Fast and Bounded Probabilistic Collision Detection in Dynamic Environments for High-DOF Trajectory Planning
University of North Carolina(北卡罗来纳大学)
我们提出了一种新的方法来执行高自由度的机器人和高自由度的障碍物在动态,不确定的环境中的概率碰撞检测。在高自由度机器人和移动障碍物的动态环境中,我们的方法有效地计算机器人和障碍物之间的准确碰撞概率的误差上限。此外,我们描述了一个预测算法,未来的障碍物的位置和运动,占空间和时间的不确定性。提出了一种基于概率碰撞检测的高自由度机器人在动态、不确定环境中的轨迹优化算法。我们强调运动规划性能在具有挑战性的情况下,机器人手臂在动态移动的人类障碍物的环境中操作。
2016-07-16 cs.RO
DDM: Fast Near-Optimal Multi-Robot Path Planning using Diversified-Path and Optimal Sub-Problem Solution Database Heuristics
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集中和解耦算法,DDM,解决多机器人路径规划问题的网格图,针对按需和自动化仓库一样的设置。研究了两种设置:一种是传统的,其目标是尽可能快地将一组机器人从它们各自的初始顶点移动到目标顶点,另一种是动态的,其需要频繁地重新规划以适应目标配置调整。在其他技术中,DDM主要通过利用两个创新的算法来实现:路径多样化和最优子问题解决方案数据库。这两种算法攻击基于并行的规划器的两个不同阶段:路径多样化允许更有效地利用整个工作空间进行机器人旅行,最佳子问题解决方案数据库有助于快速解决局部路径冲突。广泛的评估表明,DDM实现了高水平的可扩展性和高水平的解决方案的最优性。
2019-12-15 cs.RO
Learning-based Fast Path Planning in Complex Environments
The Chinese University of Hong Kong(香港中文大学);Baidu Research(百度研究院);Tencent Robotics X(腾讯机器人X实验室);Soochow University(苏州大学);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)
本文提出了一种新的路径规划算法,以实现在复杂环境中的快速路径规划。现有的大多数路径规划算法都难以在复杂环境中快速找到可行路径甚至失效。然而,我们提出的框架可以通过使用基于学习的预测模块和基于采样的路径规划模块来克服这个困难。预测模块利用自动编码器-解码器类卷积神经网络(CNN)来输出可行路径可能所在的有希望区域。在这个过程中,环境被视为RGB图像输入我们设计的CNN模块,输出也是RGB图像。不需要额外的计算,因此我们可以保持每秒60帧(FPS)的高处理速度。结合基于采样的路径规划器,我们可以从输出图像中提取可行路径,以便机器人可以从开始到目标跟踪它。为了证明所提出的算法的优势,我们比较了它与传统的路径规划算法在一系列的仿真实验。结果表明,该算法可以实现更好的性能,规划时间,成功率和路径长度。
2021-10-19 cs.RO
Fast Coordinated Bimanual Motion Planning With Hard Constraints
University of Zagreb(萨格勒布大学);Faculty of Electrical Engineering and Computing(电气工程与计算机学院)
针对双臂操作的相对变换硬约束问题,提出主从参数化的快速规划流水线,仿真中规划速度提升19.4倍,实际实验验证轨迹可直接迁移至硬件。
2026-08-24 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
Learning-Based Proxy Collision Detection for Robot Motion Planning Applications
Department of Electrical and Computer Engineering, University of California San Diego(加利福尼亚大学圣地亚哥分校电气与计算机工程系);University of California San Diego(加利福尼亚大学圣地亚哥分校);Electrical and Computer Engineering, University of California San Diego(加利福尼亚大学圣地亚哥分校电气与计算机工程)
本文表明,碰撞检测密集型应用程序,如机器人运动规划,可以通过执行碰撞检查与机器学习模型加速。我们提出了Fastron,一个基于学习的算法来模拟机器人的配置空间,作为一个代理碰撞检测器的地方标准的几何碰撞检查。我们证明,利用代理碰撞检测器的结果在机器人仿真和规划的性能比最先进的碰撞检测库的数量级更快。我们的研究结果表明,Fastron学习模型的速度比竞争对手的C空间建模方法快100倍以上,同时还提供了学习收敛的理论保证。使用OMPL运动规划库,我们能够在不同的机器人和环境复杂性的所有实验中生成初始运动计划。使用Fastron,我们可以以56 Hz的速率从头开始重复执行规划,显示其在与人类控制的操纵器共享环境中的自主手术辅助任务中的应用。尽管仅使用基于CPU的计算,但仍然实现了所有性能增益,这表明可以并行化张量代数的GPU方法可以进一步提高计算增益。代码可在线获取。
2019-02-21 cs.RO
Fast Footstep Planning on Uneven Terrain Using Deep Sequential Models
University of Pennsylvania(宾夕法尼亚大学)
实现足式机器人潜力的基本挑战之一是生成穿越具有挑战性地形的计划。必须仔细选择控制动作,使机器人不会崩溃或滑动。关节空间的高维性使得直接从板载感知规划低级动作变得困难,并且在规划中不考虑机器人的低级机制的控制栈不适合处理细粒度障碍物。处理此问题的一种方法是根据地形特征选择足迹位置。然而,将机器人动力学的脚步规划需要大量的计算,远远超过在准静态的情况下。在这项工作中,我们提出了一个基于LSTM的规划框架,该框架使用地形前瞻和机器人的动力学来学习可能的脚步位置的概率分布,并利用LSTM的顺序性质在线性时间内找到脚步。我们的框架也可以作为一个模块,以加快基于采样的规划。我们验证了我们的方法在一个模拟的单腿料斗在各种不平坦的地形。
2022-05-22 cs.RO
Efficient high-quality motion planning by fast all-pairs r-nearest-neighbors
Blavatnik School of Computer Science, Tel-Aviv University(特拉维夫大学布拉瓦尼克计算机科学学院);Tel Aviv University(特拉维夫大学)
基于采样的运动规划算法在构造路线图时通常依赖于最近邻(NN)查询。最近的研究结果表明,在各种设置NN查询可能是这种算法的计算瓶颈。此外,在一些渐近最优算法中,这些NN查询具有特定的形式:给定一组点和半径r,报告距离最多为r的所有点对。这就需要一个应用程序特定的NN数据结构,以有效地回答这种类型的查询。随机变换网格(RTG)最近由Aiger等人提出,作为回答这种查询的工具,并已被证明在这种情况下优于NN数据结构的常见实现。在这项工作中,我们采用RTG采样为基础的运动规划算法,并描述了一个有效的实现方法。我们表明,运动规划,RTG允许更快的收敛到高质量的解决方案相比,现有的NN数据结构。此外,RTG可以显著缩短批量PRM变体的构建时间;具体来说,我们在某些场景中展示了2到3倍的加速。
2014-09-29 cs.RO
Faster Motion Planning via Restarts
Department of Computer Science(计算机科学系;伊利诺伊大学);University of Illinois
针对随机运动规划算法运行时间不稳定的问题,提出基于随机重启的加速方法,显著提升速度、缩短路径并增强多线程收益,且证明最优性。
2025-08-04 cs.RO
Fast Marching Tree: a Fast Marching Sampling-Based Method for Optimal Motion Planning in Many Dimensions
Stanford University(斯坦福大学)
在本文中,我们提出了一种新的概率采样为基础的运动规划算法称为快速行军树算法(FMT*)。该算法是专门针对解决复杂的运动规划问题,在高维配置空间。该算法被证明是渐近最优的,收敛到最优解的速度比其国家的最先进的同行,主要是PRM* 和RRT*。FMT* 算法对预定数量的概率抽取样本执行“惰性”动态规划递归,以生成路径树,该路径树在到达成本空间中稳定地向外移动。与以前基于几乎必然收敛概念的分析方法不同,FMT* 算法在概率收敛概念下进行了分析:这种方法的额外数学灵活性允许收敛速度界限--这是基于最佳采样的运动规划领域的第一个。具体地说,对于一定的调谐参数和配置空间的选择,我们得到了一个收敛速度界的顺序$O(n^{-1/d+ρ})$,其中$n$是采样点的数量,$d$是配置空间的维数,和$ρ$是一个任意小的常数。我们继续证明渐近最优性的一些变化FMT*,即当配置空间是非均匀采样时,当成本不是弧长,当连接的基础上最近的邻居,而不是一个固定的连接半径的数量。一系列维度和障碍物配置的数值实验证实了我们的理论和启发式论点,表明对于给定的执行时间,FMT* 返回的解决方案比PRM* 或RRT* 好得多,特别是在高维配置空间和场景中碰撞检查成本高昂。
2015-02-06 cs.RO
FIESTA: Fast Incremental Euclidean Distance Fields for Online Motion Planning of Aerial Robots
Hong Kong University of Science and Technology(香港科技大学)
欧几里德符号距离场(ESDF)能方便地查询障碍物的距离和梯度信息,对空中机器人的在线运动规划有重要的应用价值。快速增量式建立ESDF地图是进行实时运动规划的瓶颈。在本文中,我们研究这个问题,并提出了一个映射系统FIESTA逐步建立全球ESDF地图。通过引入两个独立的更新队列分别用于插入和删除障碍物,并使用索引数据结构和双向链表进行地图维护,该算法使用BFS框架更新尽可能少的节点。我们的ESDF地图具有很高的计算性能,并产生接近最佳的结果。理论和实验结果表明,该方法在性能和准确性方面优于其他最新方法。我们将FIESTA集成到一个完整的四旋翼系统,并通过仿真和机载实验进行验证。我们将我们的方法作为开源软件发布给社区。
2019-07-26 cs.RO
Fast-dRRT*: Efficient Multi-Robot Motion Planning for Automated Industrial Manufacturing
Realtime Robotics Inc.(实时机器人公司);KTH Stockholm(瑞典皇家理工学院);TU Berlin(柏林工业大学)
Fast-dRRT* 通过预计算扫掠体、死锁避免和简化重连策略扩展 dRRT*,在工业多机器人场景中显著提升实时求解成功率并降低计算时间。
2023-09-19 cs.RO
Fast Motion Planning for High-DOF Robot Systems Using Hierarchical System Identification
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)
我们提出了一个有效的算法运动规划和控制的机器人系统具有高的自由度。这些包括高自由度软体机器人或与可变形环境交互的关节式机器人。我们的方法考虑到动力学约束,并提出了一种新的技术,使用数据驱动的方法来加速前向动力学计算。我们预先计算机器人系统的前向动力学函数的分层自适应网格。此外,我们利用欠驱动机器人系统的属性,并执行这些计算的几个自由度。我们提供我们的近似正向动力学计算的误差范围,并使用我们的方法为基础的优化运动规划和基于学习的反馈控制。我们的配方是用于运动规划的两个高自由度机器人系统:一个高自由度线驱动的弹性机器人手臂和水下游泳机器人在水中操作。与基于精确动态函数计算的现有技术相比,我们观察到性能上的一到两个数量级的改进。
2018-10-05 cs.RO
MINER-RRT*: A Hierarchical and Fast Trajectory Planning Framework in 3D Cluttered Environments
Southern University of Science and Technology(南方科技大学);Hong Kong University of Science and Technology(香港科技大学);Shandong University(山东大学)
本文提出MINER-RRT*分层轨迹规划框架,通过神经网络加速采样路径规划并结合微分平坦最优条件构建多项式轨迹,在三维杂乱环境中以更少时间和内存生成高质量四旋翼飞行轨迹。
2024-06-14 cs.RO
BITKOMO: Combining Sampling and Optimization for Fast Convergence in Optimal Motion Planning
TU Berlin(柏林工业大学);BITS Pilani(比尔拉科学技术学院皮拉尼分校);KTH Royal Institute of Technology(KTH皇家理工学院)
基于最优采样的运动规划和轨迹优化是生成最优运动规划的两个相互竞争的框架。这两个框架具有互补的特性:基于采样的规划器通常收敛缓慢,但提供了最优性保证。然而,轨迹优化器通常收敛速度很快,但在非凸问题(例如,有障碍物的情况)中不能提供全局最优性保证。为了实现两全其美,我们引入了一个新的计划,BITKOMO,它集成了渐近最优批通知树(BIT*)计划与K阶马尔可夫优化(KOMO)轨迹优化框架。我们的规划器是随时随地,并保持由BIT* 提供的相同的渐近最优性保证,同时还利用了KOMO轨迹优化器的快速收敛。我们的实验评估我们的计划,涉及高维配置空间的操作方案,多达两个7自由度的机械手,障碍物和狭窄的通道。即使KOMO失败,BITKOMO也比KOMO更成功,并且在收敛到最优解方面优于BIT*。
2022-09-16 cs.RO
FDSPC: Fast and Direct Smooth Path Planning via Continuous Curvature Integration
State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology(智能制造装备与技术国家重点实验室,机械科学与工程学院,华中科技大学)
本文提出FDSPC方法,通过连续曲率积分直接生成恒定速度的全局平滑路径,避免传统路径规划后的平滑后处理,并在求解时间、路径长度、内存占用和自定义平滑性指标上显著优于现有SOTA方法。
2025-08-16 cs.RO
Fast Expanding Safe Circular Regions for Efficient Local Path Planning
Robotics and Artificial Intelligence Team(机器人与人工智能团队);Luleå University of Technology(卢勒奥理工大学)
本文提出一种几何算法,通过局部LiDAR扫描生成扩展的圆形区域,实现更快的计算和更长的规划时间,用于局部导航。
2026-05-15 cs.RO
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology(麻省理工学院)
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证,而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中,我们提出了概率Chekov(p-Chekov),一个快速反应的运动规划系统,可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性,而无需凸化障碍物。本文提供的全面的理论和实证分析表明,p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
FC-Planner: A Skeleton-guided Planning Framework for Fast Aerial Coverage of Complex 3D Scenes
The Hong Kong University of Science and Technology(香港科技大学);Sun Yat-Sen University(中山大学)
本文提出 FC-Planner 骨架引导框架,利用 SSD、骨架视点生成与分层并行规划,实现复杂三维场景无需预处理的快速、完整且短路径无人机覆盖。
2024-09-10 cs.RO
Shape-Space Graphs: Fast and Collision-Free Path Planning for Soft Robots
Department of Mechanical Engineering, Stanford University(机械工程系,斯坦福大学);Institute of Applied Mechanics, Friedrich-Alexander-Universität Erlangen–Nürnberg(应用力学研究所,弗赖堡-埃尔兰根-纽伦堡大学)
本文提出了一种基于形状空间图的路径规划方法,用于软机器人在复杂环境中的快速且无碰撞导航,通过预计算形状库和多目标边成本实现高效路径生成。
2026-01-14 cs.RO
Interactive-Rate Supervisory Control for Arbitrarily-Routed Multi-Tendon Robots via Motion Planning
University of Utah(犹他大学);University of Tennessee(田纳西大学)
肌腱驱动机器人,其中一个或多个肌腱在张力下弯曲并操纵柔性脊柱,可以改善涉及人体难以到达区域的微创手术。在受约束的解剖环境中安全地规划运动需要形状估计和碰撞检查的准确性和效率。肌腱机器人采用任意路线的肌腱可以实现复杂而有趣的形状,使它们能够到达难以到达的解剖区域。非线性路径肌腱驱动机器人具有非直观的非线性运动学。因此,我们设想临床医生利用辅助交互速率运动规划器在微创外科手术过程中自动生成无碰撞轨迹到临床医生指定的目的地。标准的运动规划技术不能实现交互率运动规划与目前昂贵的肌腱机器人运动学模型。在这项工作中,我们提出了一个3阶段的运动规划系统的任意路由肌腱驱动的机器人与预计算阶段,负载阶段,和监督控制阶段。我们的系统通过开发快速运动学模型(比当前模型快1,000倍以上),快速体素碰撞方法(比标准方法快27.6倍)以及利用具有预体素化顶点和边缘的整个机器人工作空间的预计算路线图来实现交互速率。在模拟实验中,我们表明,我们的运动规划方法实现了高尖端位置的准确性,并产生计划,平均在14.8 Hz的分段塌陷肺胸膜空间解剖环境。我们的结果表明,我们的方法是17,700倍的速度比流行的现成的运动规划算法与标准FK和碰撞检测方法。我们的开源代码可在线获取。
2022-11-29 cs.RO
Asymptotically near-optimal RRT for fast, high-quality, motion planning
Tel-Aviv University(特拉维夫大学)
我们提出了下界树RRT(LBT-RRT),一个基于单查询采样的算法,是渐近接近最优的。即,从LBT-RRT提取的解收敛到最优解的近似因子1+ 1/4内的解。我们的算法允许快速RRT算法和渐近最优RRT* 和RRG算法之间的连续插值。当近似因子为1时(即,不允许近似),LBT-RRT的行为类似于RRG。当近似因子无界时,LBT-RRT的行为与RRT相似。在这两者之间,LBT-RRT被证明产生的路径具有比RRT更高的质量,并且比RRT* 运行得更快。这是通过维护一个树来完成的,树是RRG路线图的子图,第二个是辅助图,我们称之为下界图。这两个路线图的组合比RRT* 维护的路线图更快,有效地保证了渐近接近最优。我们建议使用LBT-RRT进行高质量的随时运动规划。我们证明了从3到12自由度的情况下,该算法的性能,并表明,即使对于小的近似因子,该算法产生高质量的解决方案(相当于RRG和RRT*)与运行时间开销很少RRT相比。
2015-03-04 cs.RO
GOMP-FIT: Grasp-Optimized Motion Planning for Fast Inertial Transport
University of California, Berkeley(加州大学伯克利分校)
拾取和放置操作中的高速运动对于使机器人在许多自动化场景中具有成本效益至关重要,从仓库和制造到医院和家庭。然而,运动可能太快-例如当被运输的对象具有开放的顶部,是脆弱的,或两者兼而有之。避免溢出或损坏的一种方法是缓慢移动手臂。我们提出一个替代方案:抓取优化的运动规划快速惯性运输(GOMP-FIT),一个时间优化的运动规划的基础上,我们以前的工作,其中包括基于加速度的约束在机器人末端执行器。通过GOMP-FIT,机器人可以执行高速运动,避开障碍物并利用惯性力发挥其优势。在运输具有不同倾斜公差的开顶容器的实验中,GOMP计算在运输期间溢出高达90%的内容物的亚秒运动,GOMP-FIT生成溢出0%的内容物的运动,同时当障碍物很少时减慢0%,当障碍物高且45度公差时减慢30%,当有15度的公差和很少的障碍物时,视频及更多内容请访问:https://berkeleyautomation.github.io/gomp-fit/。
2022-03-16 cs.RO
Fast-Revisit Coverage Path Planning for Autonomous Mobile Patrol Robots Using Long-Range Sensor Information
Human-Centered Robotics Lab(以人为本机器人实验室);Ostfalia University of Applied Sciences(奥斯特法利亚应用科学大学)
针对工业场地UGV巡逻的覆盖与快速重访需求,提出FaRe-CPP算法,通过贪婪启发式航点生成和随机搜索路径优化,在Gazebo与TurtleBot3仿真中较现有算法分别将路径长度和重访时间降低至少21%和33%。
2025-07-25 cs.RO
Adaptively Informed Trees (AIT*): Fast Asymptotically Optimal Path Planning through Adaptive Heuristics
基于知情采样的规划算法利用问题知识以获得更好的搜索性能。这些知识通常表示为解决方案成本的启发式估计,并用于排序搜索。这种知情搜索的实际改进取决于启发式的准确性。选择一个合适的启发式是困难的。适用于整个问题域的启发式方法通常定义简单,评估成本低,但对于特定的问题实例可能没有好处。特定于问题实例的启发式通常很难定义或评估成本很高,但会使搜索本身变得微不足道。本文提出了自适应信息树(AIT*),一个几乎必然渐近最优的基于抽样的规划器的基础上BIT*。AIT* 通过使用非对称双向搜索来同时估计和利用特定于问题的启发式,从而使其搜索适应每个问题实例。这使得它能够快速找到初始解并收敛到最优解。AIT* 与RRT-Connect一样快速地解决了测试问题,同时也向最佳方向收敛。
2020-03-05 cs.RO
Fast Online Planning for Bipedal Locomotion via Centroidal Model Predictive Gait Synthesis
Beijing Research Institute of UBTECH Robotics(优必选机器人北京研究院);Tsinghua University(清华大学)
将双足步行的全身运动规划和步行时间规划问题转化为一个模型预测控制(MPC)问题,需要在线求解一系列优化问题。虽然直接解决这些问题是非常耗时的,我们提出了一个预测步态合成器提供即时的解决方案。基于全维模型,离线构建了不同速度和周期的步态库。该步态合成器基于质心动力学的在线预测,通过对步态库进行合成,生成1kHz的实时步态。我们证明了所构造的MPC问题可以确保CoM状态的一致最终有界性(UUB),并表明我们提出的步态合成器可以为MPC优化问题提供可行的解决方案。仿真和实验结果与8自由度(DoF)的双足机器人提供这种方法的性能和鲁棒性。
2021-05-21 cs.RO
Distilling Contact Planning for Fast Trajectory Optimization in Robot Air Hockey
Idiap Research Institute(Idiap研究 institute);École Polytechnique Fédérale de Lausanne(瑞士联邦理工学院);Intelligent Autonomous Systems, TU Darmstadt(智能自主系统,德累斯顿技术大学);German Research Center for AI (DFKI)(德国人工智能研究中心);Centre for Cognitive Science, Hessian.AI(认知科学中心,Hessian.AI)
针对机器人空气曲棍球高动态接触控制难实时求解的问题,提出高层接触规划随机最优控制策略蒸馏结合底层在线模型预测控制的框架,可平衡击球精度与冰球速度,在模拟和真实比赛中性能优于纯控制及纯学习方法。
2025-05-16 cs.RO
Multi-Resolution 3D Mapping with Explicit Free Space Representation for Fast and Accurate Mobile Robot Motion Planning
Smart Robotics Lab, Imperial College London(伦敦帝国理工学院智能机器人实验室);SLAMcore Ltd.(SLAMcore有限公司)
针对高质量重建与移动机器人运动规划的衔接问题,提出结合八叉树的自适应分辨率体素建图系统,采用对数几率占据概率表示显式自由空间,通过深度图多尺度池化实时选分辨率,实现了更快的碰撞查询与更优的高分辨率场景性能。
2021-01-30 cs.RO
Fast and Safe Aerial Payload Transport in Urban Areas
University of Arizona(亚利桑那大学)
本文研究了在城市地区通过单个四轴飞行器快速安全地进行空中有效载荷运输的问题。四轴飞行器有效载荷系统(QPS)被视为一个刚体,并与非线性动力学建模。城市区域被建模为一个充满障碍物的环境与障碍物的几何形状,通过将现实的激光雷达数据。我们的方法有效载荷运输分解成高层次的运动规划和低层次的轨迹控制。对于低层轨迹跟踪,应用反馈线性化控制来稳定地跟踪四轴飞行器的期望轨迹。对于高级运动规划,我们集成A* 搜索和多项式规划来定义四轴飞行器的安全轨迹,确保避免碰撞、四轴飞行器旋翼速度和跟踪误差的有界性,以及从任意初始位置快速到达目标目的地。
2022-06-21 cs.RO
FaSTrack: a Modular Framework for Real-Time Motion Planning and Guaranteed Safe Tracking
Simon Fraser University(西蒙菲莎大学);Princeton University(普林斯顿大学);University of Melbourne(墨尔本大学);California Institute of Technology(加州理工学院)
实时的【形】有保证的安全轨迹规划对于未知环境中的导航至关重要。然而,实时的【形】导航算法通常为了计算速度而牺牲鲁棒性。可替代地,可证明安全的轨迹规划对于实时的【形】重新规划而言往往是计算密集型的。我们提出了快速和安全的跟踪,一个框架,实现了实时的【形】重新规划和保证安全。在这个框架中,通过允许任何轨迹规划器使用系统的简化\textit{planning model}来实现实时的【形】计算。该计划由系统跟踪,由更真实、更高维的\textit{tracking model}表示。我们预先计算的跟踪误差界(TEB)由于两个模型之间的不匹配,由于外部干扰。我们还得到了相应的跟踪控制器用于停留在TEB。预先计算不需要环境的先验知识。我们使用Hamilton-Jacobi可达性进行预计算,并使用三种不同的跟踪规划模型对进行三种不同的实时的【形】轨迹规划。
2021-03-13 cs.RO math.OC
Fast Path Planning for Autonomous Vehicle Parking with Safety-Guarantee using Hamilton-Jacobi Reachability
State Key Laboratory of Industrial Control Technology, Institute of Cyber-Systems(工业控制技术国家重点实验室,网络系统研究所)
本文提出基于Hamilton-Jacobi的双向A*算法,通过高阶可达性分析与低阶双向A*搜索结合,解决复杂停车场景,实现快速且安全的路径规划。
2026-03-22 cs.RO
Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning
Manchester Metropolitan University(曼彻斯特城市大学)
覆盖路径规划(CPP)的目标是找到一条覆盖整个给定空间的最优路径。由于NP难的性质,CPP仍然是一个具有挑战性的问题。生物启发的算法,如蚁群优化(ACO)已被用来解决这个问题,因为他们可以利用启发式信息,以减轻路径规划的复杂性。本文提出了快速生成蚁群优化算法(FaSACO),蚂蚁可以以不同的速度探索环境。通过这种机制,具有较高速度的蚂蚁可以更快地找到目的地或障碍物,并且通过在路径上的信息素踪迹传递这些信息来保持较低速度的蚂蚁被告知。这种机制确保找到(次)最优路径,同时减少总体路径规划时间。实验结果表明,FaSACO是$19.3-32.3\%$更有效的CPU时间方面比ACO,并重新覆盖$6.9-12.5\%$更少的细胞比ACO。这使得FaSACO在实时和能源有限的应用中具有吸引力。
2022-06-20 cs.AI cs.RO
BridgeFlow: Fast and Robust SE(2)-Equivariant Motion Planning with Flow Matching
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University(上海交通大学自动化与智能感知学院)
研究针对机器人运动规划中刚体变换等变性难题,提出BridgeFlow框架,通过轻量级模块实现等变性,结合布朗桥信息先验与最优传输加速推理,并嵌入环境感知,相比基线有速度和轨迹率优势,可稳健泛化。
2026-07-17 cs.RO
Bi-AM-RRT*: A Fast and Efficient Sampling-Based Motion Planning Algorithm in Dynamic Environments
Yanshan University(燕山大学);Southern University of Science and Technology(南方科技大学)
针对动态环境中移动机器人的最优运动规划问题,提出融合辅助度量、双向采样与新重布线方法的 Bi-AM-RRT*,在路径长度和搜索时间上表现更优。
2023-04-30 cs.RO
Annotated-skeleton Biased Motion Planning for Faster Relevant Region Discovery
TAMU(得克萨斯农工大学);UWSUPER(威斯康星大学苏必利尔分校);Columbia(哥伦比亚大学);Illinois(伊利诺伊大学)
运动规划算法通常利用关于环境的拓扑信息来提高规划器性能。然而,这些方法往往只关注环境的连通性,而忽略了其他属性,如障碍清除,地形条件和资源的可访问性。我们提出了一种方法,增强骨架代表的工作空间拓扑结构与这些信息,以指导基于采样的运动规划,以快速发现最相关的区域手头的问题。我们的方法将指导和规划结合起来,使基本规划算法能够在规划过程中更早地找到所需的路径。我们证明了我们的方法在机器人问题和药物设计中的应用的有效性。我们的方法是能够产生所需的路径,而不改变底层的规划。
2020-03-04 cs.RO q-bio.BM
Experiments in Adaptive Replanning for Fast Autonomous Flight in Forests
University of Pennsylvania(宾夕法尼亚大学)
在森林等非结构化、杂乱的环境中进行快速自主飞行是一项挑战,因为它需要机器人在计算受限的平台上实时计算新的计划。在本文中,我们使这一能力与基于搜索的规划框架,适应采样密度实时找到动态可行的计划,同时保持计算易处理。基于搜索的规划中的一个最大挑战是,密集的障碍既需要大型图(以保证完整性),又降低了图搜索的效率(因为搜索变得不那么准确)。为了解决这个问题,我们开发了一个规划框架,有两个部分:一个是最大限度地提高计划的完整性,对于一个给定的图形大小,第二,动态最大化图形大小的计算约束。该框架通过运动规划图来实现,所述运动规划图由单个参数离散度定义,离散度量化从图到达任意状态的最大轨迹成本。我们通过真实和模拟实验展示了分散如何实时适应不同的环境,允许在不同密度的环境中操作。仿真实验表明,改进的性能基线搜索为基础的规划算法。我们还在现实世界杂乱的松林中展示了高达2.5米/秒的飞行速度。
2022-03-02 cs.RO
GPU Accelerated Voxel Grid Generation for Fast MAV Exploration
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心)
体素网格是一种用于机器人运动规划的最小且有效的环境表示。许多最先进的规划算法使用由自由体素、被占用体素和未知体素组成的体素网格。在本文中,我们提出了一种新的GPU加速算法划分空间成一个体素网格占用,自由和未知的体素。所提出的方法是低延迟和适合于高速导航。
2022-08-16 cs.RO
Hierarchical Informative Path Planning via Graph Guidance and Trajectory Optimization
Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系);National Research Council Canada(加拿大国家研究理事会)
本文提出一种分层信息路径规划方法,结合图引导和轨迹优化,通过分段预算分配和样条细化,实现更低的后验不确定性与更快的运行速度。
2026-01-23 cs.RO
A Fast Method for Planning All Optimal Homotopic Configurations for Tethered Robots and Its Extended Applications
College of Information Engineering, Zhejiang University of Technology(浙江工业大学信息工程学院);Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology(香港科技大学电子与计算机工程系);Department of Computer Science, University of Liverpool(利物浦大学计算机科学系)
针对系绳机器人运动规划受长度和缠绕约束的挑战,提出CDT-TCS算法,通过单次计算高效求解2D环境中所有位置的最优可行构型,并扩展出路径规划、多目标访问及无系绳规划算法,仿真与实验证明其显著优于现有方法。
2025-07-16 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
Fast Kinodynamic Planning on the Constraint Manifold with Deep Neural Networks
Poznan University of Technology(波兹南理工大学);Technische Universität Darmstadt(达姆施塔特工业大学);Huawei R&D London(华为伦敦研发中心);German Research Center for AI (DFKI)(德国人工智能研究中心)
运动规划是机器人技术中一个成熟的研究领域,具有许多基于优化或采样状态空间的成熟方法,适用于求解运动学运动规划。然而,当需要在约束条件下的动态运动和计算时间是有限的,在约束流形上的快速kinodynamic规划是必不可少的。近年来,基于学习的解决方案已成为经典方法的替代方案,但它们仍然缺乏对复杂约束的全面处理,例如在考虑机器人动力学的同时在任务空间的低维流形上进行规划。本文介绍了一种新型的学习规划框架,该框架利用了约束流形的概念,包括动力学和神经规划方法。我们的方法生成满足任意约束条件的计划,并在很短的恒定时间内计算它们,即神经网络的推理时间。这使得机器人能够反应性地规划和重新规划,使我们的方法适用于动态环境。我们验证了我们的方法在两个模拟任务,并在一个苛刻的现实世界的情况下,我们使用库卡LBR Iiwa 14机器人手臂执行机器人空气曲棍球的打击运动。
2023-01-12 cs.AI cs.RO
CDT-Dijkstra: Fast Planning of Globally Optimal Paths for All Points in 2D Continuous Space
Zhejiang University of Technology(浙江工业大学);United Institute of Informatics Problems of the National Academy of Sciences of Belarus(白俄罗斯国家科学院联合信息学问题研究所)
本文提出CDT-Dijkstra算法,通过将二维连续空间路径规划问题降至一维切割线状态空间,实现从单点到所有点的全局最优路径快速计算,并在复杂任务中优于现有先进算法。
2023-08-06 cs.RO
C-Uniform Trajectory Sampling For Fast Motion Planning
本文提出C-均匀轨迹采样方法,通过控制动作实现配置空间均匀采样,用于快速运动规划,并应用于MPPI控制器,仿真显示覆盖性能提升高达40%。
2024-09-18 cs.RO
A Fast Path-Planning Method for Continuous Harvesting of Table-Top Grown Strawberries
School of Mechanical Electrical Engineering and Automation, Shanghai University(上海大学机电工程与自动化学院);Intelligent Equipment Research Center, Beijing Academy of Agriculture and Forestry Sciences(北京农林科学院智能装备研究中心)
针对桌面栽培草莓连续采收,本文提出 ILMSA 快速路径规划算法,通过局部极小值交互式节点扩展及多平面投影优化三维路径,仿真与田间试验表明其在路径长度、规划时间和节点数上均显著优于 RRT、A 与 LPS。
2025-01-09 cs.RO
PokeRRT: A Kinodynamic Planning Approach for Poking Manipulation
University of Colorado Boulder(科罗拉多大学博尔德分校)
这项工作介绍了PokeRRT,一种新的运动规划算法,证明戳作为一种有效的非易失性操作技能,使快速操作的对象,并增加机器人的可达工作空间的大小。我们的定性和定量的结果表明,在规划对象的轨迹,通过整洁和杂乱的环境推和抓戳的优势。
2022-02-09 cs.RO
Fast MILP-based Task and Motion Planning for Pick-and-Place with Hard/Soft Constraints of Collision-Free Route
Data Science Research Laboratories, NEC Corporation(日本电气股份有限公司数据科学研究实验室)
提出了一种新的基于优化的任务和运动规划(TAMP)模型,用于机器人拾取和放置(P&P),以低计算成本规划动作序列和运动轨迹。我们改进了现有的国家的最先进的TAMP模型集成的避碰,这是制定为一个混合整数线性规划(MILP)问题。为了使MILP求解器能够有效地搜索解决方案,我们引入了两种利用机器人P& P中碰撞避免功能的方法。第一种方法通过将其重新表述为连续变量来减少与交付对象碰撞避免相关的二进制变量的数量。具有额外的硬约束。这些硬约束通过有条件地将与机器人的搬运动作状态和碰撞避免相关的二进制值传播到重构的连续变量来保持一致性。第二种方法更了解分支定界方法,这是现代MILP求解器的基本算法。这种方法通过添加软约束来引导MILP求解器找到具有较浅分支的整数解,该软约束软地限制机器人围绕递送对象的路线。我们证明了所提出的方法与现代MILP求解器的有效性。
2021-09-06 cs.RO
Trajectory Planning for Autonomous Parking in Complex Environments: A Tunnel-based Optimal Control Approach
JD Inc.(京东集团);Galatasaray University(加拉塔萨雷大学);Concordia University(康考迪亚大学)
提出了一种快速准确的自主泊车轨迹规划算法。名义上,应该用一个最优控制问题来描述这种方案,但最优控制问题的维数通常很大,因为车辆在整个动态过程中需要在每一时刻避免与每一个障碍物碰撞。虽然由基于采样和搜索的规划器获得的初始猜测有助于数值优化过程,但它仍然远没有实时那么快。为了解决这个问题,我们取代了一系列的隧道内的条件的碰撞避免的约束。具体地说,我们开发了一个基于隧道的策略,使车辆被限制在隧道内移动,自然地将车辆与障碍物分开。仿真结果验证了所提出的轨迹规划方法的统一性、有效性和鲁棒性。
2019-10-11 cs.RO
pRRTC: GPU-Parallel RRT-Connect for Fast, Consistent, and Low-Cost Motion Planning
Columbia College, Columbia University(哥伦比亚大学哥伦比亚学院);Department of Computer Science, Purdue University(普渡大学计算机科学系)
提出pRRTC,一种GPU并行RRT-Connect规划器,通过并行扩展与SIMT优化碰撞检测实现全算法加速,在MotionBenchMaker上达10倍加速,并成功部署于14自由度双臂机器人。
2025-10-07 cs.RO
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego(加州大学圣地亚哥分校)
Kinodynamic运动规划(Kinodynamic Motion Planning,KMP)是在运动学和动力学约束下,寻找机器人运动的方法。到目前为止,相当多的方法解决KMP问题和那些存在的斗争,找到接近最优的解决方案,并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战,我们提出了一个可扩展的,模仿学习为基础的,模型预测运动规划网络框架,快速找到接近最优的路径解决方案,最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器,神经网络,和一个并行模型预测控制器(MPC)。生成器向给定目标输出各种通知状态,鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时,局部地连接所选择的通知状态,从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱,kinodynamically约束,欠驱动的规划问题,结果表明显着改善计算时间,路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG cs.RO
A Convex Optimization Approach to Smooth Trajectories for Motion Planning with Car-Like Robots
Stanford University(斯坦福大学)
在最近的过去,已经提出了几种基于采样的算法来计算无碰撞和动态可行的轨迹。然而,这种算法的输出是众所周知的锯齿状。在本文中,通过专注于机器人与汽车一样的动力学,我们提出了一种快速,简单的启发式算法,命名为凸弹性平滑(CES)算法,轨迹平滑和速度优化。CES算法的灵感来自于弹性带规划的早期工作,并迭代地执行形状和速度优化。该算法的主要特点是,这两个优化问题都可以通过凸规划来解决,使得CES特别快。一系列的数值实验表明,CES算法返回高质量的解决方案,在几百毫秒的事情,因此似乎适合于实时实现。
2015-10-26 cs.RO
Safe Interval Randomized Path Planning For Manipulators
FRC CSC RAS(俄罗斯科学院控制科学研究所);MIPT(莫斯科物理技术学院);AIRI(人工智能研究所)
针对高自由度机械臂在动态障碍环境下的三维路径规划难题,提出结合安全区间路径规划与RRT-Connect的SI-RRT规划器,在运行时间和解代价上均优于现有最优方法,且代码已开源。
2025-01-17 cs.RO
Fast, Anytime Motion Planning for Prehensile Manipulation in Clutter
Rutgers University(罗格斯大学)
已经开发了许多方法来规划用于拾取和放置的机器人手臂的运动,范围从局部优化到全局搜索技术,这对于稀疏放置的对象是有效的。然而,在许多现实世界的设置中,密集的杂乱仍然会对成功率、计算时间和解决方案的质量产生不利影响。目前的工作整合现有的方法工具,并提出了一个框架,实现高成功率的混乱与随时性能。该想法是首先通过忽略臂来有效地探索较低维度的末端执行器的任务空间,并且构建导航函数的离散近似,该导航函数引导末端执行器朝向可用抓握或对象放置的集合。这是在线执行的,没有场景的先验知识。然后,一个知情的采样为基础的规划器的整个手臂使用雅可比基转向,以达到有前途的末端执行器姿态给定的任务空间的指导。虽然知情,该方法也是全面的,并允许随着时间的推移,如果任务空间的指导没有导致解决方案的替代路径的探索。本文评估了所提出的方法对替代品中挑选或放置不同数量的杂波与不同的末端执行器的各种机器人机械手的任务。结果表明,该方法可靠地提供更高质量的解决方案路径更快,具有更高的成功率相对于替代品。
2019-02-11 cs.RO
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
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