Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa（热那亚大学）
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离，与以前的方法不同，我们提供了一种方法来计算准确的碰撞概率。此外，我们提供了一个严格的上限，可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下，所提出的方法进行了评估模拟。
2021-10-12 cs.AI cs.RO
Tru-POMDP: Task Planning Under Uncertainty via Tree of Hypotheses and Open-Ended POMDPs
Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）；East China Normal University（华东师范大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
Tru-POMDP通过结合LLM生成的信念与开放性POMDP规划，有效应对任务规划中的不确定性，提升规划效率与鲁棒性。
2026-03-01 cs.AI cs.RO
Partially Observable Task and Motion Planning with Uncertainty and Risk Awareness
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
针对传统TAMP完全可观测、动作确定的假设局限，提出具备不确定性与风险感知的TAMPURA策略，在任务和控制器层进行不确定性推理，实验表明其性能优于确定性规划等方法，并在真实机器人问题中得到验证。
2024-10-06 cs.AI cs.RO
Safe planning and control under uncertainty for self-driving
Manipal Institute of Technology（马尼帕尔理工学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
不确定条件下的运动规划对于安全自动驾驶至关重要。在本文中，我们提出了一个统一的避障框架，处理1）自我车辆运动的不确定性;和2）来自环境的动态障碍物的预测不确定性。在规划层中使用包括短期和长期预测的两阶段交通参与者轨迹预测器来为自我车辆生成安全但不过于保守的轨迹。预测模块与现有的规划方法配合良好。我们的工作展示了它的有效性在一个弗伦内框架规划。使用管MPC的鲁棒控制器保证了在存在状态噪声和动态模型不确定性的情况下轨迹的安全执行。高斯过程回归模型用于在线识别的不确定性的界限。我们证明了我们的框架在CARLA模拟器的有效性，安全性和实时性能。
2020-10-21 cs.RO
Trajectory Planning Under Stochastic and Bounded Sensing Uncertainties Using Reachability Analysis
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
不确定环境下的轨迹规划是一个非常活跃的研究课题。以前的工作预测状态和状态估计不确定性沿轨迹检查碰撞安全。他们假设随机或有界的传感不确定性。然而，GNSS伪距通常被建模为在城市环境中包含具有附加偏差的随机不确定性。因此，给定偏差的界限，规划者需要考虑随机和有界的传感不确定性。在我们以前的工作中，我们提出了一个可达性分析，预测状态和状态估计的不确定性下的随机和有界的不确定性。然而，我们忽略了这些不确定性之间的相关性，导致状态不确定性的不完美近似。在本文中，我们通过预测状态不确定性作为独立量的函数来改进我们的可达性分析。我们设计了一个度量的预测不确定性比较候选轨迹在规划过程中。最后，对基于GNSS的固定翼无人机城市导航规划器进行了验证。
2020-12-17 cs.RO
Convex Risk Bounded Continuous-Time Trajectory Planning and Tube Design in Uncertain Nonconvex Environments
MIT, Computer Science；Artificial Intelligence Laboratory. These authors contributed equally to the paper.
针对含概率障碍物的不确定非凸动静环境，本文利用风险等值线将规划转化为确定性优化，并通过平方和凸优化实现无时间离散化的连续时间风险有界轨迹及最大安全管设计。
2023-06-04 cs.AI cs.RO math.OC
Unveiling Uncertainty-Aware Autonomous Cooperative Learning Based Planning Strategy
本文提出基于深度强化学习的自主协作规划框架DRLACP，通过门控循环单元改进SAC算法，有效应对多车辆协作规划中的感知、规划和通信不确定性，实验证明其在不同场景下优于基线方法。
2026-04-22 cs.RO
Safe and Efficient Path Planning under Uncertainty via Deep Collision Probability Fields
TU Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）
本文提出 Deep Collision Probability Fields，将采样式碰撞概率估计转移到训练阶段，以神经网络快速推理支持含不确定静态与动态障碍物的二维安全路径规划。
2024-09-06 cs.AI cs.RO
Convex Risk Bounded Continuous-Time Trajectory Planning in Uncertain Nonconvex Environments
MIT（麻省理工学院）
在本文中，我们解决的轨迹规划问题，在不确定的非凸静态和动态环境中，包含概率位置，大小和几何形状的障碍物。为了解决这个问题，我们提供了一个风险有界的轨迹规划方法，寻找连续时间的轨迹，保证有界的风险在规划时间范围内。风险被定义为与不确定障碍物发生碰撞的概率。现有的方法来解决风险有界的轨迹规划问题要么是有限的高斯不确定性和凸障碍或依赖于基于采样的方法，需要不确定性样本和时间离散化。为了解决风险有界的轨迹规划问题，我们利用风险轮廓的概念，将风险有界的规划问题转化为一个确定性的优化问题。风险等值线是不确定环境中具有有界风险的所有点的集合。所得到的确定性优化，在一般情况下，非线性和非凸时变优化。我们提供了基于平方和优化的凸方法来有效地解决所得到的非凸时变优化问题，并获得连续时间的风险有界的轨迹，而无需时间离散化。所提供的方法处理任意概率不确定性，非凸和非线性，静态和动态的障碍，并适用于在线轨迹规划问题。
2021-06-10 cs.RO cs.SY eess.SY
Online Mapping and Motion Planning under Uncertainty for Safe Navigation in Unknown Environments
CIRS Underwater Vision and Robotics Research Centre（CIRS水下视觉与机器人研究中心）；Universitat de Girona（赫罗纳大学）；VICOROB VIsió per COmputador i ROBòtica（VICOROB计算机视觉与机器人实验室）
对于在高度非结构化或完全未知的环境中运行的机器人来说，安全自主导航是一个重要且具有挑战性的问题。在这些条件下，不仅机器人系统必须处理有限的定位信息，而且它们的机动性受到其动力学的约束，并且经常受到不确定性的影响。为了应对这些约束，本文提出了一个基于不确定性的框架，用于在线映射和规划可行的运动，并具有概率安全保证。所提出的方法通过以下方式处理运动、概率安全性和在线计算约束：（i）递增地映射周围环境以构建环境的不确定性感知表示，以及（ii）迭代地（重新）规划轨迹以通过信念空间中的多层基于采样的规划器实现运动动力学可行和概率安全的目标。深入的实证分析说明了这种方法的一些重要特性，即（a）多层规划策略可以快速探索高维置信空间，同时保持渐近最优性和完整性保证，以及（b）与文献中的其他不确定性感知规划器相比，所提出的概率碰撞检查例程的概率范围更紧。此外，对非完整鱼雷形自主水下航行器的真实水中实验评估和DARPA 2019年地下挑战赛的四旋翼无人机的楼梯井场景中的模拟试验证明了该方法的有效性及其适用于有限的系统。
2020-05-26 cs.AI cs.RO
The Impact of Class Uncertainty Propagation in Perception-Based Motion Planning
Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Toyota Research Institute（丰田研究院）
本文研究了感知驱动运动规划中不确定性传播对性能的影响，通过比较不同校准方法在复杂场景中的表现，验证了上游不确定性传播的优越性。
2026-02-17 cs.RO
IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty
Georgia Institute of Technology（佐治亚理工学院）
本文提出IBBT算法，将不确定性运动规划分解为确定性采样建图与知情启发式信念树搜索，实现可收敛、可复用的任意时间增量规划，并在多环境中验证其更快且能找到非平凡规划。
2023-04-21 cs.AI cs.RO
Differential Evolution for Efficient AUV Path Planning in Time Variant Uncertain Underwater Environment
Flinders University（弗林德斯大学）；University of Washington（华盛顿大学）；Seattle Children's Research Institute（西雅图儿童研究所）
研究了复杂湍流水下环境下AUV三维路径规划问题，其中考虑了静止的海流图数据和不确定的静-动时变障碍物。AUV路径规划对这种强可变性的鲁棒性被认为是一个复杂的NP难问题，并且被认为是确保车辆安全部署的关键问题。有效的进化技术有很大的潜力，处理NP难复杂性的路径规划问题，作为更强大和快速的算法在其他方法中提到的问题。本文将差分进化技术应用于水下机器人路径规划问题的研究。本文所设计的路径规划器能够从实际地图中提取可行区域，并考虑沿海地区、岛屿、静态/动态障碍物和洋流等因素，以较小的计算时间提供有效的路径。实验结果表明，该方法具有较强的鲁棒性和高效性，能够有效地利用有用电流，实时避免碰撞边界，提高了车辆路径规划能力。所提出的方法也是灵活的，严格尊重车辆的运动约束抵抗当前的不稳定性。
2016-12-04 cs.AI cs.RO
URA*: Uncertainty-aware Path Planning using Image-based Aerial-to-Ground Traversability Estimation for Off-road Environments
Mississippi State University（密西西比州立大学）
本文提出URA*方法，利用集成CNN从航空图像估计非道路可通行性，并通过不确定性感知规划与快速重规划提升自主导航路径质量，在多个数据集上优于传统规划算法。
2023-09-15 cs.AI cs.RO
Fast and Scalable Game-Theoretic Trajectory Planning with Intentional Uncertainties
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；The Hong Kong University of Science and Technology（香港科学与技术大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科学与技术大学深圳-香港协同创新研究院）
针对多智能体意图不确定性导致博弈论轨迹规划计算负担重、可扩展性差的问题，提出将其建模为贝叶斯博弈并转化为势博弈，利用基于双重共识ADMM的分布式算法并行求解，实现了高效且可扩展的实时交互轨迹规划。
2025-07-16 cs.MA cs.RO
Perception-Based Temporal Logic Planning in Uncertain Semantic Maps
University of Pennsylvania（宾夕法尼亚大学）
本文研究了部分语义未知环境中的多机器人规划问题。假设环境具有已知的几何结构（例如，墙壁），并且由具有不确定位置和类别的静态标记地标占据。这种建模方法产生了一个不确定的语义SLAM算法生成的语义地图。我们的目标是设计控制策略的机器人配备了嘈杂的感知系统，使他们能够完成全球时序逻辑规范捕获的协作任务。为了指定任务，占环境和感知的不确定性，我们采用了一个片段的线性时序逻辑（LTL），称为共同安全的LTL，定义基于感知的原子谓词建模概率满足要求。基于感知的LTL规划问题产生了一个最优控制问题，解决了一种新的基于采样的算法，生成开环控制策略，在线更新，以适应不断学习的语义地图。我们提供了大量的实验来证明所提出的规划架构的效率。
2022-01-13 cs.RO
Informative Path Planning for Active Field Mapping under Localization Uncertainty
ETH Zürich（苏黎世联邦理工学院）；University of Technology Sydney（悉尼科技大学）
信息收集算法在释放机器人在广泛应用中进行高效数据汇集的潜力方面发挥着关键作用。然而，大多数现有的策略忽略了机器人姿势不确定性的基本问题，这是一个隐含的要求，创建强大的，高质量的地图。为了解决这个问题，我们引入了一个信息丰富的规划框架，主动映射，明确占在映射和规划任务的构成不确定性。我们的策略利用高斯过程（GP）模型来捕捉目标环境场的输入上的不确定性。对于规划，我们制定了一个新的效用函数，耦合的本地化和字段映射目标在基于GP的映射方案的原则性的方式，而不依赖于任何手动调整的参数。大量的模拟表明，我们的方法优于现有的策略，减少了平均姿态的不确定性和地图误差。我们还提出了一个室内温度映射方案的概念证明。
2019-12-15 cs.RO
Limited Visibility and Uncertainty Aware Motion Planning for Automated Driving
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
不利的天气条件和城市环境中的遮挡导致感知受损。不确定性在自动车辆的不同模块中处理，范围从传感器水平到情况预测直到运动规划。本文主要研究在具有遮挡的不确定环境模型下的运动规划问题。我们提出了一种方法，以保持碰撞自由的最坏情况下的演变给定的场景。我们定义的标准，衡量可用的利润率的碰撞，同时考虑到可见性和相互作用，并因此集成的条件，将这些标准应用到一个基于优化的运动规划。我们通过在几个不同的城市场景中验证我们的方法的一般性。
2018-10-30 cs.RO
Risk-Averse Planning Under Uncertainty
California Institute of Technology（加州理工学院）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）
研究了具有动态一致风险目标的部分可观测马尔可夫决策过程的策略设计问题。为POMDP合成风险规避最优策略需要无限的内存，因此是不可判定的。为了克服这个困难，我们提出了一种基于有界策略迭代的方法来设计随机但有限状态（记忆）控制器，它利用了标准的凸优化方法。给定一个内存预算和最优性准则，该方法修改随机有限状态控制器，导致次优解具有较低的相干风险。
2019-09-27 cs.AI cs.RO math.OC
Inspection planning under execution uncertainty
针对城市环境中定位误差导致的执行不确定性影响巡检规划性能的问题，提出基于IRIS框架、结合蒙特卡洛采样的IRIS-U²算法，可提供覆盖率、路径长度和碰撞概率的统计保证，经桥梁巡检案例验证有效，且有界次优解可在保保证的同时减耗时。
2024-04-10 cs.RO
Planning with SiMBA: Motion Planning under Uncertainty for Temporal Goals using Simplified Belief Guides
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出一种多层运动规划算法，利用系统简化模型的轨迹在组合任务和信念空间中引导基于采样的搜索树，解决线性时序逻辑规范下的运动与感知不确定性问题，避免了构建精细有限抽象，显著加速了复杂规范下的规划。
2023-04-09 cs.FL cs.RO cs.SY
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
Safe multi-agent motion planning under uncertainty for drones using filtered reinforcement learning
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Mitsubishi Electric Corporation（三菱电机株式会社）
本文提出一种结合强化学习与机会约束凸优化的多无人机运动规划方法，在不确定杂乱环境中以高概率保证安全避碰，且训练简单、可实时实施。
2023-10-31 cs.AI cs.LG cs.MA
LEADER: Learning Attention over Driving Behaviors for Planning under Uncertainty
Oregon State University（俄勒冈州立大学）；Shanghai Jiao Tong University（上海交通大学）；National University of Singapore（新加坡国立大学）
人类行为的不确定性对拥挤的城市环境中的自动驾驶提出了重大挑战。部分可观测马尔可夫决策过程（POMDPs）为不确定性下的规划提供了一个原则性框架，通常利用蒙特卡洛采样来实现复杂任务的在线性能。然而，采样也会因可能遗漏关键事件而引起安全问题。为了解决这个问题，我们提出了一种新的算法，学习注意力驾驶bEADER（LEADER），学会参加关键的人类行为在规划。LEADER学习一个神经网络生成器，以在实时情况下对人类行为提供关注。它将注意力整合到一个信念空间规划器中，使用重要性采样来使推理偏向关键事件。为了训练算法，我们让注意力生成器和规划器形成一个最小-最大博弈。通过解决最小-最大博弈，LEADER学会了在没有人类标签的情况下执行风险感知规划。
2022-10-29 cs.LG cs.RO
Real-Time Online Re-Planning for Grasping Under Clutter and Uncertainty
University of Leeds（利兹大学）
我们考虑在杂乱中抓取的问题。虽然近年来已经开发了运动规划器来解决这个问题，但这些规划器大多是针对开环执行而定制的。然而，在这个领域中的开环执行可能会失败，因为不可能以足够的精度对多体多接触物理系统的动力学进行建模，也不可能期望机器人知道物体的确切物理特性，例如摩擦，惯性和几何特性。因此，我们提出了一个在线重新规划的方法，通过杂波抓取。主要挑战是该领域需要较长的规划时间，这使得快速重新规划和流畅执行难以实现。为了解决这个问题，我们提出了一个容易并行化的随机轨迹优化算法，产生一系列的最优控制。我们表明，通过运行此优化器，只有少量的迭代，它是可能的执行实时的重新规划周期，以实现反应性的操作混乱和不确定性。
2018-10-09 cs.RO
Uncertainty-Aware Decision-Making and Planning for Autonomous Forced Merging
Linköping University（林雪平大学）；Imperial College London（帝国理工学院）；Lund University（隆德大学）
针对强制汇入场景，提出通过在线估计周围车辆加速度边界预测非保守前向占据，并将其融入决策与运动规划，以提升参考轨迹的安全性和韧性。
2024-10-27 cs.RO cs.SY eess.SY
Learning-based Near-optimal Motion Planning for Intelligent Vehicles with Uncertain Dynamics
National University of Defense Technology（国防科技大学）；Hunan University（湖南大学）
本文提出GP-SKRL算法，结合稀疏高斯过程回归与稀疏核策略迭代，在不确定动力学下实现智能车辆在线自适应近最优运动规划，并通过仿真与实车实验验证其优越性。
2023-08-09 cs.RO
Vision-Based Uncertainty-Aware Motion Planning based on Probabilistic Semantic Segmentation
Technical University of Munich（慕尼黑工业大学）
本文针对不确定环境下的机器人安全运动规划问题，提出结合大规模数据增强的深度语义分割集成与基于场景的概率路径规划方法，并通过速度调度保证跟踪误差下的安全性，实验验证了其优于现有方法。
2023-12-01 cs.RO cs.SY eess.SY
Path Planning Problem under non-probabilistic Uncertainty
KU Leuven（鲁汶大学）
本文考虑了非概率不确定性下路径规划问题的理论解，该理论解用于不确定性下的旅行商问题。不确定性是在城市之间的路径上作为流动推销员问题中的节点。在两个节点/站之间存在至少一条路径，其中节点之间的行进时间不是精确已知的。这可能是由于环境影响，如道路上的拥挤（高峰期），电池的充电状态，天气条件，或考虑行驶时的路线安全性。在这项工作中，我们考虑了两种不同的先进的不确定性模型（i）概率精确的不确定性模型：概率分布和（ii）非概率不精确的不确定性模型：区间。我们研究什么样的理论结果可以得到两个不同的最优性标准：最大和最大的流动推销员问题。
2022-12-01 cs.RO math.OC math.PR
Chance-Constrained Trajectory Optimization for High-DOF Robots in Uncertain Environments
Massachusetts Institute of Technology（麻省理工学院）
机器人技术的许多实际应用需要系统能够在不确定性的情况下安全运行。在运动规划的背景下，两种类型的不确定性是特别重要的规划安全的机器人轨迹时。第一个是环境不确定性-附近障碍物位置的不确定性，源于传感器噪声或（在障碍物未来位置的情况下）预测误差。第二类不确定性是机器人自身状态的不确定性，通常由跟踪或估计误差引起。为了实现高水平的安全性，机器人有必要考虑这两个不确定性来源。在本文中，我们提出了一种风险有界的轨迹优化算法，称为具有风险优化的顺序凸优化（SCORA），以解决机会约束的运动规划问题，尽管存在环境不确定性和跟踪误差。通过模拟实验，我们证明了SCORA显着优于国家的最先进的风险意识的运动规划者在规划时间和所产生的轨迹的安全。
2023-01-31 cs.RO
Stochastic Implicit Neural Signed Distance Functions for Safe Motion Planning under Sensing Uncertainty
Rice University（莱斯大学）
针对高维机器人在感知不确定性下的安全运动规划问题，提出融合随机符号距离函数隐式神经模型与分层优化规划器的方法，可显式界定风险并在复杂环境中生成安全、高质量路径。
2023-09-28 cs.RO
Is it Worth to Reason about Uncertainty in Occupancy Grid Maps during Path Planning?
Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）
本文研究了在路径规划过程中的障碍物的不确定性存在的推理的有用性，这通常源于使用概率占用网格地图表示的环境时，通过一个嘈杂的传感器，如立体相机映射。传统的规划模式规定使用一个硬阈值的占用概率来宣布一个细胞是一个障碍，并相应地规划一个单一的路径，同时对待未知的空间作为自由。我们将这种方法与一种新的不确定性感知规划器进行比较，该规划器规划两种不同的路径假设，然后将其初始轨迹段合并为一个以“下一个最佳视图”姿势结束的单一轨迹段。在这个信息视图被采取后，计划者承诺其中一个假设，或者如果碰撞即将发生，则承诺一个全新的假设。仿真结果表明，该规划器与传统规划器相比，具有更好的规划效果。结果表明存在规划方案-如当环境包含死胡同，或当目标被放置在障碍物附近-其中推理的不确定性可以显着减少机器人的行驶距离，并增加达到目标的机会。新的规划器也在一个真正的Clearpath Jackal机器人上进行了验证，该机器人配备了ZED 2立体摄像机。
2022-05-27 cs.RO
Probabilistic Framework for Constrained Manipulations and Task and Motion Planning under Uncertainty
University Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
逻辑几何规划（Logic-Geometric Programming，LGP）是一种功能强大的运动和操纵规划框架，它使用描述问题离散方面的逻辑规则来表示分层结构，例如，触摸、抓握、击打或推动，并求解所得到的平滑轨迹优化。逻辑的表达能力允许LGP处理复杂的，大规模的顺序操作和工具使用规划问题。在本文中，我们将LGP公式推广到随机域。基于控制推理的对偶性，我们解释LGP在随机域拟合高斯混合后验路径分布，其中每个逻辑配置文件定义一个单一的高斯路径分布。该框架使机器人能够优先考虑各种交互模式，并获得有趣的行为，如接触开发的不确定性减少，最终提供一个复合控制方案，是反应的干扰。补充视频可以在https://youtu.be/CEaJdVlSZyo上找到
2020-03-09 cs.RO
Efficient Belief Road Map for Planning Under Uncertainty
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种基于高效协方差控制的信念路图方法，通过输出状态反馈调控节点不确定性并构建无碰撞均值轨迹边，实现控制代价与不确定性平衡的路径搜索，实验验证了其有效性。
2023-09-17 cs.RO cs.SY eess.SY
Robust-RRT: Probabilistically-Complete Motion Planning for Uncertain Nonlinear Systems
Stanford University（斯坦福大学）；Technion（以色列理工学院）
鲁棒运动规划需要计算在所有可能的不确定性实现下都是安全的全局运动计划，无论是在系统动态中，机器人的初始位置，还是相对于外部干扰。目前的鲁棒运动规划方法要么缺乏理论保证，要么对系统动力学和不确定性分布进行限制性假设。在本文中，我们提出了强大的快速探索随机树（Robust-RRT）算法，该算法将前向可达性分析直接集成到基于采样的控制轨迹合成，以解决这些限制。我们证明了Robust-RRT是概率完备的（PC）的非线性Lipschitz连续动力系统的有界不确定性。换句话说，Robust-RRT最终找到在所有可能的不确定性实现下可行的鲁棒运动计划，假设存在这样的计划。我们的分析甚至适用于不稳定的系统，只承认短期可行的计划，这是因为我们明确考虑可达集沿控制轨迹的时间演化。由于在我们的分析中明确考虑了时间依赖性，PC适用于不稳定系统。据我们所知，这是最普遍的PC证明鲁棒采样为基础的运动规划，在类型的不确定性和动力系统，它可以处理。考虑到可达集的精确计算对于某些动力系统来说可能是计算昂贵的，我们将基于采样的可达性分析纳入Robust-RRT中，并在非线性、欠驱动和混合动力系统上展示了我们的鲁棒规划器。
2022-11-01 cs.RO
Branch-Stochastic Model Predictive Control for Motion Planning under Multi-Modal Uncertainty with Scenario Clustering
Chair of Automatic Control Engineering（自动控制工程教授会）
本文提出一种结合随机模型预测控制与分支结构的方法，用于在多模态不确定性下进行运动规划，通过场景聚类提高实时计算性能并减少保守性。
2026-05-21 cs.RO
Path Planning Under Uncertainty to Localize mmWave Sources
Nanyang Technological University（南洋理工大学）；New York University（纽约大学）；University of British Columbia（不列颠哥伦比亚大学）；Harvard University（哈佛大学）
在本文中，我们研究了移动机器人需要定位毫米波无线信号的导航问题。利用信号的方向性，我们提出了一种估计和路径规划算法，可以有效地在杂乱的室内环境中导航。我们制定扩展的卡尔曼滤波器的情况下，接收到的信号在视线或反射后的辐射源位置估计。然后，我们建议规划运动轨迹的基础上的信念空间动力学，以最大限度地减少位置估计的不确定性。相关的非线性优化问题的解决是一个国家的最先进的约束iLQR求解器。特别是，我们提出了一种方法，可以处理大量的障碍物（~300）与合理的计算时间。我们验证的方法在一个广泛的模拟。我们表明，我们的估计可以帮助提高导航成功率和规划，以减少估计的不确定性，可以提高整体任务的完成速度。
2023-03-08 cs.RO
A POMDP-based hierarchical planning framework for manipulation under pose uncertainty
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对视觉受限环境下的位姿不确定性操作问题，提出基于POMDP的分层信念表示与闭环规划框架，利用3D体积空间与粒子集结合降低计算量，在真实世界实现93%成功率并显著提升解质量。
2024-09-27 cs.RO
NR-RRT: Neural Risk-Aware Near-Optimal Path Planning in Uncertain Nonconvex Environments
The Chinese University of Hong Kong（香港中文大学）；Georgia Institute of Technology（佐治亚理工学院）；Southern University of Science and Technology（南方科技大学）；Shenzhen Research Institute of The Chinese University of Hong Kong（香港中文大学深圳研究院）
在不确定环境下，如何平衡安全性和效率之间的关系对于路径规划具有重要意义。许多具有风险意识的路径规划器已经被开发出来，以明确限制碰撞的概率在不确定的环境中的可接受的范围。然而，凸障碍或高斯不确定性通常假设，使问题易于在现有的方法。这些假设限制了路径规划器在现实世界中的推广和应用。在这篇文章中，我们提出将深度学习方法应用于基于采样的规划器，开发了一种新的风险有界近优路径规划算法，称为神经风险感知RRT（NR-RRT）。具体而言，一个确定性的风险轮廓图保持感知概率非凸障碍，并提出了一个神经网络采样器来预测下一个最有希望的安全状态。此外，递归分治规划和双向搜索策略的使用，以加快收敛到一个近最优解，保证有界风险。最坏情况下的理论保证也可以证明，由于备用的安全保证计划，利用均匀的抽样分布。仿真实验表明，该算法在具有不确定性和非凸约束的可见和不可见环境中寻找风险有界的低成本路径的性能明显优于现有算法.
2022-05-14 cs.RO
Secure Minimum Time Planning Under Environmental Uncertainty: an Extended Treatment
网络物理系统（CPS）正变得无处不在，并影响着物理世界，但安全性很少是其设计的最前沿。机器人控制算法尤其如此，它们很少考虑网络攻击对任务目标和成功的影响。这项工作提出了一种安全的最优控制算法，在面对网络攻击的机器人的知识的环境。这项工作的重点是网络攻击，但结果推广到不完整或过时的信息的环境。这项工作融合了鲁棒控制，最优控制和基于传感器的规划的思想，提供了一个概括的停车距离在3D。该规划器在仿真中实现，并分析其性能。
2018-03-06 cs.RO
Path Planning Considering Time-Varying and Uncertain Movement Speed in Multi-Robot Automatic Warehouses: Problem Formulation and Algorithm
The University of Hong Kong（香港大学）；Geekplus Technology Co., Ltd.（极智嘉科技有限公司）；University of California Berkeley（加州大学伯克利分校）
多机器人系统中的路径规划是指为每个机器人计算一组动作，这些动作将使每个机器人移动到其目标而不与其他机器人冲突。最近，该研究课题因其广泛的应用而受到极大的关注，例如机场地面，无人机群和自动仓库。尽管这些现有的研究成果，大多数现有的调查都与机器人的情况下，一个固定的运动速度，而不考虑不确定性。因此，在这项工作中，我们研究了多机器人自动化仓库的路径规划问题，它考虑了时变和不确定的机器人的运动速度。具体地说，路径规划模块根据传统的冲突概率分布计算交通代价，并结合经典的A* 算法，为单个智能体搜索冲突尽可能少的路径。然而，这种基于概率的方法并不能消除所有的冲突，速度的不确定性会不断引起新的冲突。作为补充，我们提出了其他两个模块。冲突检测与重规划模块根据设计的规则，周期性地从不同类型的冲突中选择需要重规划路径的对象。此外，在每个步骤中，调度模块填充代理的保留队列，并决定当同一元素同时分配给两个代理时谁具有更高的优先级。最后，我们将所提出的算法与学术界和工业界的其他算法进行了比较，结果表明，所提出的方法是最好的性能。
2022-12-01 cs.RO
Randomized Physics-based Motion Planning for Grasping in Cluttered and Uncertain Environments
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Institute of Industrial and Control Engineering（工业与控制工程研究所）；Rice University（莱斯大学）
在杂乱和不确定的环境中规划抓取物体的运动是一项具有挑战性的任务，特别是当不存在无碰撞轨迹并且需要小心地抓取和移出阻挡道路的物体时。本文采取了不同的方法，并提出了解决这个问题，通过使用一个随机的基于物理的运动规划，允许机器人对象和对象对象之间的相互作用。其主要思想是避免一个明确的高层次推理的任务，提供一个物理引擎的运动规划器，以评估可能的复杂的多体动力学相互作用。该方法能够解决复杂情况下的问题，也考虑了对象的姿态和接触动力学的不确定性。这项工作增强了状态有效性检查器，控制采样器和树的探索策略的Kinodynamic运动规划称为KPIECE。增强算法，称为p-KPIECE，已在仿真和实际实验中得到验证。的结果进行了比较与本体物理为基础的运动规划和任务和运动规划的方法，导致规划时间，成功率和质量的解决方案路径方面的显着改善。
2017-11-27 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
Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments
Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院）；Georgia Institute of Technology（佐治亚理工学院）
针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题，提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法，可将轨迹风险降低约97%。
2026-08-12 cs.RO cs.SY eess.SY
Integrating Uncertainty-Aware Human Motion Prediction into Graph-Based Manipulator Motion Planning
University at Buffalo（布法罗大学）；Texas A&M University（德克萨斯农工大学）
针对人机协作场景下机械臂安全高效运动规划问题，提出融合不确定性感知人体运动预测与图神经网络的规划框架，通过量化预测不确定性、构建工作空间元素关联图实现前瞻性规划，实验验证了其在提升协作流畅性和安全性上的效果。
2024-05-16 cs.RO
Multi-Sample Long Range Path Planning under Sensing Uncertainty for Off-Road Autonomous Driving
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）
针对越野自动驾驶长距离动态重规划中的感知不确定性问题，提出DREAMS方法，通过评估和聚合多个确定性化样本，在真实数据集上优于现有方法，兼顾效率与鲁棒性。
2024-03-17 cs.RO
CogniPlan: Uncertainty-Guided Path Planning with Conditional Generative Layout Prediction
National University of Singapore（新加坡国立大学）；Tongji University（同济大学）；BITS Pilani（比什朋尼学院）
CogniPlan利用条件生成修复模型预测多个布局，结合图注意力路径规划，在未知环境中实现不确定性引导的探索与导航，性能优于现有方法。
2025-08-05 cs.RO
Trajectory Planning for Safe Dual Control with Active Exploration
Department of Robotics, University of Michigan（密歇根大学机器人学系）；Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系）
本文研究了一种受预算约束的双控问题，通过整合鲁棒规划与主动探索，在保证安全性和预算可行性的同时，平衡即时任务性能与长期不确定性降低。
2026-04-16 cs.RO
Chance-Constrained Trajectory Planning with Multimodal Environmental Uncertainty
University of British Columbia（不列颠哥伦比亚大学）；Seoul National University（首尔大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文针对GMM多模态环境不确定性下的安全轨迹规划，提出混合整数锥近似和CVaR方法，并在自动驾驶数据上验证了其有效性。
2025-03-09 cs.RO cs.SY eess.SY
Robust Predictive Motion Planning by Learning Obstacle Uncertainty
Linköping University（林雪平大学）；Imperial College London（帝国理工学院）；Lund University（隆德大学）
针对动态环境中不确定障碍物导致规划保守的问题，提出在线学习障碍物控制集以计算非保守可达集，并设计鲁棒模型预测控制器生成安全轨迹，经仿真与硬件实验验证。
2025-01-20 cs.RO cs.SY eess.SY
Real-Time Tube-Based Non-Gaussian Risk Bounded Motion Planning for Stochastic Nonlinear Systems in Uncertain Environments via Motion Primitives
Massachusetts Institute of Technology（麻省理工学院）；NASA Jet Propulsion Lab, California Institute of Technology（加州理工学院NASA喷气推进实验室）
针对长期任务中非高斯不确定性随时间增长导致现有方法失效的问题，提出离线运动原语与连续时间管结合在线SOS风险等值线验证的实时规划框架，提供有界碰撞概率保证。
2023-08-14 cs.AI cs.RO cs.SY
Multiple-Hypothesis Path Planning with Uncertain Object Detections
Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种利用不确定障碍物检测的多假设路径规划器，通过基于安全通过概率的实时图更新与剪枝，在安全性和路径长度间权衡，使最复杂模拟森林中的导航成功率较 A* 基线由20%提升至75%。
2023-08-14 cs.RO
A Closed-Loop Linear Covariance Framework for Vehicle Path Planning in a Static Uncertain Obstacle Fiel
Air Force Institute of Technology（空军理工学院）
不确定环境下的路径规划是实现车辆真正自主的关键。在过去的二十年中，已经开发了许多方法来解决车辆路径中的错误，同时导航复杂且通常不确定的环境。这种规划的一个重要功能是预测车辆分散协方差的候选path. This工作开发了一个新的闭环线性协方差（CL-LinCov）的框架，适用于广泛的自治系统架构。所开发的框架的重要特征包括：（1）从低级控制中分离高级制导，（2）支持具有内部状态、动态和输出的输出反馈控制器，以及（3）用于导航状态传播、制导和反馈控制的多用途连续传感器。该框架的闭环性质保留了系统动力学、外生干扰和制导、导航和控制算法之间的重要耦合。所开发的框架被应用到一个简化的模型的无人机，并通过比较，通过蒙特卡罗分析进行验证。CL-LinCov信息的效用说明了其应用程序的路径规划在一个静态的，不确定的障碍领域通过修改后的版本的快速探索随机树算法。
2021-10-05 cs.RO cs.SY eess.SY
Online Planning of Uncertain MDPs under Temporal Tasks and Safe-Return Constraints
Peking University（北京大学）；College of Engineering, Peking University（北京大学工学院）
研究了移动机器人在复杂高层任务下的在线运动规划问题。由于初始知识有限，机器人运动被建模为不确定的马尔可夫决策过程（MDP），而任务被指定为线性时序逻辑（LTL）公式。该框架使机器人能够探索和更新系统模型的贝叶斯方式，同时优化的渐近成本，满足复杂的时间任务。为综合外出策略和安全策略提供了理论保证。更重要的是，而不是贪婪的探索下的经典遍历性假设，安全返回的要求是强制执行，使机器人总是可以返回到家的状态，具有很高的概率。通过数值模拟验证了整体方法的有效性。
2023-02-10 cs.RO cs.SY eess.SY
