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
Reasoning with Scene Graphs for Robot Planning under Partial Observability
部分可观测域中的机器人规划是困难的，因为机器人需要同时估计当前状态和规划动作。当域包括许多对象时，关于对象及其关系的推理使得机器人规划更加困难。在本文中，我们开发了一种算法，称为景物分析的机器人规划（SARP），使机器人的原因与视觉上下文信息实现长期目标的不确定性。SARP使用从不同位置捕获的图像构建场景图，这是对象及其关系的因子表示，并使用它们进行推理，以实现部分可观察性下的上下文感知机器人规划。实验已经进行了使用多个3D环境中的模拟，和一个真实的机器人收集的数据集。与标准机器人规划和景物分析方法相比，在目标搜索域中，SARP提高了任务完成的效率和准确性。补充材料可在https://tinyurl.com/sarp22上找到
2022-02-21 cs.AI cs.RO
Behavior Tree-Based Task Planning for Multiple Mobile Robots using a Data Distribution Service
Yonsei University（延世大学）；Hyundai Robotics（现代机器人公司）
在这项研究中，我们提出了多个机器人的任务规划框架，建立在一个行为树（BT）。BT与数据分发服务（DDS）通信以发送和接收数据。由于标准BT来自一个根结点与一个单一的滴答是不适合多个机器人，一种新型的BT行动和改进的节点，提出了通过DDS异步控制多个机器人。为了有效地规划机器人的任务，一个单一的任务规划单元实现了建议的任务类型。任务规划单元通过单个合并的BT同时向每个机器人分配任务。如果任何机器人在执行其指定任务时出现故障，则执行嵌入在机器人中的另一个BT;机器人进入恢复模式以克服故障。为了执行该功能，BT中对应于任务的动作被定义为变量，该变量与DDS共享，使得可以在任务规划单元和机器人之间交换任何动作。为了证明我们的框架在现实世界中的应用的可行性，三个移动机器人进行了实验协调，他们交替旅行到四个目标位置的建议通过DDS的单一任务规划单元。
2022-05-30 cs.AI cs.MA cs.NI
Towards Probabilistic Planning of Explanations for Robot Navigation
King’s College London（伦敦国王学院）
本文提出一种概率框架，将用户中心设计融入机器人路径规划，通过概率建模用户解释偏好，自动规划解释以增强透明度和适应性。
2024-10-26 cs.AI cs.RO
Task and Skill Planning: Hierarchical Robot Planning with Black-Box Skills
本文提出了一种基于通用技能的分层机器人规划框架，通过可组合交互原语整合运动规划与闭合回路控制器，实现在复杂长期任务中的高效执行。
2026-07-30 cs.AI cs.RO
Adaptive Robot Coordination: A Subproblem-based Approach for Hybrid Multi-Robot Motion Planning
Texas A&M University（德克萨斯农工大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出新型混合多机器人运动规划框架ARC，通过基于冲突的局部子问题动态调整规划空间的耦合与解耦，实现高效自适应协调，具备概率完备性，可扩展性与协调精度兼具，性能优于现有各类基线方法。
2023-12-13 cs.MA 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
Path planning for Robotic Mobile Fulfillment Systems
University of Paderborn（帕德博恩大学）；Leuphana University of Lüneburg（吕讷堡莱法纳大学）
本文提出了一个收集的路径规划算法的实时移动的多个机器人在机器人移动履行系统（RMFS）。机器人被指派将存储单元移动到工作站的拣选员，而不是要求拣选员去存储区域。路径规划算法的目标是为机器人找到路径，以满足没有冲突或死锁的请求。最先进的路径规划算法，包括WHCA*，FAR，BCP，OD&ID和CBS，经过调整以适应RMFS中的路径规划，并集成在仿真工具中，以引导机器人在存储和检索过程中从起点到目的地。在模拟研究中考虑了十种不同的布局，其中包括各种数量的机器人，楼层，吊舱，车站和存储区域的大小。性能指标的吞吐量，路径长度和搜索时间进行了监测。仿真结果表明，最好的算法的基础上，每个性能指标。
2018-11-19 cs.AI cs.RO
Human-Robot Trust Integrated Task Allocation and Symbolic Motion planning for Heterogeneous Multi-robot Systems
Clemson University（克莱姆森大学）
针对多机器人系统（MRS）并发执行任务的问题，提出了一种人机信任集成的任务分配和运动规划框架。一组并行的任务规范与MRS相结合，合成一个任务分配自动机。任务分配自动机的每一次转换都与人类对相应机器人的总信任值相关联。在这里，人与机器人的信任模型的构建与动态贝叶斯网络（DBN）考虑个人机器人的性能，安全系数，人类认知工作量和任务分配的整体评价。因此，可以基于任务分配自动机中每个机器人的当前信任值来搜索具有最大编码的人-机器人信任的任务分配路径。每个机器人在获得动作序列后，执行符号运动规划（SMP）。任务分配路径可以间歇地更新与此DBN的信任模型。通过5个机器人和3个并行子任务自动机的仿真，证明了整体策略。
2018-10-26 cs.MA cs.RO
Towards Multi-Robot Task-Motion Planning for Navigation in Belief Space
University of Genoa（热那亚大学）
自主机器人在大型知识密集型领域中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。在知识密集型领域，一方面，机器人必须在最高级别上进行推理，例如要导航到的区域或要拾取的对象及其属性;另一方面，必须在控制器执行级别上检查相应导航任务的可行性。此外，采用多个机器人提供比执行相同任务的单个机器人增强的性能能力。为此，我们提出了一个集成的多机器人任务运动规划框架导航知识密集型领域。特别是，我们认为一个分布式的多机器人设置机器人之间的相互观察。该框架旨在用于运动和感知不确定性下的运动规划，其正式名称为信念空间规划。基本的方法和它的局限性进行了讨论，为改进和未来的工作提供了建议。我们验证我们的方法在模拟的关键方面。
2020-10-01 cs.AI cs.RO
Extended Version: Multi-Robot Motion Planning with Cooperative Localization
本文针对噪声下多机器人协作定位运动规划问题，提出一种考虑机器人间相关性且保证安全与概率完备性的采样规划算法，并通过偏置技术显著提升规划效率。
2025-04-08 cs.MA cs.RO
Motion Planning Transformers: A Motion Planning Framework for Mobile Robots
University of California San Diego（加州大学圣地亚哥分校）；Purdue University（普渡大学）
快速高效的基于采样的运动规划（SMP）是许多机器人系统（例如自动驾驶汽车）的组成部分。提高这些规划器效率的一种流行技术是在规划域中限制搜索空间。现有的算法定义参数函数来约束搜索空间，但这些不扩展到非完整机器人系统。最近的基于学习的方法使用卷积和全连接网络的组合来编码规划空间。然而，这些方法仅限于固定的地图大小，这在现实世界中往往是不现实的。在本文中，我们介绍了一种基于变换的方法，运动规划Transformer，限制搜索空间通过学习辨别区域的有效路径从先验数据。该模型不仅学习限制简单的2D系统的搜索空间，但也为非完整的机器人系统。我们验证我们的方法在各种随机生成的环境中，不同的地图大小和计划轨迹的物理非完整机器人。我们还为Nav2规划栈提供了我们方法的ROS2插件。结果表明，我们的方法减少了搜索空间节点的2 - 12倍相比，传统的规划器，并具有更好的泛化能力比最近的学习为基础的规划器。
2022-11-13 cs.AI cs.RO
Path Planning with Kinematic Constraints for Robot Groups
University of Southern California（南加州大学）
多个机器人的路径规划在AI和机器人领域得到了很好的研究。对于给定的离散化环境，机器人需要找到一组指定的目标位置的无碰撞路径。机器人可以是完全匿名的，非匿名的，也可以是有组织的。虽然这个抽象的问题存在强大的解决方案，他们通过忽略运动学约束简化假设，使其难以使用实际的机器人产生的计划。在本文中，我们提出了一种解决方案，它需要考虑运动学约束，如最大速度，同时保证用户指定的最小安全距离之间的机器人。我们展示了我们的方法在模拟和真实的机器人在2D和3D环境中。
2017-04-25 cs.AI cs.RO
Multi-Robot Coordinated Planning in Confined Environments under Kinematic Constraints
Virginia Tech（弗吉尼亚理工学院）；University of Maryland（马里兰大学）
我们调查的问题，多机器人协调规划的环境中，机器人可能要在彼此接近的操作。我们寻求计算效率高的规划者，以确保安全的路径和遵守运动学约束。我们扩展了中央规划dRRT* 与我们的变体，快速dRRT（fdRRT），目的是在紧张的环境中使用，导致高度的机器人之间的耦合。经验表明，我们的算法实现了计算时间和解决方案质量之间的权衡，特别是在紧张的环境中。
2019-10-07 cs.MA 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
Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems
UC Santa Barbara（加州大学圣芭芭拉分校）；Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；Cisco Research（思科研究）
本文提出了一种混合多机器人控制框架，通过引入路标和课程训练策略，解决多机器人任务和运动规划的联合优化问题，提升了任务成功率。
2026-04-22 cs.AI cs.RO
Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行，这提供了有关单个机器人行为的更详细信息，但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具，我们展示了如何生成一系列的多机器人策略，如果单个机器人失败，则迭代地改进它们以重新分配任务，并提供概率保证机器人团队的性能（和安全操作）。我们实现我们的方法，并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
Quick Multi-Robot Motion Planning by Combining Sampling and Search
National Institute of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所（AIST））；University of Cambridge（剑桥大学）；Tokyo Institute of Technology（东京工业大学）
针对传统多机器人运动规划两阶段模式效率偏低的问题，提出同步采样-搜索规划算法SSSP，同步开展路线图构建与路径搜索，在多场景下显著优于标准方法，可支持密集场景32台地面机器人规划。
2023-05-05 cs.MA cs.RO
Experience-based Refinement of Task Planning Knowledge in Autonomous Robots
School of Computing and Engineering, University of Huddersfield（哈德斯菲尔德大学计算与工程学院）；School of Human and Health Sciences, University of Huddersfield（哈德斯菲尔德大学人类与健康科学学院）
本文提出利用机器人动作执行经验来细化任务规划领域知识，并在NAO机器人上验证，以提高任务计划成功率并随时间降低失败率。
2025-04-19 cs.AI cs.RO
Experimental Comparison of Global Motion Planning Algorithms for Wheeled Mobile Robots
University of Southern California（南加利福尼亚大学）；Robert Bosch GmbH（罗伯特·博世股份有限公司）
规划轮式移动机器人的平稳和节能运动是从自动驾驶到服务和内部物流机器人应用的中心任务。在过去的几十年里，针对此类非完整系统提出了各种各样的运动规划器、转向函数和路径改进技术。为了比较各种最先进的运动规划技术，我们为轮式移动机器人引入了一种新的开源运动规划基准，其场景类似于现实世界的应用程序（如导航仓库，在混乱的城市或停车），并提出了规划效率和路径质量的指标。我们的基准易于使用和扩展，因此允许从业者和研究人员轻松评估新的运动规划算法，场景和指标。我们使用我们的基准来突出几个常见的最先进的运动规划器的优点和缺点，并提供何时应该使用它们的建议。
2020-03-07 cs.AI cs.RO
Computational Tradeoff in Minimum Obstacle Displacement Planning for Robot Navigation
University of Genoa（热那亚大学）
本文从移动机器人运动规划的角度研究了最小障碍位移规划问题。该问题通过移动障碍物来寻找到达目标的最优路径，而移动障碍物由于与障碍物碰撞而不存在路径。然而，这个问题是计算上昂贵的，并且在可移动障碍物的数量的大小上呈指数增长。这项工作着眼于近似的解决方案，是计算密集度较低，从最佳解决方案的最佳成本的一个因素不同。
2023-02-14 cs.AI cs.RO
Decentralized Task and Path Planning for Multi-Robot Systems
Caltech（加州理工学院）
我们考虑一个多机器人系统与一个团队的协作机器人和多个任务，随着时间的推移出现。我们提出了一个完全分散的任务和路径规划（DTPP）的框架组成的任务分配模块和本地化的路径规划模块。每个任务被建模为马尔可夫决策过程（MDP）或混合观察马尔可夫决策过程（MOMDP），这取决于是否完整的状态或部分状态是可观察的。任务分配模块的目标是最大化机器人团队的预期纯回报（回报减去成本）。我们将马尔可夫模型融合到一个因子图公式中，以便使用最大和算法分散解决任务分配问题。每个机器人代理遵循最优的策略合成的马尔可夫模型，我们提出了一个本地化的前向动态规划计划，解决代理之间的冲突，避免碰撞。所提出的框架与高保真ROS模拟和实验与多个地面机器人。
2020-11-19 cs.MA cs.RO
Multi-Robot Learning-Informed Task Planning Under Uncertainty
Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系）
本文提出一种多机器人规划方法，结合学习估计不确定环境因素与基于模型的长期协调规划，以高效完成复杂任务。
2026-03-20 cs.MA cs.RO
Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning
New York University（纽约大学）；University of California Berkeley（加州大学伯克利分校）
本文提出一种分层框架，结合图注意力规划器和分布式非线性模型预测控制器，以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题，通过图神经网络方法实现可扩展的去中心化解决方案。
2026-08-05 cs.MA cs.RO
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
K-ARC: Adaptive Robot Coordination for Multi-Robot Kinodynamic Planning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Siebel School of Computing and Data Science（西贝尔计算与数据科学学院）；Texas A&M University（德克萨斯农工大学）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院）
本文提出 K-ARC 算法，通过分段交替使用优化与采样方法并继承 ARC 的按需协调机制，实现最多 32 个移动机器人的高效动力学规划，相比以往方法加速最高达一个数量级。
2025-01-02 cs.MA cs.RO
Grasp and Motion Planning for Dexterous Manipulation for the Real Robot Challenge
Toyota Technological Institute at Chicago（芝加哥丰田技术研究院）；Toyota Technological Institute（丰田技术研究院）
本报告介绍了我们在真实机器人挑战赛（https：//real-robot-challenge.com/）中的获奖作品。真正的机器人挑战赛是一个三阶段的灵巧操纵比赛，涉及使用TriFinger平台操纵各种矩形物体。我们的方法结合了运动规划与几个运动基元来操纵对象。对于阶段1和阶段2，我们还在模拟中学习了一个残差策略，该策略在控制器上应用纠正措施。我们的方法在第二阶段和第三阶段的比赛中获得了第一名。我们在比赛排行榜上被匿名称为“ardentstork”（https：//real-robot-challenge.com/leader-board）。视频和我们的代码可以在https://github.com/ripl-ttic/real-robot-challenge上找到。
2021-01-08 cs.AI cs.RO
Model-Based AI planning and Execution Systems for Robotics
Ben Gurion University of the Negev（内盖夫本-古里安大学）
本文综述了面向机器人任务级控制的基于模型的AI规划与执行系统，梳理现有系统的设计选择、解决方案及未来发展方向。
2025-05-07 cs.AI cs.RO
Search-Based Spatiotemporal and Multi-Robot Motion Planning on Graphs of Space-Time Convex Sets
Simon Fraser University（西蒙弗雷泽大学）
提出基于时空凸集图（ST-GCS）的算法框架，通过图搜索与连续轨迹优化结合，实现单/多机器人时间最优运动规划，在狭窄瞬态可行区域中显著加速。
2026-07-02 cs.AI cs.RO
Multi-robot Social-aware Cooperative Planning in Pedestrian Environments Using Multi-agent Reinforcement Learning
行人参与环境中多机器人安全、高效的协同规划具有广阔的应用前景。在部分变维观测和不完全感知条件下，提出了一种基于离策略多智能体强化学习（MARL）的多机器人社会感知高效协作规划器.我们采用基于时空图（TSG）的社会编码器，以更好地提取每个机器人和行人在其视野（FOV）的社会关系的重要性。此外，我们在多机器人RL框架中引入K步前瞻奖励设置，以避免机器人产生的侵略性，侵入性，短视和不自然的运动决策。此外，我们改进了传统的集中式评论家网络与多头全局注意力模块，更好地聚集不同机器人之间的局部观察信息，以指导个体的策略更新过程。最后，多组实验结果验证了所提出的协作运动规划器的有效性。
2022-11-29 cs.AI cs.RO
Online Concurrent Multi-Robot Coverage Path Planning
Department of Computer Science and Engineering, Indian Institute of Technology Kanpur（计算机科学与工程系，印度理工学院坎浦尔）
针对滚动时域多机器人覆盖路径规划中规划与执行交错导致的资源浪费问题，提出一种非时域集中式并发规划算法，经证明可实现完全覆盖，实验验证其相较现有方法速度最高提升1.6倍。
2025-07-28 cs.AI cs.RO
A Novel Knowledge-Based Genetic Algorithm for Robot Path Planning in Complex Environments
University of Guelph（圭尔夫大学）
提出了一种新的基于知识的遗传算法用于非结构化复杂环境中移动机器人的路径规划，该算法设计了5个针对具体问题的算子，以实现高效的机器人路径规划。建议的遗传算法将机器人路径规划的领域知识纳入其专门的运营商，其中一些还结合了局部搜索技术。提出了一种独特而简单的机器人路径表示方法，并提出了一种简单而有效的路径评价方法，该方法能准确地检测出碰撞，并能很好地反映机器人路径的质量。该算法能够找到一个接近最优的机器人路径在静态和动态的复杂环境。仿真研究表明了该算法的有效性和效率。通过比较研究，证明了专用遗传算子在解决机器人路径规划问题的遗传算法中不可替代的作用。
2022-09-03 cs.AI cs.RO cs.SY
Combinatorics of a Discrete Trajectory Space for Robot Motion Planning
DFKI（德国人工智能研究中心）
运动规划是机器人控制中的一个难题。问题的复杂性与机器人的位形空间维数直接相关。虽然在许多理论计算和实际应用中的配置空间建模为连续空间，我们提出了一个离散的机器人模型的基础上的基本硬件规格的机器人。使用格路径的方法，我们提供的运动规划的复杂性估计通过计数的数量可能的轨迹在一个离散的机器人配置空间。
2020-05-25 cs.AI cs.CC cs.DM
Integration of 3D Object Recognition and Planning for Robotic Manipulation: A Preliminary Report
Sabancı University（萨班哲大学）
我们研究不同的方法来整合对象识别和规划在桌面操作域与2012年RoboCup@Work比赛中使用的一组对象。我们的初步实验结果表明，与一些方法，感知和规划的紧密结合提高了计划的质量，以及可行的计划的计算时间。
2013-07-29 cs.AI cs.CV cs.RO
Motion Planning Diffusion: Learning and Planning of Robot Motions with Diffusion Models
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）；Centre for Cognitive Science（认知科学中心）
本文提出将扩散模型作为先验，利用其逆去噪过程直接从以任务目标为条件的后验轨迹分布中采样，以加速机器人运动规划，实验证明该方法能有效编码高维轨迹分布并具备良好的泛化能力。
2024-03-26 cs.AI cs.LG cs.RO
Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models
University of Virginia（弗吉尼亚大学）；University of California（加州大学）
本文提出SMD方法，将约束优化集成到扩散采样过程以生成无碰撞且运动学可行的轨迹，并引入全面的MRMP基准，实验证明其在复杂多机器人环境中优于经典和学习类规划器。
2025-06-30 cs.AI cs.LG cs.RO
Multi-Robot Motions in Milliseconds: Vector-Accelerated Primitives for Sampling-Based Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign（帕索尔实验室，计算与数据科学学院，伊利诺伊大学厄巴纳-香槟分校）；Department of Computer Science at Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治理工学院（ITAM）计算机科学系）
本文扩展了Vector-Accelerated Motion Planning框架，开发了多机器人MotionValidation和FindFirstConflict原语，利用SIMD并行性实现多机器人运动规划的高效验证与冲突检测，显著提升规划效率。
2026-08-07 cs.RO
Long-Horizon Multi-Robot Rearrangement Planning for Construction Assembly
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）；Bilkent University（比尔肯特大学）
针对建筑装配中大规模异构机器人团队的长时域协作问题，提出迭代分解子问题并结合优化与双向时空采样规划的多机器人重排规划系统，验证了鲁棒性、可扩展性和真实机械臂执行可行性。
2022-03-07 cs.RO
Learning Safe Unlabeled Multi-Robot Planning with Motion Constraints
University of Pennsylvania（宾夕法尼亚大学）；Nuro（Nuro公司）
在本文中，我们提出了一种学习方法的目标分配和轨迹规划的无标签机器人在2D，充满障碍的机器人。更具体地说，我们解决了无标记的多机器人运动规划问题的运动约束的多智能体强化学习问题与一些稀疏的全球奖励。与以前的作品，制定一个全新的手工制作的优化成本或轨迹生成算法不同的机器人动态模型相比，我们的框架是一个通用的方法，适用于任意机器人模型。此外，通过使用速度障碍，我们设计了一个平滑的投影，保证碰撞的自由轨迹的所有机器人相对于他们的邻居和障碍。我们的算法的有效性，通过不同的模拟证明。
2019-07-11 cs.RO
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering（先进科学与工程研究生院）；Hiroshima University（广岛大学）
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题，提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法，并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
CAST: Collision-Aware Assembly with Construction Robots using Simultaneous Trajectory Estimation and Planning
Georgia Institute of Technology（佐治亚理工学院）
本文提出CAST框架，利用单一因子图同时进行轨迹估计与规划，处理施工多机器人系统中的碰撞避免和缆绳约束，并在柱梁结构建造中验证了其有效性。
2026-09-22 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
Scalable Distributed Planning for Multi-Robot, Multi-Target Tracking
NASA Jet Propulsion Laboratory (JPL)（美国国家航空航天局喷气推进实验室）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
在多机器人多目标跟踪中，机器人协调监视在环境中移动的目标群。我们的做法规划这样的情况下，制定一个滚动时域，多机器人传感问题的互信息目标。这类问题一般都是NP难问题。然而，我们的目标是次模块化，使某些贪婪的规划，以保证常数因子次优。然而，这些贪婪的规划者要求机器人按顺序规划他们的行动，一次一个机器人，所以规划时间至少与机器人的数量成正比。对于大型团队来说，解决这些问题变得非常棘手，即使是分布式实现。我们以前的工作提出了一个分布式规划器（RSP），它减少了这个顺序步骤的数量为常数，即使是大量的机器人，通过允许机器人并行计划，而忽略一些其他的决定。虽然该分析是不适用于目标跟踪，我们证明了类似的保证，RSP规划方法的性能保证完全顺序的规划者，采用一种新的约束，利用目标运动的独立性，量化机器人的观察和行动之间的有效冗余。此外，我们提出的分析，明确占实际实施的功能，包括近似的目标和随时规划。仿真结果-可通过开放源代码发布-与测距传感器的目标跟踪表明，我们的规划者一贯的做法的性能顺序规划（在位置不确定性方面），只有2- 8规划步骤和多达96个机器人的顺序步骤的数量减少了24倍的规划。因此，这项工作使得规划多机器人目标跟踪易于处理，在更大的规模比以前，为实际的规划者和一般的跟踪问题。
2021-07-18 cs.RO cs.SY eess.SY
Multi-Robot Task Planning under Individual and Collaborative Temporal Logic Specifications
Zhejiang University（浙江大学）
本文研究了多机器人任务协调问题，其中每个机器人都有一个私有的时态逻辑任务规范，同时还必须共同满足一个全局给定的协作时态逻辑任务规范。为了有效地生成可行的和优化的任务执行计划的机器人，我们提出了一个分层的多机器人的时间任务规划框架，在该框架中，一个中央服务器分配的协作任务的机器人，然后单独的机器人可以独立地合成他们的任务执行计划在一个分散的方式。此外，我们提出了一个执行计划调整机制，允许机器人迭代修改他们的执行计划，通过隐私保护的智能体通信，以提高预期的实际执行性能，减少等待时间的机器人合作。分析了该方法的正确性和有效性，并通过大量的仿真实验进行了验证。
2021-08-27 cs.RO
SMART-LLM: Smart Multi-Agent Robot Task Planning using Large Language Models
Purdue University（普渡大学）
本文提出SMART-LLM框架，利用LLMs在少样本提示下通过任务分解、联盟形成和分配，将高层指令转化为多机器人任务计划，并构建基准数据集验证了其在仿真与真实场景中的有效性。
2024-03-23 cs.RO
Fully Distributed Informative Planning for Environmental Learning with Multi-Robot Systems
Seoul National University（首尔大学）；Samsung Electronics（三星电子）
提出了一种完全分布式的协同环境学习算法。多机器人系统比单个机器人更有效地进行探索任务，但它涉及以下挑战：1）使用多个机器人在线分布式学习环境地图; 2）基于学习的地图生成安全有效的探索路径;以及3）相对于机器人数量的可扩展性的保持。为此，我们将整个过程分为环境学习和路径规划两个阶段。分布式算法应用于每个阶段，并通过相邻机器人之间的通信组合。环境学习算法使用分布式高斯过程，路径规划算法使用分布式蒙特卡罗树搜索。因此，我们建立了一个可扩展的系统，而没有机器人数量的限制。仿真结果证明了该系统的性能和可扩展性。此外，一个真实世界的基于网络的模拟验证了我们的算法在一个更现实的情况下的效用。
2021-12-29 cs.RO cs.SY eess.SY
Mobile Robot Path Planning in Dynamic Environments through Globally Guided Reinforcement Learning
The Chinese University of Hong Kong（香港中文大学）；University of Cambridge（剑桥大学）
大动态环境中移动机器人的路径规划是一个具有挑战性的问题，因为机器人需要有效地达到其给定的目标，同时避免与其他机器人或动态对象的潜在冲突。在存在动态障碍物的情况下，传统的解决方案通常采用重新规划策略，每当机器人遇到冲突时，重新调用规划算法来搜索替代路径。然而，这种重新规划的策略往往会造成不必要的弯路。为了解决这个问题，我们提出了一种基于学习的技术，利用环境时空信息。与现有的基于学习的方法不同，我们引入了一种全局引导的强化学习方法（G2RL），该方法采用了一种新的奖励结构，可以推广到任意环境。我们应用G2RL解决多机器人路径规划问题，在一个完全分布式的反应方式。我们评估我们的方法在不同的地图类型，障碍物密度和机器人的数量。实验结果表明，G2RL的泛化能力很好，优于现有的分布式方法，并且与完全集中式的最先进的基准测试非常相似。
2020-09-11 cs.AI cs.LG cs.MA
JEDAI: A System for Skill-Aligned Explainable Robot Planning
Arizona State University（亚利桑那州立大学）
本文介绍了JEDAI，这是一个针对非AI专家的推广和教育工作而设计的AI系统。JEDAI的特点是从综合任务和运动规划以及可解释的人工智能的研究思想的新颖合成。JEDAI帮助用户创建高级、直观的计划，同时确保这些计划可由机器人执行。它还为用户提供有关错误的自定义解释，并帮助他们提高对AI规划以及底层机器人系统的限制和功能的理解。
2022-03-11 cs.AI cs.RO
Communication-aware planning for robot teams deployment
针对受障碍物、有限通信范围及基站通信需求约束的机器人群部署问题，提出含分布式路径规划器、部署规划器和聚类算法的方法，实现通信感知的部署规划与任务分配。
2025-03-24 cs.MA cs.RO
Cyber-Physical Testbed for Human-Robot Collaborative Task Planning and Execution
Rochester Institute of Technology（罗切斯特理工学院）
在本文中，我们提出了一个网络物理的测试平台，使人类机器人团队在一个共享的工作空间中执行一个共享的任务。该实验台适合于桌面操作任务的实现，这是一种常见的人机协作场景。该测试平台集成了物理和虚拟世界中存在的元素。在这项工作中，我们报告了我们在理解和实施人类-机器人团队的任务规划和执行方面的探索过程中收集的见解。
2019-05-30 cs.MA cs.RO
Deep Reinforcement Learning for Motion Planning of Mobile Robots
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所 IIS）；Friedrich-Alexander-University Erlangen-Nuremberg (FAU)（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学（FAU））
本文提出了一种新的运动和轨迹规划算法的非完整移动机器人，使用深度强化学习的最新进展。从随机初始状态开始，即，位置，速度和方向，机器人达到任意的目标状态，同时考虑运动学和动力学约束。我们的深度强化学习代理不仅处理连续的状态空间，还执行连续的动作，即，车轮的加速度和转向角的自适应。我们评估我们的运动和轨迹规划的移动机器人在仿真环境中的差分驱动。
2019-12-19 cs.AI cs.RO
Counterexample Guided Inductive Optimization Applied to Mobile Robots Path Planning (Extended Version)
Federal Institute of Amazonas（亚马逊联邦学院）；Federal University of Amazonas（亚马逊联邦大学）；University of Oxford（牛津大学）
我们描述和评估一种新的基于反例引导归纳优化（CEGIO）技术的移动机器人离线路径规划算法。CEGIO迭代地采用从布尔可满足性（SAT）和可满足性模理论（SMT）求解器生成的反例，以指导优化过程并确保全局优化。本文是CEGIO在移动机器人路径规划中的首次应用，特别是CEGIO已经成功地应用于使用现成的SAT和SMT求解器获得自主移动机器人的最优二维路径。
2017-08-14 cs.AI cs.RO
Using Deep Learning to Bootstrap Abstractions for Hierarchical Robot Planning
Arizona State University（亚利桑那州立大学）
本文讨论了学习抽象的问题，提高机器人规划性能，同时提供强有力的可靠性保证。尽管最先进的分层机器人规划算法允许机器人有效地计算用于实现用户期望的任务的长期运动计划，但是这些方法通常依赖于需要由专家手工设计的环境依赖的状态和动作抽象。我们提出了一种新的方法，引导整个层次规划过程。这使我们能够使用深度神经网络预测的关键区域自动计算新环境的抽象状态和动作，该深度神经网络具有自动生成的机器人特定架构。我们表明，学习的抽象可以使用一种新的多源双向分层机器人规划算法，是健全的和概率完整的。使用完整和非完整机器人对20种不同设置进行的广泛的经验评估表明：（a）我们学习的抽象提供了有效的多源层次规划所需的信息;以及（b）这种学习、抽象和规划的方法在训练过程中没有看到的测试环境的规划时间方面比最先进的基线高出近10倍。
2022-04-24 cs.AI cs.LG cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 cs.RO
