Fast Asymptotically Optimal Kinodynamic Planning via Vectorization
Department of Computer Science, Purdue University（普渡大学计算机科学系）
研究复杂运动动力学系统的规划问题，提出基于JAX和XLA编译器的并行渐近最优运动动力学RRT规划器，结合AO - x元算法实现渐近最优，经理论分析和实验验证其性能优势。
2026-07-14 cs.RO
High-Speed Accurate Robot Control using Learned Forward Kinodynamics and Non-linear Least Squares Optimization
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在高速下精确控制机器人需要一个控制系统，可以考虑到机器人与环境的kinodynamic相互作用。以前的工作学习逆Kinodynamic（IKD）模型的机器人已经成功地捕捉复杂的Kinodynamic效果。然而，这些方法可以应用到的控制问题的类型仅限于以下预先计算kinodynamically可行轨迹。在本文中，我们提出了Optim-FKD，一个新的配方，准确，高速机器人控制，利用一个学习向前kinodynamic（FKD）模型和非线性最小二乘优化。Optim-FKD可用于对任何可由非线性最小二乘目标指定的控制任务进行精确、高速控制。Optim-FKD可以实时的求解路径跟踪和时间最优控制等控制目标，而不需要访问预先计算的运动学可行轨迹。我们通过在十分之一自动驾驶汽车上的实验来实证我们方法的这些能力。我们的研究结果表明，Optim-FKD可以更准确地跟踪期望的轨迹，可以找到更好的解决方案，最优控制问题比基线方法。
2022-08-03 cs.AI cs.LG cs.RO
Learning Inverse Kinodynamics for Autonomous Vehicle Drifting
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出一种基于数据驱动的逆运动动力学学习方法，通过惯性测量和执行命令学习高速漂移模型，并修正执行曲率，实现高速自主漂移中的避障。
2024-02-22 cs.AI cs.LG cs.RO
State Supervised Steering Function for Sampling-based Kinodynamic Planning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
RRT* 和BIT* 等基于采样的运动规划器在应用于运动动力学运动规划时，依赖于转向功能来生成连接采样状态的时间最优解决方案。实现精确的转向功能，需要解析解的时间最优控制问题，或非线性规划（NLP）求解器来解决边界值问题给出系统的kinodynamic方程。不幸的是，解析解对于许多现实世界的领域是不可用的，并且NLP求解器在计算上昂贵得令人望而却步，因此快速且最佳的运动动力学运动规划仍然是一个悬而未决的问题。我们通过引入状态监督转向函数（S3F）来解决这个问题，S3F是一种学习时间最优转向函数的新方法。S3F能够比其NLP对应物更快地产生转向函数数量级的接近最优的解决方案。在三个具有挑战性的机器人领域进行的实验表明，RRT* 使用S3F显着优于最先进的规划方法的解决方案的成本和运行时间。我们进一步提供了一个证明的概率完整性的RRT* 修改使用S3F。
2022-06-15 cs.RO
Accelerating Kinodynamic RRT* Through Dimensionality Reduction
Georgia Institute of Technology（佐治亚理工学院）
基于采样的运动规划算法（如RRT*）因其快速找到初始解然后渐近收敛到最优解的能力而众所周知。然而，对于高维规划问题，特别是对于采样空间不仅是配置空间而且是完整状态空间的动态系统，收敛速度可能很慢。在本文中，我们介绍了使用部分最终状态自由（PFF）的最优控制器的Kinodynamic RRT* [1]，以减少采样空间的维数的想法。建议的加速Kinodynamic RRT*，称为Kino-RRT*，而不是对整个状态空间进行采样，只对状态空间的一部分进行采样，而其余的状态由PFF最优控制器选择。我们还提出了一个延迟和间歇更新的RRT* 树中的所有边缘的最佳到达时间，以降低算法的计算复杂度。我们使用4-D和10-D状态空间线性系统测试了所提出的算法，并表明Kino-RRT* 比Kinodynamic RRT* 算法收敛得更快。
2021-07-02 cs.RO cs.SY eess.SY
VI-IKD: High-Speed Accurate Off-Road Navigation using Learned Visual-Inertial Inverse Kinodynamics
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Army Research Laboratory（陆军研究实验室）
在地面车辆上的高速越野导航的关键挑战之一是，车辆地形相互作用的Kinodynamics可以根据地形而显著不同。以前的方法来解决这一挑战已经考虑学习逆kinodynamics（IKD）模型，条件是惯性信息的车辆感测的kinodynamics的相互作用。在本文中，我们假设，使准确的高速越野导航使用一个学习的IKD模型，除了惯性信息从过去的，还必须预测的kinodynamic相互作用的车辆与地形在未来。为此，我们引入视觉惯性逆Kinodynamics（VI-IKD），一种新的基于学习的IKD模型，除了过去的惯性信息之外，它还基于机器人前方地形的视觉信息，使其能够预测未来的Kinodynamic交互。我们验证了VI-IKD在室内和室外环境中的1/5 UT-AlphaTruck越野自动驾驶汽车上进行精确高速越野导航的有效性，并表明与其他最先进的方法相比，VI-IKD能够在各种不同地形上以高达3.5 m/s的速度进行更准确和更强大的越野导航。
2022-08-01 cs.AI cs.CV cs.LG
Kinodynamic Task and Motion Planning using VLM-guided and Interleaved Sampling
Department of Computer Science and Engineering（计算机科学与工程系）
本文提出一种基于VLM引导和交错采样的运动动力学任务与动作规划方法，通过混合状态树联合决策任务和运动，提升规划效率和成功率。
2026-03-05 cs.RO
Optimal Kinodynamic Motion Planning Through Anytime Bidirectional Heuristic Search with Tight Termination Condition
University of New Hampshire（新罕布什尔大学）；University of Prince Edward Island（爱德华王子岛大学）
本文提出 BTIT* 算法，结合 anytime 双向启发式搜索，确保 meet-in-the-middle 属性和最优性，实验显示其在两个动力学基准上比非懒惰知情批量规划器更快收敛。
2026-04-13 cs.RO
RL-RRT: Kinodynamic Motion Planning via Learning Reachability Estimators from RL Policies
Google AI（谷歌人工智能）；University of New Mexico（新墨西哥大学）
本文解决了基于采样的Kinodynamic运动规划面临的两个挑战：一种方法来确定良好的候选状态的局部过渡和随后的计算棘手的转向这些候选状态之间。通过结合基于采样的规划，快速探索随机树（RRT）和一个有效的Kinodynamic运动规划器通过机器学习，我们提出了一个有效的解决方案，长期规划Kinodynamic运动规划。首先，我们使用深度强化学习来学习避障策略，该策略将机器人的传感器观察映射到动作，该动作在规划期间用作本地规划器，在执行期间用作控制器。其次，我们训练可达性估计在监督的方式，预测RL政策的时间，以达到一个状态的存在障碍。最后，我们引入RL-RRT，它使用RL策略作为局部规划器，并将可达性估计器作为距离函数，以使树的生长偏向有希望的区域。我们评估我们的方法对三个kinodynamic系统，包括物理机器人实验。在所有三个机器人测试的结果表明，RL-RRT优于最先进的kinodynamic规划的效率，也提供了一个更短的路径完成时间比转向功能免费的方法。学习的本地规划器策略和伴随的可达性估计器展示了到先前看不见的实验环境的可转移性，使得RL-RRT快速，因为昂贵的计算被简单的神经网络推理取代。视频：https://youtu.be/dDMVMTOI8KY
2019-07-12 cs.AI cs.LG cs.RO
Conflict-based Search for Multi-Robot Motion Planning with Kinodynamic Constraints
University of Colorado Boulder（科罗拉多大学博尔德分校）；Technion（以色列理工学院）
多机器人运动规划（MRMP）是在运动动力学约束下，为多个机器人在一个环境中运动寻找无碰撞轨迹的基本问题。由于其复杂性，现有的算法要么利用简化的假设或不完整。这项工作介绍了kinodynamic冲突为基础的搜索（K-CBS），一个分散的（解耦）MRMP算法，是一般的，可扩展的，概率完整。该算法的灵感来自成功的解决方案，MRMP在有限图的离散模拟，称为多智能体路径查找（MAPF）。具体来说，我们适应的想法，从基于冲突的搜索（CBS）-一个流行的分散MAPF算法-MRMP设置。这种适应的新颖之处在于，我们直接在连续域中工作，而不需要离散化。特别是，Kinodynamic约束被本地处理。K-CBS使用低级规划器为每个机器人单独规划，并通过定义单个机器人的约束来生长冲突树以解决机器人之间的冲突。低级规划器可以是用于Kinodynamic机器人的任何基于采样的树搜索算法，从而将用于单个机器人的现有规划器提升到多机器人设置。我们表明，K-CBS继承了（概率）的低级别计划的完整性。我们说明的一般性和性能的K-CBS在几个案例研究和基准。
2022-07-01 cs.MA cs.RO
Motion Planning as Online Learning: A Multi-Armed Bandit Approach to Kinodynamic Sampling-Based Planning
University of Michigan（密歇根大学）
针对kinodynamic运动规划在无转向函数时难获高质量解的问题，将采样偏置建模为非平稳多臂老虎机问题，结合kinodynamic RRT转移聚类与老虎机算法自适应采样，可更快获更优解并提升执行成功率。
2023-08-26 cs.RO
Completeness of Randomized Kinodynamic Planners with State-based Steering
The University of Tokyo（东京大学）；Nanyang Technological University（南洋理工大学）
概率完备性是运动规划中的一个重要性质。虽然它已经建立了明确的假设，几何规划，全景的完整性结果的kinodynamic规划仍然是不完整的，因为大多数现有的证据依赖于强有力的假设，是困难的，如果不是不可能的，验证实际系统。在本文中，我们专注于一类重要的Kinodynamic规划，即那些在状态空间中插入轨迹。我们提供了一个证明这些规划者的概率完备性的假设下，可以很容易地验证系统的运动方程和用户定义的插值函数。我们的证明关键依赖于插值轨迹的属性，称为二阶连续性（SOC），我们表明，这是密切相关的规划者的能力，以受益于更密集的采样。我们分析了这种属性在模拟低扭矩摆的影响。我们的研究结果表明，一个简单的RRT使用二阶连续插值迅速找到解决方案，而它是不可能的相同的计划使用标准贝塞尔曲线（这不是SOC）找到任何解决方案。
2015-11-20 cs.RO
TGK-Planner: An Efficient Topology Guided Kinodynamic Planner for Autonomous Quadrotors
Zhejiang University（浙江大学）
在本文中，我们提出了一个轻量级的，但有效的拓扑引导Kinodynamic规划器（TGK规划器）的四旋翼侵略性飞行有限的机载计算资源。该系统遵循传统的层次规划工作流程，在寻路和轨迹优化两个子模块中采用了新颖的设计，提高了鲁棒性和效率。首先，我们提出了拓扑引导图，它粗略地捕获了环境的拓扑结构，并指导基于采样的Kinodynamic规划器的状态采样。通过这种方式，我们显着提高了寻找安全和动态可行轨迹的效率。然后，我们细化的光滑性和连续性的轨迹的优化框架，其中包括同伦约束，以保证轨迹的安全性。优化程序被配制成一个序列的二次规划（QP），可以在几毫秒内迭代求解。最后，所提出的系统集成到一个完全自主的四旋翼，并在各种模拟和现实世界的情况下进行验证。基准比较表明，我们的方法优于国家的最先进的方法方面的效率和轨迹质量。此外，我们将以开源软件包的形式发布我们的代码。
2020-11-08 cs.RO
Kinodynamic Model Predictive Control for Energy Efficient Locomotion of Legged Robots with Parallel Elasticity
University of Michigan（密歇根大学）
本文提出利用单向并联弹簧的分层运动动力学MPC框架，通过热启动策略实现腿足机器人高能效动态跳跃，仿真和硬件实验分别降低运输成本38.8%和能耗14.8%。
2025-03-07 cs.RO cs.SY eess.SY
Improving Kinodynamic Planners for Vehicular Navigation with Learned Goal-Reaching Controllers
Rutgers（罗格斯大学）
本文的目的是提高路径质量和计算效率的采样基kinodynamic规划器的车辆导航。它提出了一个学习框架，以确定有前途的控制在扩大过程中的抽样为基础的规划师。给定动态模型，离线训练强化学习过程以返回达到局部目标状态（即，在没有障碍物的情况下。通过专注于系统的动态而不了解环境，这个过程是数据高效的，并且对于机器人系统只发生一次。它可以在不同的环境中重复使用。规划器以明智的方式为学习的控制器生成在线局部目标状态，以偏向目标，并且以探索性的随机方式连续地生成。对于知情的扩展，本地目标状态生成通过（a）中轴信息的环境中的障碍物，或（b）波前信息的设置与可通行性成本。学习过程和由此产生的规划框架进行评估的第一和第二阶差分驱动系统，以及物理模拟的赛格威机器人。结果表明，所提出的集成的学习和规划可以产生更高的质量路径比采样为基础的Kinodynamic规划与随机控制在更少的迭代次数和计算时间。
2021-10-08 cs.RO
Integrating Fast Regional Optimization into Sampling-based Kinodynamic Planning for Multirotor Flight
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The University of Hong Kong（香港大学）
对于实时多旋翼运动动力学运动规划，基于采样的方法的效率通常受到难以采样的同伦类（如狭窄通道）的阻碍。在本文中，我们解决这个问题的混合计划。我们首先提出了一个快速的区域优化器，利用局部环境的信息，然后将其集成到一个全局采样过程，以确保更快的收敛。在不同的基于采样的方法上结合局部优化，在各种具有挑战性的环境中显着提高了成功率和减少了规划时间。我们还提出了一个细化模块，充分调查所产生的轨迹的全球采样，大大提高了其平滑性，可以忽略不计的计算工作。基准测试结果表明，与最先进的方法相比，我们提出的方法可以更好地利用以前的轨迹。应用该规划方法生成了一个仿真的四旋翼系统的轨迹，并在实时应用中验证了其能力。
2021-03-09 cs.RO
Kinodynamic FMT* with Dimensionality Reduction Heuristics and Neural Network Controllers
Georgia Institute of Technology（佐治亚理工学院）
提出 FMT*PFF 运动动力学规划算法，通过 PFF 最优控制器降维并结合神经网络处理不精确转向，在非线性系统仿真中实现更快收敛与更优性能。
2023-06-05 cs.RO
Kinodynamic Planning on Constraint Manifolds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（工业机器人信息研究所，CSIC-UPC）
本文提出了一种运动学和动力学约束系统的运动规划器。前者出现在系统中存在运动学回路时，例如在并联机械手中，在合作完成给定任务的机器人中，或在涉及与环境接触的情况下。后者是必要的，以获得现实的轨迹，考虑到力作用在系统上。运动学约束使状态空间成为一个隐式定义的流形，这使得常用的运动规划技术的应用变得复杂。为了解决这个问题，规划器增量地构造状态空间流形的图集，并且使用该图集来生成随机状态并且动态地模拟系统朝向这些状态的转向。然后利用所得到的工具在状态空间上构建一个快速探索的随机树（RRT）。据我们所知，这是第一个随机kinodynamic规划隐式定义的状态空间。本文提出的测试案例验证了显着复杂的系统中的方法。
2017-05-22 cs.RO
KDF: Kinodynamic Motion Planning via Geometric Sampling-based Algorithms and Funnel Control
Oden Institute for Computational Engineering and Sciences at the University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Rice University（莱斯大学）
我们将采样为基础的规划技术与基于漏斗的反馈控制开发KDF，一个新的框架，通过漏斗控制解决运动动力学运动规划问题。所考虑的系统发展受到复杂的，非线性的和不确定的动态（又名微分约束）。首先，我们使用一个几何规划器，以获得一个高层次的安全路径在用户定义的扩展自由空间。其次，我们开发了一个低层次的漏斗控制算法，保证系统的路径安全跟踪。规划器和控制算法都不使用关于系统的基本动态的信息，这使得所提出的方案易于分布到各种不同的系统和场景。直观地，漏斗控制模块能够隐式地适应系统的动态，从而允许部署纯几何运动规划器。大量的计算机模拟和6自由度机械臂的实验结果验证了所提出的方法。
2021-04-24 cs.RO
Kinodynamic Motion Planning for a Team of Multirotors Transporting a Cable-Suspended Payload in Cluttered Environments
Faculty of Electrical Engineering and Computer Science, Technical University of Berlin（柏林工业大学电机工程与计算机科学学院）；New York University（纽约大学）
本文提出一种面向多无人机缆绳悬挂载荷运输的动力学运动规划方法，通过分层几何采样与约束轨迹优化，在杂乱环境中显著降低跟踪误差和能耗，并提升狭窄空间队形变换场景的成功率。
2024-10-01 cs.MA cs.RO
db-LaCAM: Fast and Scalable Multi-Robot Kinodynamic Motion Planning with Discontinuity-Bounded Search and Lightweight MAPF
本文提出db-LaCAM，结合现代MAPF算法的高效性和 kinodynamic 规划器的动态感知能力，通过预计算的运动原语生成运动序列，实现高效多机器人运动规划，实验表明其在50个机器人场景中运行速度提升十倍。
2026-03-24 cs.RO
Sampling-based Task and Kinodynamic Motion Planning under Semantic Uncertainty
Kevin T. Crofton Department of Aerospace and Ocean Engineering, Virginia Tech（弗吉尼亚理工大学凯文·T·克罗夫顿航空航天与海洋工程系）；Smead Department of Aerospace Engineering Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校斯米德航空航天工程科学系）
本文研究了在不确定环境中集成任务和运动学动态运动规划问题，提出了一种结合决策技术和采样运动规划的 anytime 算法，证明了算法的正确性和渐进最优性。
2026-04-01 cs.RO
Online Time-Informed Kinodynamic Motion Planning of Nonlinear Systems
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）
本文提出结合深度可逆Koopman算子DIKU与可达性分析方法ASKU，在线近似非线性系统的时间信息集，并设计直接采样技术加速时间最优动力学运动规划，实验验证其近实时性能与优越规划效果。
2024-07-03 cs.RO
db-CBS: Discontinuity-Bounded Conflict-Based Search for Multi-Robot Kinodynamic Motion Planning
Technical University of Berlin（柏林工业大学）
提出 db-CBS，融合 CBS 与不连续性有界 A*，经三层冲突约束和轨迹优化实现异构多机器人动力学规划，成功率更高且成本更低。
2025-03-18 cs.RO
${\tt KRAFT}$: Sampling-Based Kinodynamic Replanning and Feedback Control over Approximate, Identified Models of Vehicular Systems
Rutgers University（罗格斯大学）
针对近似动力学模型下复杂动力学机器人轨迹执行安全性不足的问题，提出KRAFT方法，整合采样式动力学重规划、反馈控制与安全机制，经SysId调优模型，实验验证了规划层反馈闭环与长时域推理的重要性。
2024-09-17 cs.RO
Motion Primitives Based Kinodynamic RRT for Autonomous Vehicle Navigation in Complex Environments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在这项工作中，我们已经实现了一个SLAM辅助导航模块的一个真正的自主车辆与未知的动态。导航目标是沿着无碰撞轨迹到达期望的目标配置，同时遵守系统的动态特性。具体来说，我们使用基于LiDAR的Hector SLAM来构建环境地图，检测障碍物，并跟踪车辆在通过各种状态时与轨迹的一致性。对于运动规划，我们使用快速探索随机树（RRT）的一组生成的运动基元搜索动态可行的轨迹序列和无碰撞路径的目标。我们展示了复杂的机动，如平行停车，垂直停车，并在一个受约束的环境中使用所提出的方法由真实的车辆倒车运动。
2022-10-21 cs.RO
Asymptotically Optimal Sampling-based Kinodynamic Planning
基于采样的算法被视为高维运动规划的实用解决方案。最近的进展已经利用随机几何图论来展示如何用这些方法也可以实现渐近最优性。实现这一理想的属性的动态系统需要解决一个两点边值问题（BVP）的基础动力系统的状态空间。这是困难的，但是，如果不是不切实际的，生成一个边界元法求解器的各种重要的动态模型的机器人或物理模拟的。因此，一个开放的挑战是，当规划系统而不访问BVP求解器时，是否有可能实现最优性保证。这项工作解决了上述问题，并介绍了如何实现渐进最优的Kinodynamic规划增量采样为基础的规划器，通过引入一个新的严格的框架。两种新的方法，稳定稀疏RRT（SST）和SST*，结果从这个分析，这是渐近接近最优和最优的，分别。该技术被证明是快速收敛到高质量的路径，而他们只保持一个稀疏的样本集，这使得他们的计算效率。使用动态系统基准的实验结果，以及物理模拟机器人的规划者的良好性能得到证实。
2016-02-05 cs.RO
Data-Efficient Learning of High-Quality Controls for Kinodynamic Planning used in Vehicular Navigation
Rutgers University（罗格斯大学）
本文旨在提高用于车辆系统的运动动力学规划器的路径质量和计算效率。它提出了一个学习框架，以确定有前途的控制在扩展过程中的采样为基础的运动规划系统的动态。离线时，学习过程被训练以返回达到局部目标状态的最高质量控制（即，航路点）在没有障碍物的情况下根据其当前状态和局部目标状态之间的输入差向量来确定。数据生成方案提供了目标分散的界限，并使用状态空间修剪，以确保高质量的控制。通过专注于系统的动态，这个过程是数据高效的，并且对于动态系统只发生一次，因此它可以用于具有模块化扩展功能的不同环境。这项工作将所提出的学习过程与a）一个探索性的扩展函数，该函数生成在可达空间上具有偏置覆盖的路点，以及b）提出了一个用于移动机器人的利用性扩展函数，该函数使用中轴信息生成路点。本文评估了一阶和二阶微分驱动系统的学习过程和相应的规划器。结果表明，所提出的集成的学习和规划可以产生更好的质量路径比随机控制的运动动力学规划在更少的迭代次数和计算时间。
2022-01-06 cs.RO
Towards Learning Efficient Maneuver Sets for Kinodynamic Motion Planning
Rutgers University（罗格斯大学）
动态系统的规划是具有挑战性的，因为通常没有可用的本地规划器，并且探索状态空间的唯一原始方法是控制的前向传播。在这种情况下，树抽样为基础的规划已经开发出来，其中一些实现渐近最优传播随机控制在每次迭代。虽然对于分析是理想的，但随机控制导致在实践中缓慢收敛到高质量轨迹。这个简短的立场声明首先认为，如果一个kinodynamic规划者有机会适当地平衡开发探索权衡本地演习，规划者的每次迭代性能显着提高。在规划过程中生成这样的机动可以通过策划随机控制的大样本来实现。然而，这在计算上非常昂贵。如果这样的机动可以快速生成，规划器的性能也将作为计算时间的函数得到改善。为了客观，这个简短的立场声明主张将现代机器学习框架与最先进的，知情的和渐进最佳的Kinodynamic规划器相结合。所提出的方法涉及使用神经网络来推断机器人系统的动力学，适当地平衡上述开发探索权衡本地演习。特别是，提出了一个神经网络架构，它被训练，以反映在线策展过程中的选择，给定的局部障碍和启发式信息。规划器使用这些机动来有效地探索底层状态空间，同时仍然保持期望的属性。模拟环境和系统中的初步迹象是有希望的，但也指出了一些挑战，激励在这一方向上进一步研究。
2019-07-18 cs.RO
AURA: Asymptotically Optimal Uncertainty-Robust Replanning Algorithm for Kinodynamic Systems
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯通理工大学）
提出AURA元规划框架，通过在线重规划和优化控制输入，在运动不确定性下实现渐近最优轨迹规划与跟踪精度提升。
2026-10-09 cs.RO
RRT-CoLearn: towards kinodynamic planning without numerical trajectory optimization
Delft University of Technology（代尔夫特理工大学）
基于采样的Kinodynamic规划器，例如快速探索随机树（RRT），提出了两个基本挑战：计算两个随机采样节点之间距离的可靠（伪）度量，以及计算连接节点的转向输入。这些挑战的核心是一个两点边值问题，这是已知的NP-难。最近，距离度量已经近似使用监督学习，大大减少了计算时间。以前的工作，这样的学习RRT使用直接最优控制来生成数据的监督学习。本文建议使用间接最优控制，因为它提供了两个好处：它减少了计算工作量生成的数据，它提供了一个低维参数化的行动空间。后者允许我们学习距离度量和连接两个节点的转向输入。这消除了学习RRT时对本地规划者的需要。摆摆的实验结果表明，在离线数据生成和在线规划时间10倍的速度，导致至少10倍的速度在整体规划时间。
2017-10-27 cs.RO math.OC
BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning
Louisiana State University New Orleans（路易斯安那州立大学新奥尔良分校）；Florida International University（佛罗里达国际大学）
提出BOWConnect双向并行运动动力学规划器，通过窗口贝叶斯优化学习局部代价图引导采样，解决高维空间样本效率低、动态约束下代价启发式不可靠及窄通道规划难题，在基准测试中实现100%成功率。
2026-06-26 cs.RO
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
Sampling-based Kinodynamic Planning with World Models
Purdue University（普渡大学）
本文提出两种适用于世界模型隐空间的采样式运动-动力学规划策略，在模拟和真实推方块任务中，其规划效率和成功率均优于CEM、MPPI等优化器。
2026-10-12 cs.RO
On Kinodynamic Global Planning in a Simplicial Complex Environment: A Mixed Integer Approach
Center of Autonomous Technologies, Innopolis University（自主技术中心，因诺波利斯大学）；School of Computer Science, University of Lincoln（计算机科学学院，林肯大学）
本文针对单纯复形环境中的类车机器人运动学全局规划问题，提出一种混合整数优化方法，通过变量变换与McCormick包络松弛求解最小时间轨迹，仿真显示其速度比MPPI和log-MPPI快104倍且严格满足约束。
2025-08-22 cs.RO math.OC
Incorporating Stochastic Models of Controller Behavior into Kinodynamic Efficiently Adaptive State Lattices for Mobile Robot Motion Planning in Off-Road Environments
University of Rochester（罗切斯特大学）；DEVCOM Army Research Laboratory（陆军研究实验室）；Parsons（帕尔逊公司）
本研究提出三种将随机控制器行为模型融入KEASL规划器的方法，实验表明其产生更保守轨迹，降低预测碰撞概率，但相比扩大障碍物足迹的基线，规划成功率有所下降。
2025-08-06 cs.RO
iDb-RRT: Sampling-based Kinodynamic Motion Planning with Motion Primitives and Trajectory Optimization
New York University（纽约大学）；TU Berlin（柏林工业大学）；ETH Zurich（苏黎世联邦理工学院）
提出iDb-RRT，一种结合运动基元与轨迹优化的采样型动力学运动规划算法，具备概率完备性，在30个问题、8个系统的基准测试中，求解速度比先前方法快最多10倍，尤其适用于长轨迹和狭窄通道场景。
2024-03-16 cs.RO
Ultrafast Sampling-based Kinodynamic Planning via Differential Flatness
Department of Computer Science, Rice University（计算机科学系，里士大学）；Ken Kennedy Institute（肯尼迪研究所）
本文提出FLASK框架，利用微分平坦性将运动规划问题从状态空间转换到平坦输出空间，通过并行计算实现快速、精确的动态可行性轨迹生成，适用于多种机器人系统。
2026-09-18 cs.RO
pc-dbCBS: Kinodynamic Motion Planning of Physically-Coupled Robot Teams
针对物理耦合多机器人高维运动规划难题，提出三层冲突消解的任意时间规划器 pc-dbCBS，兼具概率完备性与渐近最优性，并显著提升求解率、轨迹速度和规划效率。
2025-05-15 cs.MA cs.RO cs.SY
Admissible Velocity Propagation : Beyond Quasi-Static Path Planning for High-Dimensional Robots
School of Mechanical and Aerospace Engineering, NTU（南洋理工大学机械与宇航工程学院）；Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM), CNRS / Université de Montpellier（蒙彼利埃计算机、机器人与微电子实验室（LIRMM），法国国家科学研究中心/蒙彼利埃大学）；Department of Mechano-Informatics, University of Tokyo（东京大学机械信息学系）
路径速度分解是一种直观而强大的方法，以解决复杂的Kinodynamic运动规划。困难的轨迹规划问题解决在两个单独的，更简单的步骤：第一，找到一个路径的配置空间，满足几何约束（路径规划），第二，找到一个时间参数化的路径满足kinodynamic约束。一个基本的要求是，在第一步中找到的路径应该是时间参数化的。大多数现有的作品通过在路径规划步骤中强制执行准静态约束来满足这一要求，从而导致完整性的重要损失。我们提出了一种方法，使路径速度分解，发现真正的动态运动，即运动，不是准静态可执行的。在所提出的方法的核心是一个新的算法--容许速度传播--给定一条路径和该路径开始时的可达速度的区间，精确有效地计算系统在遍历路径后可以达到的所有速度的区间，同时尊重系统kinodynamic约束。将该算法与通常的基于采样的规划器相结合，然后产生一个新的轨迹规划器，可以适当地处理kinodynamic约束，同时保留与路径速度分解相关的优点。我们证明了所提出的方法的效率，一些困难的kinodynamic规划问题，特别是准静态方法保证失败。
2016-09-30 cs.RO
Iterative Methods for Efficient Sampling-Based Optimal Motion Planning of Nonlinear Systems
KAIST（韩国科学技术院）；nuTonomy Inc.（NuTonomy公司）
本文扩展了RRT* 算法，最近开发的，但广泛使用的基于采样的最佳运动规划，以有效地处理非线性kinodynamic约束。运动微分约束中的非线性常导致在树构造中难以选择合适的距离度量和计算优化的轨迹段。为了解决这两个困难，这项工作采用仿射二次调节器为基础的伪度量的距离测量，并利用迭代两点边值问题求解器计算优化段。建议的扩展，然后保留RRT* 框架的固有渐近最优性，同时有效地处理各种kinodynamic约束。三个数值算例验证了该方法的适用性。
2016-03-14 cs.RO
Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control
Agency for Defense Development（韩国国防发展局）；University of Michigan（密歇根大学）
本文提出一种融合本体与外感知信息的地形感知运动动力学模型，结合模型预测路径积分控制，实现越野环境下的高速鲁棒自主驾驶。
2023-09-22 cs.AI cs.RO cs.SY
Sampling-based optimal kinodynamic planning with motion primitives
Politecnico di Milano（米兰理工大学）
本文提出了一种新的基于采样的运动规划器，它集成在RRT*（快速探索随机树星）的预先计算的运动基元的数据库，以减轻其计算负荷，并允许运动规划在动态或部分已知的环境。该数据库是通过考虑在一些网格空间中的初始和最终状态对的集合，并且为每一对确定与系统动态和约束兼容的最优轨迹，同时使成本最小化来构建的。在RRT* 算法中，通过在网格状态空间中随机提取样本并在数据库中选择将其连接到现有节点的最佳无障碍运动基元，将节点逐步添加到可行轨迹树中。如果一些节点可以从新的采样状态通过具有较低成本的无障碍运动原语到达，则树被重新布线。因此，运动规划的计算上更密集的部分被移动到数据库构建的初步离线阶段，代价是由于网格化而导致的一些性能降级。可以调整网格分辨率，以便在（次）最优性和数据库大小之间进行折衷。当网格分辨率趋于零且采样状态数趋于无穷大时，该规划器是渐近最优的。
2022-06-10 cs.RO
Efficient Multi-Robot Motion Planning with Precomputed Translation-Invariant Edge Bundles
Smead Aerospace Engineering Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校航空航天工程科学系）；Department of Computer Science, University of Colorado Boulder（科罗拉多大学博尔德分校计算机科学系）；Cherry Creek High School, Greenwood Village, CO, USA（科罗拉多州格里诺村樱桃溪高中）
本文提出KiTE-Extend方法，通过预计算轨迹段提升多机器人运动规划效率，尤其在多智能体场景中显著改善规划性能和可扩展性。
2026-05-10 cs.RO
Generalizing Informed Sampling for Asymptotically Optimal Sampling-based Kinodynamic Planning via Markov Chain Monte Carlo
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
渐进最优运动规划器（如RRT*）已被证明可以逐步逼近起始状态和目标状态之间的最短路径。一旦找到初始解，通过将后续样本限制到可能改善当前解的状态空间区域，可以显着改善其性能。当运动规划问题位于欧几里德空间中时，可以直接对该区域$X_{inf}$（称为信息集）进行采样。然而，当在非欧几里德状态空间中规划微分约束时，不存在直接采样$X_{inf}$的解析解。在这种域中对$X_{inf}$进行采样的现有技术方法（例如分层拒绝采样（HRS））在高维状态空间中可能仍然很慢。这可能会导致规划算法花费其大部分时间试图产生样本在$X_{inf}$，而不是探索it.In本文中，我们提出了一种替代方法来产生样本的通知集$X_{inf}$的设置范围很广。我们的主要见解是重铸这个问题作为一个采样均匀内的子水平集的隐式非凸函数。这种重新设计使我们能够应用蒙特卡洛抽样方法，在机器学习和优化社区中非常有效地使用，以解决我们的问题。我们表明，使用我们的采样器可以加快收敛速度，在高维问题的高质量的解决方案，在广泛的情况下。
2017-10-17 cs.RO
$κ$-PMP: Enhancing Physics-based Motion Planners with Knowledge-based Reasoning
Institute of Industrial and Control Engineering (IOC), Universitat Politècnica de Catalunya (UPC) – Barcelona Tech（加泰罗尼亚理工大学巴塞罗那科技学院工业与控制工程研究所）
基于物理的运动规划是一项具有挑战性的任务，因为它需要计算机器人的运动，同时允许与环境中的（一些）障碍物进行可能的交互。为此目的，通常使用配备有充当状态传播器的动态引擎的运动动力学运动规划器。困难出现在设置足够的力的相互作用，因为这些相互作用可能会改变的可操纵的障碍物的姿态，从而促进或阻止的解决方案的路径的发现。本文提出了使用一个增强的状态传播器组成的动态引擎和一个低层次的几何推理过程，用于确定如何与对象进行交互，即从哪里和与哪些力量。被称为\k{appa} -PMP的建议可以与任何运动动力学规划器一起使用，从而产生例如\k{appa} -RRT。该方法还包括预处理步骤，该预处理步骤从根据本体描述的语义抽象知识推断推理过程所需的操纵知识。所提出的方法已被验证的几个例子，涉及完整的移动机器人，机器人与微分约束和串行机械手，并基准使用几个国家的最先进的运动动力学规划。结果表明，相对于简单的基于物理的规划，成功率和解决方案路径的质量的提高，功耗有显着差异。
2017-09-30 cs.RO
Physics-based Motion Planning: Evaluation Criteria and Benchmarking
Institute of Industrial and Control Engineering, Universitat Politècnica de Catalunya（加泰罗尼亚理工大学工业与控制工程研究所）
运动规划已经从处理简单的几何问题发展到基于物理的问题，这些问题结合了机器人和物理世界施加的kinodynamic和物理约束。因此，用于评估基于物理的运动规划器的标准超出了通常用作评估几何规划器的度量的计算复杂性（例如，在规划时间方面），以便还考虑在动态参数方面的解决方案的质量。本研究提出了一个评估标准，并分析了几个kinodynamic规划器的性能，这是基于物理的运动规划的核心，使用不同的场景与固定和可操纵的对象。RRT、EST、KPIECE和SyCLoP用于基准测试。结果表明，KPIECE计算出的时间最优解的成功率最高，而SyCLoP计算出的功率最优的解决方案中使用的规划器。
2017-09-30 cs.RO
Bridging the gap between Learning-to-plan, Motion Primitives and Safe Reinforcement Learning
IDEAS NCBR；Institute of Robotics and Machine Intelligence, Poznan University of Technology（波兹南理工大学机器人与机器智能学院）；Department of Computer Science, Technische Universitat Darmstadt（达姆施塔特工业大学计算机系）
本文提出将 learning-to-plan 方法与强化学习相结合，通过集成 motion primitives 的黑盒学习与优化，克服了传统方法需解析建模的限制，在机器人 air hockey 等复杂场景中显著提升了性能与安全性。
2024-08-26 cs.LG cs.RO
Robust and Efficient Quadrotor Trajectory Generation for Fast Autonomous Flight
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个强大的和有效的四旋翼运动规划系统的快速飞行在3-D复杂的环境。我们采用了一种运动动力学路径搜索方法，在离散化的控制空间中找到一个安全的、运动动力学可行的、时间最短的初始轨迹。利用B样条函数的凸包性质，结合欧氏距离场（EDF）的梯度信息和动态约束，通过B样条函数优化来提高轨迹的光滑性和清晰度。最后，通过将最终轨迹表示为非均匀B样条，采用迭代时间调整方法来保证轨迹的动态可行性和非保守性。我们验证我们提出的方法在各种复杂的仿真环境。该方法的能力也验证了在具有挑战性的现实世界的任务。我们将代码作为开源软件包发布。
2019-07-03 cs.RO
Sampling-based Algorithms for Optimal Motion Planning Using Closed-loop Prediction
Georgia Institute of Technology（佐治亚理工学院）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
微分约束下的运动规划，即运动动力学运动规划，是机器人学中的经典问题之一。目前，最先进的方法围绕流行的基于采样的算法的运动动力学变体，如快速探索随机树（RRT）。然而，仍然存在挑战，例如，如何在保证最优性的同时包括复杂的动态。如果开环动态是不稳定的，则通过控制空间中的随机采样的探索变得低效。我们描述了一种新的基于采样的算法，称为CL-RRT#，它利用了RRT#算法的思想和RRT算法的变体，该算法使用闭环预测生成轨迹。规划与闭环预测的想法，使我们能够处理复杂的不稳定的动态，并避免需要找到计算困难的转向程序。RRT#算法中提出的搜索技术允许我们通过搜索替代参考轨迹来提高解的质量。使用非完整系统的数值模拟表明所提出的方法的好处。
2016-01-23 cs.RO
Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution
Department of Computer Science, University of New Orleans（计算机科学系，新奥尔良大学）；Knight Foundation School of Computing and Information Sciences, Florida International University（骑士基金会计算与信息科学学院，佛罗里达国际大学）；Providence College, Department of Mathematics & Computer Science（普罗维登斯学院，数学与计算机科学系）
本文提出一种结合约束贝叶斯优化与STL冲突解决的多机器人轨迹规划方法，提升轨迹效率和安全性。
2026-03-06 cs.RO
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
在本文中，我们解决的问题，基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统，并提出信念- $\mathcal{A}$，一个框架，扩展任何kinodynamic树为基础的规划器的线性（或线性化）系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间，保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径，并在模拟渐近最优，完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
