直接影响自动驾驶技术安全性和可行性的开放性问题。不幸的是，动态游戏的计算要求太高，无法满足自动驾驶在连续状态和动作空间中的实时约束。在本文中，我们介绍了一种新的游戏理论的自动驾驶轨迹规划算法，使实时性能分层分解的基础动态游戏到一个长期的“战略”游戏，简化的动态和完整的信息结构，和一个短期的“战术”游戏，完整的动态和简化的信息结构。战略博弈的价值被用来指导战术规划，隐含地扩展规划范围，推动局部轨迹优化更接近全局解决方案，最重要的是，定量地考虑自动驾驶汽车和人类驾驶员相互影响的能力和激励。此外，我们的方法承认人类决策的非确定性模型，而不是依赖于完全理性的预测。与现有技术相比，我们的研究结果展示了更丰富，更安全，更有效的自主行为。
2018-10-13 cs.AI cs.MA cs.RO
Acting as Inverse Inverse Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；UC San Diego（加州大学圣地亚哥分校）；MIT BCS（麻省理工学院脑与认知科学系）
本文提出将故事讲述建模为“逆向逆向规划”的计算框架，通过优化模拟观众体验来直接辅助艺术家和动画师创作，并以文学理论和人类受试者研究加以验证。
2023-05-26 cs.AI cs.GR
Autonomous Vehicle Path Planning by Searching With Differentiable Simulation
本文提出DSS框架，利用可微模拟器Waymax进行路径规划，通过梯度下降优化动作序列，提升自动驾驶的跟踪和路径规划精度。
2025-11-24 cs.AI cs.RO
Residual Chain Prediction for Autonomous Driving Path Planning
Technical University of Munich（慕尼黑工业大学）；School of Computer Science, Nanjing University of Information Science & Technology（南京信息工程大学计算机学院）；School of Computer and Information Engineering, Fuyang Normal University（阜阳师范大学计算机与信息工程学院）
针对端到端自动驾驶路径规划中行为克隆因曼哈顿距离产生协变量偏移的问题，提出 Residual Chain Loss 动态调整损失以增强时序依赖，并在 nuScenes 上验证其性能提升。
2024-04-08 cs.AI cs.RO
Short-term Maintenance Planning of Autonomous Trucks for Minimizing Economic Risk
KTH Royal Institute of Technology（瑞典皇家理工学院）；Scania CV AB（斯堪尼亚商用车有限公司）
新的自动驾驶技术每天都在涌现，其中一些已经在现实世界中得到商业应用。在受益于这些技术的同时，自动驾驶卡车在短期维护计划方面也面临着新的挑战，这直接影响了卡车运营商的利润。在本文中，我们通过解决运输任务中自动驾驶卡车的维护规划问题来实现车辆健康管理系统。我们还提出了一个维修计划模型，使用基于风险的决策方法，确定维修决策与最小的经济风险的卡车公司。在评估经济风险时，同时考虑可用性损失和维护成本。我们证明了所提出的模型，说明现实世界的情况下，通过数值实验。在实验中，相比于三个基线方法，所提出的方法的预期经济风险降低了高达$47\%$。我们还对不同的模型参数进行了敏感性分析。分析表明，随着剩余使用寿命估计精度、订单取消前最大允许交货延迟时间和车间数量的增加，经济风险显著降低。实验结果有助于从经济的角度确定自动驾驶卡车未来的研究和开发注意事项。
2021-05-28 cs.AI cs.SY eess.SY
Autonomous Behavior Planning For Humanoid Loco-manipulation Through Grounded Language Model
Istituto Italiano di Tecnologia（意大利技术研究院）；Universita di Genova（热那亚大学）
针对人形机器人在非结构化环境中自主运动-操作的难题，提出基于大语言模型的行为规划框架，可自主规划执行并纠正故障，经仿真与真实环境实验验证了有效性。
2024-08-15 cs.AI cs.LG 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
Results of the 2024 CommonRoad Motion Planning Competition for Autonomous Vehicles
Technical University of Munich（慕尼黑技术大学）；RWTH Aachen（亚琛工业大学）；Harbin Institute of Technology（哈尔滨工业大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
2024年CommonRoad运动规划竞赛评估了自动驾驶车辆在高速公路和城市环境中的运动规划算法性能，通过四个维度比较了多种高性能规划器。
2025-12-22 cs.AI cs.RO
HyperAgent: Planning and Acting over Tool-Schema Hypergraphs for Tool-Use LLM Agents
HyperAgent是一种基于工具-模式超图的LLM智能体框架，通过构建相关图引导任务规划与执行，在AppWorld实验中提升了任务完成性能并降低了资源消耗。
2026-08-05 cs.AI cs.SE
Connected Autonomous Vehicle Motion Planning with Video Predictions from Smart, Self-Supervised Infrastructure
Stanford University（斯坦福大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究利用智能基础设施的自监督传感器框架（SSTA），通过预测未来占用情况而非原始视频来减少数据足迹，并将其集成到规划框架中，有效辅助网联自动驾驶车辆在复杂城市环境中的运动规划。
2023-09-14 cs.AI cs.RO
Experience-based Refinement of Task Planning Knowledge in Autonomous Robots
School of Computing and Engineering, University of Huddersfield（哈德斯菲尔德大学计算与工程学院）；School of Human and Health Sciences, University of Huddersfield（哈德斯菲尔德大学人类与健康科学学院）
本文提出利用机器人动作执行经验来细化任务规划领域知识，并在NAO机器人上验证，以提高任务计划成功率并随时间降低失败率。
2025-04-19 cs.AI cs.RO
Real-time Multi-target Path Prediction and Planning for Autonomous Driving aided by FCN
Tongji University（同济大学）；Nanjing University（南京大学）
实时的【形】多目标路径规划是自动驾驶领域的关键问题。虽然利用多项式曲线可以实时的【形】生成多条路径，但是生成的路径不够灵活，无法处理S形道路等复杂道路场景和停车场等非结构化场景。基于搜索和采样的方法，如A* 和RRT及其衍生方法，在为这些复杂的道路环境生成路径方面是灵活的。然而，现有的算法需要大量的时间来规划多个目标，这大大限制了它们在自动驾驶中的应用。提出了一种多目标实时的【形】航迹规划方法。我们首先训练一个全卷积神经网络（FCN）来预测目标的路径区域。通过将预测路径区域作为软约束，然后应用A* 算法来搜索到目标的精确路径。实验表明，FCN可以在很短的时间内（40 ms内50次）进行多次预测，预测的路径区域有效地限制了后续A* 搜索的搜索空间。因此，A* 可以更快地搜索，从而可以实时的【形】实现多目标路径规划（在不到100 ms内搜索3个目标）。
2019-09-17 cs.AI cs.RO
Knowledge Integration Strategies in Autonomous Vehicle Prediction and Planning: A Comprehensive Survey
Freie Universität Berlin（柏林自由大学）；Continental Automotive Technologies GmbH（大陆汽车技术有限公司）；Fraunhofer FOKUS Berlin（弗劳恩霍夫研究所柏林）
本综述系统梳理自动驾驶轨迹预测与规划中的知识集成方法，分类分析符号到神经符号架构，并指出可解释AI、形式化验证及混合方法等未来趋势。
2025-05-22 cs.AI cs.LG
Current Advancements on Autonomous Mission Planning and Management Systems: an AUV and UAV perspective
Seattle Children’s Research Institute, University of Washington（华盛顿大学西雅图儿童研究所）；Monash University（莫纳什大学）；University of Salford（索尔福德大学）
硬件技术的进步使复杂软件的集成更加完善，推动了无人驾驶汽车（UV）的开发和使用，并减轻了车载智能的限制。因此，UV现在可以参与更复杂的任务，其中环境条件的持续变化需要更高水平的态势响应。本文介绍了无人机任务规划和管理系统，旨在突出一些最近的发展，在该领域的自主水下和空中车辆，除了强调一些可能的未来方向，并讨论了经验教训。本研究综述了无人机自主性的评估方法，以及无人机自主性的不同方面，如态势感知、认知和决策。本文分别解释了人形和自主系统的性能，并强调了人类在UV操作中的作用和影响。
2020-07-10 cs.AI cs.RO
A Safer Vision-based Autonomous Planning System for Quadrotor UAVs with Dynamic Obstacle Trajectory Prediction and Its Application with LLMs
Wuhan University（武汉大学）；ETH Zürich（苏黎世联邦理工学院）；WFLS（武汉外国语学校）；HUST（华中科技大学）
本文提出一种基于视觉的无人机自主规划系统，结合动态障碍物跟踪与轨迹预测，利用B样条搜索优化轨迹，在仿真和真实环境中验证了实时避障的可靠性，并探索了与LLMs的集成。
2023-12-23 cs.AI cs.CV cs.RO
Diffusion-Based Planning for Autonomous Driving with Flexible Guidance
Tsinghua University（清华大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；The Chinese University of Hong Kong（香港中文大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对自动驾驶中类人驾驶行为难以实现的问题，提出基于 Transformer 的 Diffusion Planner，通过统一架构联合建模预测与规划任务，支持多模态行为与车辆协作，无需规则优化即可确保轨迹质量，在 nuPlan 及配送车辆数据集上实现了先进闭环性能与稳健迁移性。
2025-02-09 cs.AI cs.LG cs.RO
