UAV Path Planning for Object Observation with Quality Constraints: A Dynamic Programming Approach
Southeast University(东南大学);Academy of Military Science(军事科学院);Consulting Center for Strategic Assessment(战略评估咨询中心)
本文提出一种动态规划算法,在满足观测质量约束下为无人机规划最短路径以观测多个目标物体,实现$(1+ε)$-近似比,并在Airsim仿真中验证了有效性。
2024-11-11 cs.RO
Accelerating Second-Order Differential Dynamic Programming for Rigid-Body Systems
University of Notre Dame(圣母大学)
本文提出了一种将二阶动力学灵敏度信息引入微分动态规划(DDP)轨迹优化算法的方法。DDP的方法开发的所有必要的衍生物计算具有相同的复杂性,在迭代线性二次调节器(iLQR)。与iLQR中使用的线性化模型相比,DDP更准确地表示局部动态,但由于动态的二阶导数是张量的且计算昂贵,因此不经常使用。这项工作展示了如何避免计算导数张量的需要,而是利用导数信息的反向模式累积来直接计算关键向量张量乘积。我们还展示了如何动态的结构可以用来进一步加速这些计算在刚体系统。多连杆机械手轨迹优化的基准测试表明,DDP的好处往往可以包括在不牺牲评估时间,可以在更少的迭代比iLQR。
2022-06-29 cs.RO
Hybrid Systems Differential Dynamic Programming for Whole-Body Motion Planning of Legged Robots
University of Notre Dame(圣母大学)
提出了一种基于状态切换的混杂系统轨迹优化的微分动态规划框架。建议的混合系统DDP(HS-DDP)的方法被认为是应用到全身运动规划与足式机器人。具体来说,HS-DDP结合了三个算法的进步:一个影响感知DDP步骤解决的影响事件在腿运动,一个增广拉格朗日(AL)方法处理的开关约束,和开关时间优化(STO)算法,优化开关时间,通过利用DDP的结构。此外,松弛障碍(ReB)的方法被用来管理不等式约束,并集成到HS-DDP的运动规划。所开发的算法的性能基准上的麻省理工学院迷你猎豹执行跳跃步态的仿真模型。我们证明了AL和ReB处理开关约束,摩擦约束和扭矩限制的有效性。通过与以前的解决方案相比,我们表明,STO算法实现了2.3倍以上的减少总开关时间,证明了我们的方法的效率。
2020-08-11 cs.RO
A Long Horizon Planning Framework for Manipulating Rigid Pointcloud Objects
Massachusetts Institute of Technology(麻省理工学院);KAIST Graduate School of AI(韩国科学技术院人工智能研究生院);Samsung AI Center Montreal(三星蒙特利尔人工智能中心)
我们提出了一个框架,用于解决长期规划问题,涉及操作的刚性对象,直接从点云观测,即没有事先的对象模型。我们的方法计划在空间中的对象子目标和自由的规划者从推理机器人对象的相互作用动力学依赖于一组概括的操作原语。我们表明,对于刚体,这种抽象可以实现使用低级别的操作技能,保持与对象的接触,并表示子目标作为3D变换。为了使泛化到看不见的对象和提高规划性能,我们提出了一种新的方式来表示刚体操作的子目标和基于图形注意力的神经网络架构处理点云输入。我们实验验证这些选择使用模拟和真实世界的YuMi机器人实验。结果表明,我们的方法可以成功地操纵新的对象到需要长期规划的目标配置。总的来说,我们的框架实现了最好的任务和运动规划(TAMP)和基于学习的方法。项目网址:https://anthonysimeonov.github.io/rpo-planning-framework/。
2020-11-16 cs.LG cs.RO
Belief Space Planning for Risk Signal Temporal Logic via Mixed-Integer Convex Programming
KTH Royal Institute of Technology(瑞典皇家理工学院);Digital Futures(数字未来机构)
本文针对高斯信念空间中的风险信号时序逻辑(RiSTL)规划问题,提出一种混合整数凸规划(MICP)方法,证明其可靠完备且保留全局最优轨迹,并通过数值模拟验证了方法有效性。
2026-10-14 cs.RO
Real-time Mixed-Integer Quadratic Programming for Driving Behavior-Inspired Speed Bump Optimal Trajectory Planning
School of Engineering and Technology(工程科技学院);Vinh University(文大学)
本文提出一种基于MIQP和MPC的自动驾驶轨迹规划方法,通过模拟人类驾驶行为的减速带约束,在保证实时性的同时优化减速带通过和乘客舒适度,并在城市模拟中验证了有效性。
2025-10-10 cs.RO
Design, Contact Modeling, and Collision-inclusive Planning of a Dual-stiffness Aerial RoboT (DART)
School of Manufacturing Systems and Networks, Ira A. Fulton Schools of Engineering, Arizona State University(制造系统与网络学院,伊拉·A·福尔顿工程学院,亚利桑那州立大学)
本文提出双刚度飞行机器人DART,通过锁定机构切换刚性与柔性模式以适应不同环境,并基于线性互补系统理论建立碰撞响应预测模型,推进了空中机器人的包含碰撞轨迹规划。
2025-04-26 cs.RO
Relating Reinforcement Learning to Dynamic Programming-Based Planning
Center for Applied Computing, Faculty of Information Technology and Electrical Engineering, University of Oulu, Finland(奥卢大学信息科技与电气工程学院应用计算中心,芬兰);Dept. of Advanced Computing Sciences, Maastricht University, the Netherlands(马斯特里赫特大学高级计算科学系,荷兰)
本文通过去随机化RL、数学分析等价条件及定义真实成本,桥接了最优规划与强化学习在模型、目标和参数上的差异。
2026-06-29 cs.RO
THREAD: Trajectory Planning for Hybrid Rigid-Soft Manipulators with Environment-Aware Diffusion
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Maryland College Park(马里兰大学帕克分校)
提出首个基于扩散的混合刚柔机械臂轨迹规划器THREAD,通过物理启发损失联合约束刚柔段,实现狭窄环境穿行,任务成功率92.4%,碰撞减少5倍。
2026-06-23 cs.AI cs.RO
Integrated Hierarchical Decision-Making in Inverse Kinematic Planning and Control
University of Cambridge(剑桥大学)
本文提出一种高效的非线性规划框架,整合分层决策与全身逆运动学规划控制,解决逆运动学规划中同时选择端效应器位置的问题。
2026-06-06 cs.RO
S-RRT*-based Obstacle Avoidance Autonomous Motion Planner for Continuum-rigid Manipulator
The University of Tokyo(东京大学)
本文提出基于S-RRT*的连续体-刚体混合机械臂运动规划方法,结合逆瞬时运动学与零空间技术实现路径跟踪和避障,并在复杂环境中验证了路径质量与计算时间优势。
2024-09-27 cs.RO
PODDP: Partially Observable Differential Dynamic Programming for Latent Belief Space Planning
自主智能体观察世界状态的能力有限。部分可观测马尔可夫决策过程(POMDPs)对世界状态不确定性下的规划问题进行了形式化建模,但具有连续动作和非线性动力学特性的POMDPs适合于机器人应用,其求解具有挑战性。在本文中,我们提出了一个有效的差分动态规划(DDP)算法的信任空间规划POMDP的不确定性在一个离散的潜在状态,连续的状态,行动,观察,和非线性动力学。这种表示允许规划的动态轨迹是敏感的离散的潜在世界状态的结构化不确定性。我们开发了动态规划技术,以优化一个可能的观测和信念空间轨迹树的应急计划,并得出一个层次版本的算法。我们的方法适用于成本或回报函数不确定的问题(例如,目标或障碍的配置),动态的不确定性(例如,混合系统的动态模式),以及交互的不确定性,其中其他代理的行为取决于潜在的意图。基准测试表明,我们的算法优于流行的启发式方法规划下的不确定性,从一个自主变道任务的结果表明,我们的算法可以合成强大的互动轨迹。
2019-12-14 cs.AI cs.RO
Genetic Informed Trees (GIT*): Path Planning via Reinforced Genetic Programming Heuristics
Department of Informatics, Technical University of Munich(信息学院,慕尼黑技术大学);School of Control Science and Engineering, Shandong University(控制科学与工程学院,山东大学)
本文提出 GIT* 路径规划算法,通过融合多维环境数据并利用 RGP 进化启发式函数,在高维采样规划与真实移动操作任务中提升效率和解质量。
2025-08-28 cs.RO
R-LGP: A Reachability-guided Logic-geometric Programming Framework for Optimal Task and Motion Planning on Mobile Manipulators
University of Oxford(牛津大学);Oxford Robotics Institute(牛津大学机器人研究所);Istituto Italiano di Tecnologia(意大利技术研究院)
本文提出 R-LGP 框架,通过基于采样的可达性图融合障碍信息并剪枝不可行动作序列,增强 LGP 以解决高自由度移动机械臂的最优 TAMP 问题。
2024-03-05 cs.RO
Multi-Robot Path Planning Via Genetic Programming
Harvey Mudd College(哈维穆德学院)
本文提出了一种遗传编程(GP)的方法来解决多机器人路径规划(MRPP)的问题,在单车道的车道,特别是那些容易映射到图形表示。GP的多功能性使得这种方法能够产生针对多个属性而不是单个属性(如路径长度或完整性)进行优化的程序。当优化解决单个MRPP问题所需的时间步长时,GP构建的程序的性能优于完整的MRPP算法,即Push-Swap-Wait(PSW),通过$54.1\%$。GP构造的程序在解决不满足PSW完备性条件的问题方面也一直优于PSW。此外,GP构建的程序表现出更大的能力比PSW的机器人在MRPP环境中导航的数量增加的扩展。这项研究说明了使用遗传编程解决个别MRPP问题的好处,包括实例中的机器人的数量超过树叶的数量在树模型的工作空间。
2019-12-19 cs.NE cs.RO
Constrained Motion Planning for a Robotic Endoscope Holder based on Hierarchical Quadratic Programming
Nagoya University(名古屋大学)
本文提出一种基于分层二次规划的在线优化框架,用于微创手术中内窥镜的视觉伺服控制,优先满足远程运动中心约束,并以视觉跟踪为次要任务,在6自由度机械臂上验证了高精度和实时性。
2024-06-14 cs.RO
Convex Geometric Motion Planning on Lie Groups via Moment Relaxation
University of Michigan(密歇根大学);Jet Propulsion Lab(喷气推进实验室)
本文提出在李群位形空间上通过变分积分器将刚体运动规划表述为多项式优化,利用Lasserre层次和SDP求解全局最优,实现线性复杂度并在无人机着陆与机械臂逆运动学中验证有效性。
2023-05-23 cs.RO cs.SY eess.SY
How to Drawjectory? -- Trajectory Planning using Programming by Demonstration
Institute of Software Engineering and Programming Languages, Ulm University(乌尔姆大学软件与程序设计语言研究所)
针对自动轨迹规划计算量大和精度不足的问题,提出基于编程演示的手动绘制轨迹方法,在乌尔姆大学四轴飞行器实验室验证,平均快78.7秒且精度无显著损失。
2024-11-06 cs.RO cs.SE
Visualization of Nonlinear Programming for Robot Motion Planning
University of Stuttgart(斯图加特大学);Technische Universität Berlin(柏林工业大学)
非线性规划针对具有约束的非线性优化,这是一种通用但复杂的方法,涉及人类进行问题建模和求解问题的算法。我们解决了特别困难的挑战,支持领域专家在处理,理解和解决问题的高维优化与大量的约束。利用可视化分析,支持用户探索非线性约束优化的计算过程。我们的系统是专为机器人运动规划问题,并在非线性规划和机器人领域的专家紧密合作开发。我们报告的经验,从这个设计研究,说明相关的示例情况下的有用性,并讨论了扩展到非线性规划的可视化分析。
2021-01-28 cs.HC cs.NA cs.RO
Slope Considered Online Nonlinear Trajectory Planning with Differential Energy Model for Autonomous Driving
University of Delaware(特拉华大学)
针对自动驾驶模型无关方法难以实现节能轨迹规划的问题,提出集成可微分能量模型的在线非线性规划轨迹优化框架,结合交通与坡度预测提升燃油效率,带来显著经济效益,填补相关研究空白。
2024-12-12 cs.RO
Optimization Based Motion Planning for Multi-Limbed Vertical Climbing Robots
University of California Los Angeles(加州大学洛杉矶分校)
针对六足机器人在两墙间仅靠摩擦垂直攀爬的问题,提出将躯干姿态与接触力解耦的优化规划框架,并通过多类场景仿真与实验验证。
2023-08-15 cs.RO
Two-stage stochastic programming approach for path planning problems under travel time and availability uncertainties
Wayne State University(韦恩州立大学);Virginia Tech(弗吉尼亚理工大学);U.S. Army CCDC Ground Vehicle Systems Center(美国陆军CCDC地面车辆系统中心);Aptiv(安波福)
传感、机器人技术和无线网络的重大进步使得自主空中、地面和水下航行器能够在各种应用中协同使用。然而,为了成功地利用这些无人地面车辆(UGV)在国土安全行动中的好处,有效地解决UGV路径规划问题是至关重要的,这是这些行动的核心。此外,在UGV的实际应用中,这些操作会遇到不确定性,例如关于目标地点、行驶时间以及车辆、传感器和燃料的可用性的不完整信息。本研究论文的重点是开发基于代数的建模框架,以实现车辆团队的成功部署,同时解决行驶距离和UGV任务可用性的不确定性。
2019-10-08 cs.RO math.OC
Humanoid Robot Acrobatics Utilizing Complete Articulated Rigid Body Dynamics
Gerald Brantner(独立研究者)
本文提出了一种结合轨迹优化和全身控制的架构,基于完整铰接刚体动力学方程,使人形机器人能够在仿真中有效执行高动态杂技动作。
2025-07-17 cs.RO
Extended Capture Point and Optimization-based Control for Quadrupedal Robot Walking on Dynamic Rigid Surfaces
University of Massachusetts Lowell(麻省大学洛厄尔分校)
稳定足式机器人在动态刚性表面(DRS)上的运动(即,在惯性系中运动的刚性表面)是复杂的规划和控制问题。由于混合非线性行走动力学的复杂性受到显式时变完整约束所造成的表面运动。这项研究的第一个主要贡献是扩展的捕获点从静态表面上行走的DRS上的运动,以及使用所得到的捕获点在线运动规划。第二个主要贡献是二次规划(QP)的反馈控制器设计,明确考虑DRS运动。通过对四足机器人在具有摇摆运动的DRS上行走的仿真,验证了所提出的控制方法的稳定性和鲁棒性。仿真结果还表明,与我们以前的方法相比,改进的步行性能离线规划和输入输出线性化控制的基础上,不明确保证地面接触约束的可行性。
2021-09-10 cs.RO math.OC
Immersive Robot Programming Interface for Human-Guided Automation and Randomized Path Planning
University of New Mexico(新墨西哥大学)
本研究提出一个将人类纳入随机路径规划的AR机器人编程接口,利用RRT*、SLERP和SQP算法生成无碰撞路径,通过用户基于直觉选择最优路径来减少随机性,并在七自由度机械臂上验证了其有效性与人在环价值。
2024-06-04 cs.HC cs.RO
Dynamic Programming-Based Redundancy Resolution for Path Planning of Redundant Manipulators Considering Breakpoints
School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);Zhejiang Demetics Medical Technology Co., Ltd.(浙江德美特斯医疗科技有限公司);Teachers College, Columbia University(哥伦比亚大学教师学院);Zhejiang College of Sports(浙江体育学院);Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China(电子科技大学深圳高等研究院)
针对冗余机械臂路径规划问题,提出基于动态规划的冗余分辨率算法,将逆运动学问题转化为参数优化问题,满足关节约束并通过断点优化划分路径,经测试验证有效性。
2024-11-26 cs.RO
Real-time motion planning and decision-making for a group of differential drive robots under connectivity constraints using robust MPC and mixed-integer programming
针对差分驱动机器人组成的多智能体系统,提出基于鲁棒MPC与混合整数规划的多速率分层控制结构,实现实时轨迹规划与任务分配,并确保通信网络始终鲁棒连通。
2022-05-31 cs.RO cs.SY eess.SY
Risk-Aware Motion Planning for a Limbed Robot with Stochastic Gripping Forces Using Nonlinear Programming
University of California, Los Angeles(加州大学洛杉矶分校)
我们提出了一个运动规划算法与概率保证的手臂机器人随机夹持力。基于具有最坏情况不确定性的确定性模型的Planting在考虑接触的随机行为时可能是保守的和不灵活的,特别是当安装夹持器时。我们提出的规划器使机器人能够同时规划其姿态和接触力轨迹,同时考虑与夹持力相关的风险。我们的计划制定为一个非线性规划问题的机会约束,它允许机器人产生各种运动的基础上不同的风险界限。为了将夹持力建模为随机变量,我们采用高斯过程回归。我们验证我们提出的运动规划算法上的11.5公斤六肢机器人两壁攀爬。我们的结果表明,我们提出的规划器生成各种轨迹(例如,在低风险界限下避开低摩擦地形,在高风险界限下选择不稳定但更快的步态)。
2020-06-06 cs.RO cs.SY eess.SY
Differential Dynamic Programming for Multi-Phase Rigid Contact Dynamics
CNRS, LAAS(法国国家科学研究中心,拉拉斯研究所);INRIA, France(法国国家信息与自动化研究所,法国)
本文提出使用微分动态规划算法来优化多相刚体接触动力学的全身轨迹,通过利用角动量提高运动效率,减少力和冲击,并在无外力情况下实现姿态控制。
2019-04-10 cs.AI cs.RO cs.SY
Trajectory Planning for a Multi-UAV Rigid-Payload Cascaded Transportation System Based on Enhanced Tube-RRT*
School of Aerospace Science and Technology, Beijing Institute of Technology(航天科学与技术学院,北京理工大学);Graduate School of Systems and Information Engineering, University of Tsukuba(系统与信息工程研究生院,筑波大学)
本文提出一种两级轨迹规划框架,通过增强型管状RRT*算法解决密集障碍环境下的规划问题,结合主动混合采样和自适应扩展策略,生成安全可行的虚拟管,并通过轨迹平滑成本减少过度转弯,提升路径效率。
2026-04-16 cs.RO cs.SY eess.SY
Hybrid System Planning using a Mixed-Integer ADMM Heuristic and Hybrid Zonotopes
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种混合系统规划框架,结合混合聚束体与ADMM启发式方法,以提高混合系统规划的效率和收敛速度。
2026-08-18 cs.RO cs.SY eess.SY
A Predefined-Time Convergent and Noise-Tolerant Zeroing Neural Network Model for Time Variant Quadratic Programming With Application to Robot Motion Planning
Multi-Scale Medical Robotics Center(多尺度医学机器人中心);The Chinese University of Hong Kong(香港中文大学);School of Engineering Technology, Purdue University(普渡大学工程技术学院)
本文提出一种预定义时间收敛且抗噪的分数阶归零神经网络PTC-NT-FOZNN,用于求解时变二次规划,并通过仿真和Flexiv Rizon机械臂实验验证其在机器人运动规划中的精确跟踪与计算效率。
2024-12-29 cs.NE cs.RO
Mixed Integer Programming for Time-Optimal Multi-Robot Coverage Path Planning with Efficient Heuristics
Simon Fraser University(西蒙弗雷泽大学)
本文首次提出混合整数规划模型最优求解MMRTC,并设计两种缩减变量的高效启发式,使多机器人覆盖时间可证明不超过最优解四倍,实验显示较两个最先进规划器平均减少27.65%和23.24%的覆盖时间。
2023-08-11 cs.AI cs.RO
On the Surprising Robustness of Sequential Convex Optimization for Contact-Implicit Motion Planning
The Hong Kong University of Science and Technology(香港科技大学);Harvard University(哈佛大学)
提出仅关注原始问题的序列凸规划求解器CRISP,通过自适应信赖域和加权惩罚效用函数解决接触隐式运动规划中的互补约束问题,在朴素甚至全零初始化下展现出令人惊讶的鲁棒性。
2025-04-26 cs.RO math.OC
QuIP: Experimental design for expensive simulators with many Qualitative factors via Integer Programming
Duke University(杜克大学)
本文提出名为QuIP的新框架,通过整数规划在Gaussian process代理模型下为具有多定性因素的昂贵模拟器设计实验,将初始和顺序设计转化为assignment problem实现高效全局优化,并在路径规划和火星车轨迹优化中验证了其有效性。
2025-01-27 cs.RO stat.AP
Multi-Objective Trajectory Planning with Dual-Encoder
Zhejiang Lab(之江实验室);Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences(中国科学院大学杭州高等研究院)
针对机械臂时间-加加速度最优轨迹规划延迟大的问题,提出一种两阶段方法,结合双编码器transformer模型生成初始轨迹并用序列二次规划细化,大幅缩短规划时间并降低目标函数值。
2024-03-26 cs.LG cs.RO
Distributionally robust risk map for learning-based motion planning and control: A semidefinite programming approach
Seoul National University(首尔国立大学);Automation and Systems Research Institute(自动化与系统研究所)
本文提出了一种新的安全规范工具,称为分布式鲁棒风险地图(DR风险地图),在学习环境中运行的移动机器人。给定机器人的位置,该地图旨在可靠地评估与障碍物碰撞的条件风险值(CVaR),障碍物的运动由高斯过程回归(GPR)推断。不幸的是,推断的分布是受误差,使得难以准确地评估碰撞的CVaR。为了克服这一挑战,该工具在所谓的模糊性集合中测量最坏情况分布下的风险,该模糊性集合表征了允许的分布误差。为了解决无限维问题固有的DR-风险图的建设,我们推导出一个易于处理的半定规划公式,提供了一个上限的风险,利用现代分布鲁棒优化技术。作为运动规划的一个具体应用,一个分布式鲁棒RRT* 算法被认为是使用的风险地图,解决由GPR造成的分布错误。此外,运动控制方法的设计使用DR风险图在基于学习的模型预测控制(MPC)制定。特别地,提出了风险图的神经网络近似,以减少求解MPC问题的计算成本。建议的风险地图的性能和实用性证明,通过模拟研究,显示其能力,以确保移动机器人的安全,尽管学习错误。
2021-05-03 cs.RO cs.SY eess.SY
Sparsification for Fast Optimal Multi-Robot Path Planning in Lazy Compilation Schemes
Czech Technical University in Prague(布拉格捷克理工大学)
多机器人路径规划(MRPP)是指为机器人寻找从初始位置到指定目标位置的无碰撞路径。该问题通常使用无向图建模,其中机器人在顶点之间跨边缘移动。当代的最优求解算法包括直接解决问题的基于搜索的专用方法,以及将MRPP简化为不同形式的基于编译的算法,对于该不同形式的MRPP存在有效的求解器,例如约束编程(CP)、混合整数编程(MIP)或布尔可满足性(SAT)。在本文中,我们加强现有的SAT为基础的算法MRPP通过spartification的候选路径为每个机器人的目标布尔编码派生的集合。建议的路径集的稀疏化导致更小的目标布尔公式,可以更快地构造和求解,同时保持方法的最优性保证。
2021-03-08 cs.AI cs.RO
KiloBot: A Programming Language for Deploying Perception-Guided Industrial Manipulators at Scale
Mech-Mind Robotics(梅卡曼德机器人)
本文提出领域特定语言 KiloBot,通过易用的 TAMP 问题构建接口和灵活控制流机制,结合图形化编程前端,使无编程经验的操作员也能大规模部署感知引导的工业机械臂应用。
2024-09-05 cs.AI cs.PL cs.RO
Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
腿式机器人的运动规划已经取得了很大的成功,但对于多指灵巧抓取的足式机器人的运动规划还不成熟。我们提出了一种有效的运动规划框架,用于同时解决运动(例如,质心动力学),抓取(例如,贴片接触),和接触(例如,步态)问题。为了加快规划过程,我们提出了分布式优化框架的基础上交替方向乘法(ADMM)来解决原来的大规模混合非线性规划(MINLP)。由此产生的框架使用混合二次规划(MIQP)来解决接触问题,使用非线性规划(NLP)来解决非线性动力学问题,这些问题在计算上更易于处理,对参数不太敏感。此外,我们明确地执行补丁接触限制从极限曲面与微脊柱夹具。我们在硬件实验中证明了我们提出的框架,表明多肢机器人能够以更短的规划时间实现各种运动,包括以45°倾角自由攀爬。
2022-07-05 cs.AI cs.RO cs.SY
Bendable Cuboid Robot Path Planning with Collision Avoidance using Generalized $L_p$ Norms
Georgia Institute of Technology(佐治亚理工学院)
本文提出基于广义L_p范数的立方体机器人路径规划方法,通过隐式表面近似和双重优化问题解决碰撞避免问题,验证了方法的有效性。
2017-12-16 cs.RO cs.SY eess.SY
SPONGE: Sequence Planning with Deformable-ON-Rigid Contact Prediction from Geometric Features
Aalto University(阿尔托大学);Technische Universität München(慕尼黑工业大学)
规划机器人操作任务,特别是那些涉及可变形和刚性物体之间的相互作用,是具有挑战性的,由于在预测这种相互作用的复杂性。我们介绍了SPONGE,这是一个由基于深度学习的接触预测模型驱动的序列规划管道,用于交互作用下可变形体和刚体之间的接触。接触预测模型在由开发的仿真环境生成的合成数据上训练,以学习从刚性目标对象的点云观察和可变形工具的姿势到两个主体之间的接触点的3D表示的映射。我们实验评估所提出的方法,无论是在模拟和一个真正的\panda与现实世界的对象的洗碗任务。实验结果表明,在这两种情况下,所提出的规划管道是能够生成高质量的轨迹,可以完成的任务,实现超过90%的面积覆盖不同的大小和曲率的对象,同时最大限度地减少旅行距离。代码和视频可在:\url{https://irobotics.aalto.fi/sponge/}。
2023-03-24 cs.RO
Object grasping planning for the situation when soft and rigid objects are mixed together
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));The Chinese University of Hong Kong(香港中文大学)
本文提出了一种用旋转限界框表示的目标检测方法,以解决刚性物体和柔性物体混合场景下的抓取难题。与传统的检测方法相比,该方法能够输出旋转对象的角度信息,从而保证每个旋转限界框内只有一个实例。该技术在具有不同取向的物体堆的情况下特别有用。在我们的方法中,当检测到具有特定几何形状(矩形或圆柱形)的未分类对象时,程序将得出结论,一些刚性对象被毛巾覆盖。如果没有检测到被覆盖的物体,则抓取规划基于从2D目标检测结果与其对应的3D点云之间的映射获得的3D点云。基于三维限界框覆盖物体所提供的信息,提出了多个杂乱刚性物体的抓取策略和避碰策略。通过刚性物体和毛巾混合的实验验证了该方法的有效性。
2019-09-20 cs.RO
Parallel Monte Carlo Tree Search with Batched Rigid-body Simulations for Speeding up Long-Horizon Episodic Robot Planning
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
我们提出了一种新的并行蒙特卡罗树搜索与批处理模拟(PMBS)算法,以加速长时间,情节机器人规划任务。蒙特卡罗树搜索(MCTS)是一种有效的启发式搜索算法,用于求解搜索空间可扩展的情景决策问题。PMBS利用基于GPU的大规模模拟器,将大规模并行性引入MCTS,通过批量执行大量并发模拟来解决规划任务,从而可以更有效、更准确地评估大型行动空间的预期成本。当应用到具有挑战性的操作任务的对象检索从杂波,PMBS实现了加速比$30\times$与改善的解决方案的质量,相比,串行MCTS实现。我们表明,PMBS可以直接应用到真正的机器人硬件可以忽略不计的模拟到真实的差异。补充材料,包括视频,可以在https://github.com/arc-l/pmbs上找到。
2022-07-14 cs.RO
Optimal Constrained Task Planning as Mixed Integer Programming
University of Michigan(密歇根大学)
为了让机器人成功执行分配给它们的任务,它们必须能够规划正确的动作序列。这些行动必须是相对于特定目标的最佳行动,并满足其世界中存在的任何约束。我们提出了一种机器人任务规划的方法,能够规划的最佳序列的接地行动,以完成一个特定的目标函数的任务,同时满足所有指定的数值约束。我们的方法通过将整个任务规划问题编码为单个混合整数凸规划来实现这一点,然后使用现成的混合整数规划求解器来解决该问题。我们评估我们的方法在模拟和物理人形机器人上的几个移动操作任务。我们的方法是能够始终如一地产生最优的计划,同时占所有指定的数值约束的移动操作任务。我们的方法的组件的开源实现以及机器人在模拟和物理世界中执行计划接地动作的视频可以在以下网址找到:https://adubredu.github.io/gtpmip
2022-11-17 cs.RO
Jerk Constrained Velocity Planning for an Autonomous Vehicle: Linear Programming Approach
The University of Tokyo(东京大学);Tier IV, Inc.(Tier IV公司)
在复杂环境中为自动驾驶车辆进行速度规划是最具挑战性的任务之一。它必须满足以下三个要求:碰撞安全;遵守交通规则规定的最大速度限制;乘客舒适。为了实现这些目标,需要考虑加加速度和动力学目标,然而,这使得问题变得像非凸优化问题一样复杂。本文提出了一种基于线性规划(LP)的自动驾驶系统速度规划方法,该方法具有加加速度限制和避障约束。为了确认所提出的方法的效率,与几种基于优化的方法进行了比较,我们表明,我们的方法可以生成一个速度剖面,满足上述要求比比较的方法更有效。此外,我们测试了我们的算法在一个真实的车辆在测试场,以验证所提出的方法的有效性。
2022-02-21 cs.RO
Distributed Planning for Rigid Robot Formations using Consensus on the Transformation of a Base Configuration
Technical University of Denmark(丹麦技术大学)
针对杂乱环境中的刚性多机器人编队导航问题,提出一种基于基础构型变换一致性的去中心化分布式规划方法,可保证编队约束并具备反应式规划所需的运行时效率。
2023-07-14 cs.RO cs.SY eess.SY
New Formulation of Mixed-Integer Conic Programming for Globally Optimal Grasp Planning
National University of Defense Technology(国防科技大学);University of Maryland at College Park(马里兰大学帕克分校);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了一个两级的分支定界(BB)算法来计算最佳的抓手位姿,最大限度地提高了在有限的搜索空间的把握度量。我们的方法可以考虑到夹持器的运动学可行性,以确保一个给定的夹持器可以达到一组抓点没有碰撞或预测不可行性与有限的时间终止时,没有姿势存在一组给定的抓点。我们的主要技术贡献是一种新的混合整数圆锥规划(MICP)制定的逆运动学的夹具,使用少量的二进制变量和收紧的约束,这可以有效地解决通过一个低层次的BB算法。我们的实验表明,各种目标对象的最佳夹持器姿势可以计算需要20-180分钟的计算在台式机和计算的把握质量,在Q1指标方面,是优于使用基于采样的规划器产生的。
2022-01-14 cs.RO
Multi-Robot Planning on Dynamic Topological Graphs using Mixed-Integer Programming
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Johns Hopkins University(约翰斯·霍普金斯大学)
针对多机器人规划决策空间随机器人数量指数增长、最优解计算难的问题,提出基于动态拓扑图与混合整数规划的方法,通过凸松弛优化实现秒级最优协同策略计算。
2023-08-02 cs.RO
Latent Space Roadmap for Visual Action Planning of Deformable and Rigid Object Manipulation
KTH Royal Institute of Technology(瑞典皇家理工学院);University of Salerno(萨莱诺大学);University of Cassino and Southern Lazio(卡西诺大学和南拉齐奥大学)
我们提出了一个框架,复杂的操作任务的视觉动作规划与高维状态空间,如可变形物体的操作。在嵌入图像的低维潜在状态空间中执行规划。我们定义并实现了一个潜在的空间路线图(LSR),这是一个基于图形的结构,全局捕捉潜在的系统动态。我们的框架由两个主要组件组成:一个视觉感知模块(VFM),它生成一个视觉计划作为一个图像序列,和一个行动建议网络(APN),预测它们之间的行动。我们展示了该方法的有效性,在一个模拟的箱子堆叠任务,以及与一个真正的机器人进行的T恤折叠任务。
2020-03-19 cs.LG cs.RO
Excavation Learning for Rigid Objects in Clutter
Baidu Research(百度研究院)
由于物体的几何和物理性质的高度变化以及挖掘期间的大阻力,对于坚硬或致密材料(特别是不规则刚性物体)的自主挖掘是具有挑战性的。在本文中,我们提出了一种新的基于学习的挖掘规划方法,在杂乱的刚性物体。我们的方法由一个卷积神经网络来预测挖掘成功和一个基于采样的优化方法来规划高质量的挖掘轨迹,利用学习的预测模型。为了减少挖掘学习的sim2real差距,我们提出了一种基于体素的挖掘场景表示。我们在模拟和现实世界中进行挖掘实验,以评估基于学习的挖掘规划。我们进一步比较了两个启发式基线挖掘规划器和一个数据驱动的场景无关规划器。实验结果表明,我们的方法可以规划高质量的挖掘刚性物体在混乱和大幅优于基线方法。据我们所知,我们的工作提出了第一个基于学习的挖掘规划混乱和不规则的刚性物体。
2021-07-09 cs.RO
Fast Second-order Cone Programming for Safe Mission Planning
University of Texas at Austin(德克萨斯大学奥斯汀分校);Microsoft Research(微软研究院)
研究了不确定环境下动态系统的安全任务规划问题。许多先前的工作,实现强大的和安全的控制需要解决二阶锥规划(SOCP)。不幸的是,现有的通用SOCP方法往往是不可行的实时机器人任务,由于现有的一般优化方法所施加的高内存和计算要求。本文的主要贡献是一个快速和内存有效的算法SOCP,将使强大的和安全的任务规划实时车载机器人。我们的算法没有任何外部依赖性,可以有效地利用安全规划设置中提供的热启动,事实上,即使是标准的SOCP问题,也会比标准的优化包(如SDPT 3)加快速度。例如,对于一个标准的四旋翼问题,我们的方法比SDPT 3加速了1000倍,而解决方案的质量没有任何恶化。我们的方法基于两个见解:a)SOCP可以被解释为在具有无限边的多面体上优化函数,b)线性函数可以在该多面体上有效地优化。我们结合上述意见与一个新的利用沃尔夫的算法,以获得一个有效的优化方法,可以很容易地实现在小型嵌入式设备。除上述算法外,本文还设计了一种基于高斯过程的两级障碍物检测方法。
2017-02-27 cs.RO
End-User Programming of Low- and High-Level Actions for Robotic Task Planning
Univ. Grenoble Alpes(格勒诺布尔大学)
由于从制造环境到个人家庭的最终用户任务的巨大多样性,为通用应用编程机器人极具挑战性。最近的工作集中在使最终用户能够使用演示编程对机器人进行编程。然而,从头开始教机器人新的动作,可以重复用于看不见的任务仍然是一个艰巨的挑战,通常留给机器人专家。我们提出了iRoPro,一个交互式的机器人编程框架,允许最终用户从头开始教机器人新的动作,并重新使用它们与任务规划器。在这项工作中,我们提供了一个系统实现的双臂巴克斯特机器人,(一)允许同时教学的低和高层次的行动演示,(二)包括一个用户界面的动作创建与条件推理和修改,(iii)允许创建和解决以前看不见的问题,使用任务规划的机器人实时执行。我们评估了系统的泛化能力的六个基准任务,并显示如何教的行动可以很容易地重复用于复杂的任务。我们进一步证明了它的可用性与用户的研究(N=21),用户完成了八个任务,教机器人的新动作,重复使用的任务规划。研究表明,任何编程水平和教育背景的用户都可以轻松地学习和使用该系统。
2021-03-26 cs.RO
LiP-LLM: Integrating Linear Programming and dependency graph with Large Language Models for multi-robot task planning
Osaka University(大阪大学);Kyoto University(京都大学)
本文提出LiP-LLM框架,利用LLM生成技能列表与依赖图,并通过线性规划优化多机器人任务分配,实验表明其在复杂协调任务中显著提升成功率与效率。
2024-10-28 cs.RO