Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams
Honda Research Institute（本田研究院）；University of California（加州大学）
Scale-Plan通过生成紧凑的任务相关问题表示，提升异构多机器人团队的可扩展性和可靠性。
2026-09-01 cs.AI cs.ET cs.MA
UML-CoT: Structured Reasoning and Planning with Unified Modeling Language for Robotic Room Cleaning
Sun Yat-sen University（中山大学）；X-Era AI Lab（X-Era 人工智能实验室）
针对非结构化思维链在具身任务中可解释性与可执行性不足的问题，提出基于UML的结构化推理规划框架UML-CoT，结合三阶段训练策略，在新基准MRoom-30k上表现优于非结构化思维链。
2025-09-29 cs.AI cs.CV cs.LG
Order-Planning Neural Text Generation From Structured Data
University of Waterloo（滑铁卢大学）
从结构化数据生成文本（例如，表）对于诸如问答和对话系统的各种自然语言处理任务是重要的。在最近的研究中，研究人员使用神经语言模型和编码器-解码器框架来生成表到文本。然而，这些基于神经网络的方法在文本生成期间不对内容的顺序进行建模。当一个人根据给定的表格写摘要时，他或她可能会在措辞之前考虑内容顺序。例如，在传记中，一个人的国籍通常在传记中的职业之前提到。在本文中，我们提出了一个订单规划文本生成模型，捕捉不同领域之间的关系，并利用这种关系，使生成的文本更加流畅和光滑。我们在WikiBio数据集上进行了实验，并在BLEU，ROUGE和NIST分数方面实现了比以前方法更高的性能。
2017-09-01 cs.AI cs.CL cs.IR
Egocentric Planning for Scalable Embodied Task Achievement
ServiceNow Research（ServiceNow研究院）；Queen’s University（女王大学）
本文提出结合符号规划与面向对象 POMDP 的 Egocentric Planning，利用视觉和语言模型提升具身智能体的任务泛化与动作鲁棒性，在 ALFRED 基准取得 36.07% 未见成功率。
2023-06-02 cs.AI cs.CV cs.LG
Scalable Delphi: Large Language Models for Structured Risk Estimation
本文提出可扩展的德尔菲方法，利用大型语言模型进行结构化风险评估，通过多样化的专家人设和迭代优化，实现了高效且准确的风险估计。
2026-10-02 cs.AI
NaviAgent: Graph-Driven Bilevel Planning for Scalable Tool Orchestration
Department of Electrical and Computer Engineering, The Ohio State University, USA（电气与计算机工程系，俄亥俄州立大学，美国）
本文提出NaviAgent，一种基于图的双层规划框架，通过解耦任务规划与工具执行，提升大规模工具编排的可扩展性和鲁棒性，实验表明其在任务成功率和实际应用中表现优异。
2026-05-21 cs.AI cs.CL cs.LG
LogiPlan: A Structured Benchmark for Logical Planning and Relational Reasoning in LLMs
Microsoft Azure（微软Azure）；Microsoft（微软）；Microsoft Research（微软研究院）
本研究推出评估大语言模型逻辑规划与关系推理能力的新型结构化基准LogiPlan，涵盖三类核心任务与自校正能力评估，测试多款前沿模型发现性能差距与模型规模、架构相关，推理增强模型在复杂场景下仍存不足。
2025-06-12 cs.AI cs.PF
Learn2Fold: Structured Origami Generation with World Model Planning
本文提出Learn2Fold框架，通过结合符号推理与物理模拟，解决从文本生成物理有效的折纸折叠序列问题。
2026-04-02 cs.AI cs.GR
PARTAB: Partition-Aware Reasoning with Structured Evidence for Scalable Table Understanding
University of Alberta（阿尔伯塔大学）
本研究提出PARTAB框架，通过构建结构化证据接口、分层选择表格证据，提升LLM在大规模表格推理任务中的性能，在多个基准上表现优于现有方法。
2026-08-26 cs.AI cs.CL cs.IR
SemPlan: Benchmarking Structured Semantic Planning for LLM-Based Queries over Enterprise Data
Universidade Federal de Ouro Preto (UFOP)（欧鲁普雷图联邦大学（UFOP））
该研究构建了SemPlan基准测试，对比四种架构在企业数据LLM查询语义规划中的表现，发现结构化语义规划架构（A3）正确率最高，不同架构在正确率、策略合规性、成本等方面存在权衡。
2026-08-17 cs.AI cs.SE
RPG: A Repository Planning Graph for Unified and Scalable Codebase Generation
Microsoft（微软公司）；Tsinghua University（清华大学）；University of California, San Diego（加州大学圣地亚哥分校）；Beijing Jiaotong University（北京交通大学）
RPG通过统一的图结构提升代码库生成效率，ZeroRepo在真实项目基准上实现显著更高的代码生成量和准确性。
2026-02-13 cs.AI cs.CL cs.SE
Scalable and Probabilistically Complete Planning for Robotic Spatial Extrusion
Massachusetts Institute of Technology（麻省理工学院）
对能够制造3D结构的自动化系统的需求日益增加。机器人空间挤出已成为传统的基于层的3D打印的一种有吸引力的替代方案，这是由于机械手打印大型方向依赖结构的灵活性。然而，现有的挤出规划算法需要大量的人工输入，不能扩展到大型实例，并且缺乏理论保证。在这项工作中，我们提出了一个严格的形式化的机器人空间挤压规划，并提供了几个有效的和概率完整的规划算法。在整个打印过程中，关键的规划挑战是满足限制结构变形的刚度约束和确保机器人不与结构碰撞的几何约束。我们表明，虽然这些约束往往相互冲突，贪婪的向后状态空间搜索指导的刚度意识启发式能够成功地平衡这两个约束。我们经验比较我们的方法的基准超过40模拟挤出问题。最后，我们将我们的方法应用于3个现实世界的挤出问题。
2020-02-06 cs.AI cs.RO
Neural ATTF: A Scalable Solution to Lifelong Multi-Agent Path Planning
Georgia Institute of Technology（佐治亚理工学院）；Hyundai-MOBIS（现代莫比斯）
本文提出神经ATTF算法，结合优先级引导任务匹配与神经时空A*，解决多智能体取送货路径规划的可扩展性和效率问题，实验证明其优于现有方法。
2025-04-21 cs.AI cs.RO
Scalable Rao-Blackwellized Online Planning for High-Dimensional POMDPs
University of Colorado Boulder（科罗拉多大学博尔德分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本研究扩展RB-POMDP框架，采用混合连续-离散信念表示，结合FastSLAM 2.0，在机器人搜救任务中实现高维POMDP下的高效在线规划，性能优于纯采样方法。
2026-09-02 cs.AI cs.RO
APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
University of Stuttgart（斯图加特大学）；Institute for Computational Design and Construction（计算设计与建造研究所）；Institute for Control Engineering of Machine Tools and Manufacturing Units（机床与制造单元控制工程研究所）
本文提出APTree框架，以行为树为执行模型，集成自动化任务规划与模块化执行，通过协调异构符号规划器生成大规模任务规划，可检测规划错误并保障执行安全，助力建筑从业者便捷使用自动化任务规划。
2026-10-14 cs.AI cs.RO cs.SE
Unidirectional-Road-Network-Based Global Path Planning for Cleaning Robots in Semi-Structured Environments
Guangzhou Shiyuan Electronic Technology Co., Ltd.（广州视源电子科技股份有限公司）；School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机学院）
针对半结构化环境下清洁机器人全局路径规划的现有缺陷，本文提出基于单向道路网络的混合规划方法，实现路径长度与规则遵从性的更优平衡。
2025-11-17 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
UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所）
提出 UAV-CodeAgents 多智能体框架，结合 ReAct、VLM 像素指向与反应式思考循环实现无人机任务自主生成，并通过火灾检测场景验证其高效可靠。
2025-05-12 cs.AI cs.RO
Structured-Diffuser: Diffusion with Task-Conditioned Structured Priors for Motion Planning
Institute for Robotics and Intelligent Machines (IRIM)（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）；School of Computational Science and Engineering（计算科学与工程学院）
本文提出一种分层扩散规划器，通过任务和运动结构直接嵌入噪声模型，利用高斯过程运动规划编码轨迹平滑性和任务语义，实验显示在迷宫和KUKA任务中表现更优。
2026-09-28 cs.RO
Configuration Space Decomposition for Scalable Proxy Collision Checking in Robot Planning and Control
University of California San Diego（加州大学圣地亚哥分校）
复杂高维环境下机器人的实时运动规划是一个亟待解决的问题。运动规划算法及其底层碰撞检查器对于任何机器人控制堆栈都至关重要。在机器人运动规划中，碰撞检测占据了很大一部分计算时间。现有的碰撞检查器在速度和精度之间进行权衡，并且对于高维复杂环境的扩展性很差。我们提出了一种新的空间分解方法，使用K-Means聚类的正运动学空间加速代理碰撞检查。我们训练个人配置空间模型使用Fastron，一个核心感知器算法，在这些分解的子空间，产生紧凑而高度准确的模型，可以快速查询和更好地扩展到更复杂的环境。我们在7自由度Baxter机器人上演示了这种名为Decomposed Fast Perceptron（D-Fastron）的新方法，与最先进的几何碰撞检查器相比，碰撞检查速度平均快29倍，运动规划速度快9.8倍。
2022-01-26 cs.RO
Safe Interval RRT* for Scalable Multi-Robot Path Planning in Continuous Space
Sogang University（西江大学）
针对连续空间多机器人路径规划（MRPP）因组合特性和连续状态空间导致搜索空间过大的问题，提出一种两级方法，低层用基于采样的SI-RRT*规划器找单机器人无碰撞轨迹，高层用SI-CPP或SI-CCBS解决机器人间冲突，实验证明其能快速找到高质量解且可扩展性更优。
2025-02-11 cs.AI cs.MA cs.RO
Structural Induced Exploration for Balanced and Scalable Multi-Robot Path Planning
Department of Artificial Intelligence, School of Electronics Engineering, Kyungpook National University（人工智能系，电子工程学院，韩国庆北国立大学）；Department of IT Convergence Engineering, Kumoh National Institute of Technology（IT融合工程系，木谷国立技术学院）
本文提出一种结构诱导探索框架，通过整合结构先验和负载感知目标，提升多机器人路径规划的效率与负载平衡能力。
2025-12-25 cs.AI cs.RO
Alternative Paths Planner (APP) for Provably Fixed-time Manipulation Planning in Semi-structured Environments
NVIDIA（英伟达）；Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
在许多应用中，包括物流和制造，机器人操纵器与人类或其他机器人一起在半结构化环境中操作。这些环境在很大程度上是静态的，但它们可能包含一些机器人必须避开的可移动障碍物。这些应用中的操纵任务通常是高度重复的，但需要快速可靠的运动规划能力，通常在严格的时间限制下。现有的基于预处理的方法是有益的，当环境是高度结构化的，但它们的性能下降的存在下，可移动的障碍物，因为这些不是先验建模。我们提出了一种新的预处理为基础的方法称为替代路径规划（APP），提供可证明的固定时间的规划保证在半结构化的环境。APP离线规划一组备选路径，使得对于可移动障碍物的任何配置，来自该组的路径中的至少一个是无碰撞的。在联机执行期间，可以在几微秒内有效地查找无冲突路径。我们评估APP上的7自由度的机器人手臂在半结构化域的不同复杂性，并证明APP是几个数量级的速度比国家的最先进的运动规划器为每个域。我们进一步验证了这种方法与机器人机械手的实时实验。
2021-03-27 cs.RO
Scalable Asymptotically-Optimal Multi-Robot Motion Planning
Rutgers University（罗格斯大学）；Tel Aviv University（特拉维夫大学）
在多机器人运动规划问题中寻找渐近最优路径，原则上可以在空间中所有机器人的复合配置空间中使用基于采样的规划器来实现。这个空间的维数随着机器人的数量而增加，使得这种方法不切实际。这项工作的重点是耦合多机器人问题，提供渐近最优的可扩展的基于采样的规划。它扩展了dRRT方法，该方法提出为每个机器人构建路线图，并在复合配置空间中搜索隐式路线图。这项工作提出了一种新的方法，dRRT *，并发展理论的可扩展收敛到多机器人问题的最佳路径。模拟实验表明，dRRT * 收敛到高质量的路径，同时扩展到更高数量的机器人，其中天真的方法失败。此外，dRRT * 适用于高维问题，例如机器人操作器的规划
2017-07-03 cs.MA cs.RO
From Perception to Symbolic Task Planning: Vision-Language Guided Human-Robot Collaborative Structured Assembly
Department of Civil, Environmental, and Construction Engineering, Texas Tech University（土木、环境与建设工程系，德克萨斯理工大学）
本文提出基于视觉语言模型的人机协作结构装配框架，通过感知到符号态和人感知规划模块提升动态环境下的态估计和任务规划鲁棒性。
2026-10-14 cs.RO
Fast Motion Planning for Non-Holonomic Mobile Robots via a Rectangular Corridor Representation of Structured Environments
KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造研究院）
本研究提出了一种基于矩形走廊表示的高效运动规划框架，用于非完整移动机器人在复杂结构化环境中的快速导航。
2026-02-10 cs.RO
Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Texas A&M University（德克萨斯A&M大学）
本研究将拓扑引导的单机器人运动规划扩展到多机器人领域，在拥挤狭窄环境中实现高效可扩展规划，支持比现有方法大25倍的团队规模，并生成更优路径。
2023-05-25 cs.AI cs.MA cs.RO
Graph-based Prediction and Planning Policy Network (GP3Net) for scalable self-driving in dynamic environments using Deep Reinforcement Learning
Indian Institute of Science（印度科学学院）；Indian Institute of Science Education and Research, Bhopal（博帕尔印度科学教育与研究学院）
本文提出GP3Net框架，通过时空图预测交通参与者轨迹并结合PPO强化学习进行安全规划，在CARLA多场景与新天气条件下优于模仿学习基线。
2023-12-10 cs.AI cs.RO
Deep Structured Reactive Planning
Uber ATG（优步先进技术集团）；University of Toronto（多伦多大学）
在现实世界中运行的智能代理必须在实现其目标与维护自身以及周围场景中其他参与者的安全和舒适之间取得平衡。这就需要在决定自己的行动时，共同推理其他行为者的行为，因为这两个过程本质上是相互交织的-如果我们决定在交叉路口先前进，车辆将首先向我们让步，但如果我们决定让步，车辆将首先前进。然而，在大多数自动驾驶管道中，这一点并没有被捕捉到，在这些管道中，规划遵循预测。在本文中，我们提出了一种新的数据驱动的反应式规划目标，它允许自动驾驶汽车联合推理自己的计划以及其他参与者将如何对它们做出反应。我们将问题表述为基于能量的深度结构化模型，该模型从观测数据中学习，并对规划和预测问题进行编码。通过基于真实驾驶和综合生成的密集交通的模拟，我们证明了我们的反应模型在更快地成功完成高度复杂的机动（车道合并/交通转弯）方面优于非反应变体，而不会权衡碰撞率。
2021-04-29 cs.AI cs.CV cs.LG
Distributed Potential iLQR: Scalable Game-Theoretic Trajectory Planning for Multi-Agent Interactions
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Raytheon BBN Technologies（雷神BBN技术公司）
在这项工作中，我们开发了一个可扩展的，本地轨迹优化算法，使机器人与其他机器人进行交互。它已被证明，代理人的相互作用可以成功地捕获在博弈论的配方，其中的相互作用的结果可以通过底层的动态博弈的均衡最好的建模。然而，它通常是具有挑战性的动态游戏，因为它涉及到同时解决一组耦合的最优控制问题的平衡计算。现有的求解器以集中的方式操作，并且不可追踪地扩展到多个交互代理。我们使可扩展的分布式博弈论规划，利用多智能体的相互作用，即，属于一类的动态潜在的游戏的相互作用中固有的结构。由于动态势博弈的均衡可以通过最小化单个势函数来找到，因此我们可以应用分布式和分散控制技术来以可扩展和分布式的方式寻求多智能体交互的均衡。我们比较了我们的算法的性能与一个集中式的交互式规划在一些模拟研究，并证明我们的算法的结果更好的效率和可扩展性。我们进一步评估我们的方法在涉及多个四轴飞行器的硬件实验。
2023-03-08 cs.RO
Scalable Planning and Learning Framework Development for Swarm-to-Swarm Engagement Problems
Istanbul Technical University（伊斯坦布尔技术大学）；Artificial Intelligence and Data Science Application and Research Center（人工智能与数据科学应用研究中心）
近年来，群体的制导、导航和控制框架/算法的发展引起了人们的极大关注。话虽如此，规划群分配/与敌人群交战的轨迹的算法在很大程度上是一个未充分研究的问题。虽然小规模的情况下，可以解决的工具，从微分博弈论，现有的方法无法扩展到大规模的多智能体的追求逃避（PE）的情况下。在这项工作中，我们提出了一个强化学习（RL）为基础的框架分解成一些独立的多智能体的追求逃避游戏的大规模群体参与问题。我们模拟了各种多代理PE的情况下，有限的时间捕获是保证在一定条件下。计算出的PE统计数据作为奖励信号提供给高级分配层，高级分配层使用RL算法来分配受控的群单元，以最大效率消除敌方群单元。我们验证了我们的方法在大规模的群对群的参与模拟。
2022-12-06 cs.AI cs.MA cs.RO
Scalable Multi-Robot Path Planning via Quadratic Unconstrained Binary Optimization
本文提出了一种基于二次无约束二元优化的多机器人路径规划方法，通过逻辑预处理和时间窗口分解策略实现了高效且可扩展的路径规划。
2026-02-16 cs.RO quant-ph
Eventually Optimal and Scalable Multi-Agent Planning for Block Cave Mining
University of Southern California（南加州大学）；Centre for Applied Autonomous Sensor Systems, Örebro University（厄勒布鲁大学应用自主传感器系统中心）
针对地下矿山自动化中的车队协调难题，提出BCM问题及SAMM/SAMMS求解器，通过混合整数线性规划联合优化任务分配、调度与路径规划，在真实场景中实现近最优吞吐量和良好可扩展性。
2026-09-09 cs.RO
GRID-Planner: Graph-Structured Relational Reward Shaping for Diffusion Planning
Xi’an Jiaotong University（西安交通大学）；Cytoderm Intelligent Technology（赛德木智能科技）
本文针对自动驾驶规划关键场景的鲁棒闭环决策难题，提出GRID-Planner图-奖励集成扩散规划框架，结合图感知加权等技术，在nuPlan等数据集上显著降低碰撞等指标并提升规划得分。
2026-10-16 cs.CV cs.RO
Towards Scalable & Efficient Interaction-Aware Planning in Autonomous Vehicles using Knowledge Distillation
Honda Research Institute（本田研究所）
本文提出利用知识蒸馏训练更小的预测网络，在保持交互感知轨迹规划精度的同时显著加速自动驾驶汽车的约束优化求解过程。
2024-04-02 cs.AI cs.LG cs.RO
Energy-Structured Latent World Models with Neural Time Fields for Physically Constistent Open-World Motion Planning
针对开放世界运动规划的物理一致性挑战，提出能量结构化潜在世界模型ELWM，结合物理条件神经时间场PC-NTF，显著提升了运动预测精度与导航成功率，降低了碰撞率与残差。
2026-08-11 cs.AI cs.RO
SPADE: Towards Scalable Path Planning Architecture on Actionable Multi-Domain 3D Scene Graphs
Robotics and AI, Luleå University of Technology（机器人与人工智能，卢勒奥技术大学）
针对现有场景图路径规划方法遇障需全图重规划效率低的问题，提出结合分层规划与局部几何感知的SPADE框架，通过可通行边有信息采样降复杂度，经仿真与四足机器人实机验证可高效处理动态场景导航。
2025-07-30 cs.RO
Scalable Long-Horizon Planning with Staggered Updates for Lifelong MAPF
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
该研究针对通用地图的终身多智能体路径发现问题，提出PUSH规划器，结合多种框架优势实现可扩展长时程规划，在10k智能体场景下吞吐量优于基线方法
2026-08-10 cs.AI cs.MA cs.RO
Towards Learning Scalable Agile Dynamic Motion Planning for Robosoccer Teams with Policy Optimization
针对快节奏环境中多智能体动态运动规划的可扩展性与效率问题，提出基于策略优化的学习型动态导航模型，解决异构机器人团队在障碍物环境下的碰撞避免与目标到达问题，突破传统算法限制。
2025-02-08 cs.AI cs.LG cs.MA
Structured 4D Latent Predictive Model for Robot Planning
提出结构化4D潜在预测模型，在潜在空间中预测场景3D结构演化，实现3D一致的场景理解与机器人规划，在复杂操作任务中优于现有视频基规划器。
2026-07-02 cs.CV cs.RO
PlaneSLAM: Plane-based LiDAR SLAM for Motion Planning in Structured 3D Environments
Stanford（斯坦福大学）
LiDAR传感器是在未知环境中进行机器人同时定位与地图构建（SLAM）的强大工具，但它们产生的原始点云密集，存储计算成本高，不适合下游自主任务（如运动规划）直接使用。为了与运动规划集成，期望SLAM管线产生轻量几何地图表示。这种表示也特别适合人造环境，通常可以被视为建立在笛卡尔网格上的所谓“曼哈顿世界”。在这项工作中，我们提出了一个三维激光雷达SLAM算法的曼哈顿世界环境中提取平面特征点云，实现轻量级，实时定位和映射。我们的方法产生基于平面的地图，占用显着较少的内存比他们的点云等价物，并适合于快速碰撞检查运动规划。通过利用曼哈顿世界假设，我们的目标是提取正交平面来生成比现有的基于平面的LiDAR SLAM方法更结构化和组织化的地图。我们在高保真AirSim模拟器和配备Velodyne LiDAR的地面漫游车的真实实验中展示了我们的方法。对于这两种情况，我们能够以与10 Hz的传感器速率相匹配的速率生成高质量的地图和轨迹估计。
2022-09-29 cs.RO
Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning
University of Virginia（弗吉尼亚大学）；University of California, Irvine（加州大学伊藤分校）
本文提出离散引导扩散（DGD）框架，将离散MAPF求解器与约束生成扩散模型结合，通过问题分解、时空依赖建模和约束修复，实现可扩展至100个机器人的高质量多机器人运动规划。
2025-08-27 cs.AI cs.LG cs.RO
Scalable Integrated Task and Motion Planning from Signal Temporal Logic Specifications
University of Notre Dame（圣母大学）
本文提出了一种可扩展且可证明完整的算法，直接合成连续轨迹以满足非凸的信号时序逻辑规范，通过分离离散任务规划和连续运动规划，并利用高效的求解器找到高维系统中满足非凸STL规范的动态可行轨迹。
2018-10-20 cs.RO cs.SY eess.SY
Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
Akule是一种稀疏交互扩散框架，通过三个学习模块实现快速可扩展多机器人运动规划，在基准测试中获高成功率、25倍加速，支持256个机器人规划。
2026-10-14 cs.AI cs.MA cs.RO
Scalable Multirobot Planning for Informed Spatial Sampling
University of Pennsylvania（宾夕法尼亚大学）；McGill University（麦吉尔大学）
本文提出了一种分布式可扩展多机器人规划算法的准静态空间场的知情采样。我们解决的问题，有效的数据汇集使用多个自动驾驶汽车，并考虑多个机器人之间的通信，独立行事，对团队的整体采样性能的影响。我们专注于分布式采样的问题，机器人独立于他们的队友，但有能力沟通他们的当前状态，在一个固定的通信范围内的其他邻居。我们提出的方法是可扩展的，并适应各种环境场景，不断变化的机器人团队配置，并实时运行，这是许多现实世界的应用程序的重要功能。我们比较了我们提出的算法的性能，通过模拟实验，利用来自合成和现场部署数据的模型的基线策略。结果表明，即使团队中的机器人在有限的通信范围内工作，我们的采样算法也是有效的，从而证明了我们的方法在大规模环境采样中的可扩展性。
2022-06-03 cs.LG cs.RO
Scalable Multi-Robot Motion Planning Using Workspace Guidance-Informed Hypergraphs
Parasol Lab, Department of Computer Science, University of Illinois Urbana-Champaign（Parasol实验室，计算机科学系，伊利诺伊大学厄巴纳-香槟分校）
本文通过扩展DaSH框架并结合工作空间拓扑引导与改进的冲突解决机制，实现了拥挤狭窄环境中多达128台机器人的可扩展多机器人运动规划。
2025-11-05 cs.MA cs.RO
The Holy Grail of Multi-Robot Planning: Learning to Generate Online-Scalable Solutions from Offline-Optimal Experts
University of Cambridge（剑桥大学）；DEVCOM Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
许多多机器人规划问题都受到维数灾难的困扰，这使得将解决方案应用于大规模问题实例的难度增加。在多机器人规划中使用基于学习的方法具有很大的希望，因为它使我们能够将昂贵但最佳的求解器的在线计算负担卸载到离线学习过程中。简单地说，这个想法是训练一个策略来复制一个小规模系统生成的最优模式，然后将该策略转移到更大的系统中，希望学习到的策略可以扩展，同时保持接近最优的性能。然而，一些问题阻碍了我们充分发挥这一想法的潜力。这份不切实际的文件阐述了仍然存在的一些关键挑战。
2021-07-26 cs.LG cs.MA cs.RO
Scalable underwater assembly with reconfigurable visual fiducials
Dartmouth College（达特茅斯学院）
本文针对水下装配提出可扩展的联合定位基础设施部署与任务规划算法，利用可移动视觉基准标记和分层聚类方法，在AUV上实现在线高效操作，并通过实验验证其可扩展性。
2023-10-30 cs.RO
From Real-Time Planning to Reliable Execution:Scalable Coordination for Heterogeneous Multi-Robot Fleets in Industrial Environments
提出SCALE反应式在线协调框架，通过运动诱导冲突减少机制和广义共轭动作-优先超图，实现异构多机器人车队的实时路径规划与鲁棒执行，经仓库部署验证有效性。
2026-07-07 cs.MA cs.RO
A Scalable Post-Processing Pipeline for Large-Scale Free-Space Multi-Agent Path Planning with PiBT
Intrinsic Innovation LLC；ROAR Lab（ROAR 实验室）；Singapore University of Technology and Design（新加坡科技设计大学）
提出结合PiBT与安全感知平滑的混合规划框架，实现大规模自由空间多智能体路径规划，可扩展至500+智能体，实时且近最优。
2025-06-20 cs.MA cs.RO
Cognitive Dual-Process Planning for Autonomous Driving with Structured Scene Knowledge and Verifiable Reasoning-Action Consistency
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；National Engineering Research Center of Electric Vehicles, Beijing Institute of Technology（北京理工大学电动车辆国家工程研究中心）；School of Mechanical Engineering, Southeast University（东南大学机械工程学院）
研究自动驾驶高级规划问题，提出认知双过程规划框架，用S-CoT模式表示场景知识，通过自动数据引擎、视觉仲裁器及验证器实现自适应推理和规则验证，提升规划准确性、逻辑一致性并降低延迟，明确性能下降条件。
2026-07-23 cs.CV cs.RO
Parallel OctoMapping: A Scalable Framework for Enhanced Path Planning in Autonomous Navigation
Department of Mechanical and Aerospace Engineering, University of Florida（佛罗里达大学机械与航空航天工程系）；Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
本文提出并行八叉树映射（POMP），一种高效的基于八叉树的映射技术，通过在固定占用网格分辨率下优化自由空间表示，提升路径规划效率和成功率，特别是在复杂环境中。
2026-05-20 cs.RO cs.SY eess.SY
ScaleMPA: Rethinking Scalable RRT* Acceleration With a Grid-Native Representation
ScaleMPA是一种基于网格原生表示的运动规划加速器，通过直接网格访问和多分辨率哈希网格，在28nm CMOS上实现毫秒级延迟，较最先进加速器提速4.7-44.4倍。
2026-09-22 cs.AR cs.RO
Complete, Scalable, and Robust Prioritized Planning for Multi-Robot Ordered Storage and Retrieval at Maximum Capacity
Rutgers University（罗格斯大学）
该研究针对最大容量下多机器人有序存取问题，提出利用无重排布局特性的在线优先多智能体路径规划算法，实现可扩展且鲁棒的规划，完工时间随机器人数量近线性提升，处理不确定性时执行速度无显著损失。
2026-08-20 cs.AI cs.MA cs.RO
