Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute, The Chinese University of Hong Kong(香港中文大学深圳研究院)
运动规划是机器人完成不同任务所必需的。快速探索随机树(RRT)及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而,它们在许多复杂环境中表现不佳,因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中,我们提出了一种新的机器人运动规划算法,利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明,我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
IVG-UAV: An Intelligent Voice-Guided UAV System for Autonomous Ripe Fruit Harvesting with Vision-Based Classification and Adaptive Path Planning
SUNY Binghamton University(纽约州立大学宾汉姆顿分校)
针对热带大型农场水果采摘依赖人工、成本高的问题,提出IVG-UAV系统,集成语音识别、视觉成熟度分类与自适应路径规划,并在Gazebo中仿真验证,实现自主采摘。
2026-10-08 cs.RO
E$ \mathbf{^3} $MoP: Efficient Motion Planning Based on Heuristic-Guided Motion Primitives Pruning and Path Optimization With Sparse-Banded Structure
Nankai University(南开大学);Zhejiang Lab(之江实验室)
针对复杂环境下的自主导航问题,提出了一种有效的运动规划方法。针对大规模、部分未知的复杂环境,设计了一种三层运动规划框架,包括全局路径规划、局部路径优化和时间最优速度规划。与现有的方法相比,这项工作的新颖性是双重的:1)提出了一种新的运动基元修剪策略,并将其完全集成到基于状态格的全局路径规划器中,以进一步提高图搜索的计算效率; 2)提出了一种新的软约束局部路径优化方法,其中,充分利用底层优化问题的稀疏带状系统结构来有效地解决该问题。我们验证了我们的方法在各种复杂的模拟场景和具有挑战性的现实任务中的安全性,平滑性,灵活性和效率。结果表明,与基于五次Bézier曲线的状态空间采样方法相比,全局规划阶段的计算效率提高了66.21%,机器人的运动效率提高了22.87%.我们将所提出的运动规划框架命名为E $ \mathrm{^3} $ MoP,其中数字3不仅意味着我们的方法是一个三层框架,而且还意味着所提出的方法在三个阶段是有效的。
2021-11-16 cs.RO
Neural-Guided RuntimePrediction of Planners for Improved Motion and Task Planning with Graph Neural Networks
Sanctuary Cognitive Systems Corp.(圣所认知系统公司);Simon Fraser University(西蒙弗雷泽大学)
过去的十年已经充分证明了通过学习复杂的输入/输出关系可以实现的卓越功能。从数学上讲,最重要和最不透明的关系之一是问题的结构和有效的解决方法之间的关系。在这里,我们定量连接的规划问题的结构的性能给定的采样为基础的运动规划(SBMP)算法。我们证明,运动规划问题的几何关系可以很好地捕捉图神经网络(GNNs)预测SBMP运行时间。通过使用一个算法组合,我们表明,GNN预测的运行时间对特定的问题,可以利用加速在线运动规划在导航和操纵任务。此外,问题到运行时的映射可以被反转,以识别更容易由特定SBMP解决的子问题。我们提供了一个激励的例子,如何使用这些知识来提高综合任务和运动规划模拟的例子。这些成功依赖于GNN的关系结构来捕获从低维导航任务到3D环境中的高自由度操作任务的可扩展泛化。
2022-07-29 cs.RO
dRVG: Quadtree-Guided, Resolution-Complete Online Motion Planning for Polygonal Robots in Unknown Environments
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
提出动态旋转堆叠可见性图(dRVG),利用四叉树调度感知并融合局部路标图,实现未知环境中多边形机器人的分辨率完备在线运动规划,实验证明其高效性。
2026-09-28 cs.RO
Unified Generation-Refinement Planning: Bridging Guided Flow Matching and Sampling-Based MPC for Social Navigation
University of Washington(华盛顿大学);NVIDIA(英伟达)
本文提出一种结合奖励引导条件流匹配与模型预测路径积分的统一生成-细化框架,以提升社交导航中安全、任务性能和计算时间的平衡。
2026-03-22 cs.RO
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
Topology-Guided ORCA: Smooth Multi-Agent Motion Planning in Constrained Environments
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出拓扑引导的ORCA,通过构建环境拓扑图并利用航点引导,解决ORCA在静态障碍物环境中易卡住的问题,实现更平滑自然的多智能体运动规划。
2024-08-20 cs.RO
Trajectory Planning without Trajectory Data: A Manifold-Guided Approach
Carnegie Mellon University(卡内基梅隆大学);National University of Singapore(新加坡国立大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);Harvard University(哈佛大学)
提出流形引导的轨迹规划方法,仅用状态观测学习状态空间流形并利用其几何构造轨迹,实现对未见约束的泛化,在基准上表现优异且无需轨迹数据。
2026-10-08 cs.RO
CoMoCAVs: Cohesive Decision-Guided Motion Planning for Connected and Autonomous Vehicles with Multi-Policy Reinforcement Learning
RWTH Aachen University(亚琛工业大学)
本文提出凝聚式决策引导运动规划框架 CDGMP,通过专家混合架构与多策略强化学习将车道选择决策和运动规划紧密集成,以模块化子网络提升网联自动驾驶汽车在复杂交通场景中的适应性、安全性与鲁棒性。
2025-07-20 cs.RO
VIP-Loco: A Visually Guided Infinite Horizon Planning Framework for Legged Locomotion
VIP-Loco结合视觉感知与强化学习,实现腿部机器人在复杂动态环境中的鲁棒运动规划,通过内部模型将本体状态与深度图像映射为紧凑的运动动力学特征,结合无限 horizon MPC提升适应性与结构化规划能力。
2026-03-15 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
SG-AMP: Scene-Graph-Guided Active Perception and Semantics-Aware Motion Planning for Pepper Plants
University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);Center for Robotics(机器人中心)
该研究提出SG-AMP算法,集成多模块技术实现辣椒植株的主动感知与运动规划,在辣椒数据集上取得了语义mIoU等指标的良好表现,且输入条件不确定性优化了NYUv2相关指标。
2026-09-02 cs.RO
Manifold-Guided Motion Planning for Tight Assemblies
Blavatnik School of Computer Science and Artificial Intelligence, Tel-Aviv University(特拉维夫大学布拉瓦尼克计算机科学与人工智能学院)
针对刚体装配运动规划因几何约束面临的挑战,提出临界流形引导的CMG-RRT规划器。它利用配置空间分层细分,将采样偏向临界流形邻域引导探索,经证明概率完备,在基准测试中成功率达100%,还解决了麋鹿拆解谜题。
2026-07-21 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
Imagine-TAMP: Imagination-Guided Task and Motion Planning in Partial Observability
Nanyang Technological University(南洋理工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
Imagine-TAMP利用语义和几何想象在部分可观测性下评估任务策略,改善观测与操作决策,提升成功率并减少规划时间。
2026-09-18 cs.RO
Globally Guided Trajectory Planning in Dynamic Environments
TU Delft(代尔夫特理工大学)
在与人类共享的环境中导航移动机器人具有挑战性。从机器人的角度来看,人类是必须避免的动态障碍。这些障碍物使无碰撞空间非凸,这导致每个障碍物有两种不同的通过行为(向左或向右通过)。对于局部规划器,例如滚动时域轨迹优化,每种行为都代表了规划器可能陷入的局部最优。这可能导致缓慢或不安全的动作,即使存在更好的计划。在这项工作中,我们确定多个局部最优驾驶行为的轨迹,通过考虑他们的拓扑结构。通过传播拓扑信息,使这种识别在连续迭代中保持一致。最合适的高级轨迹引导基于局部优化的规划器,从而产生快速安全的运动规划。我们验证了移动机器人在仿真和现实世界的实验所提出的规划。
2023-03-14 cs.RO
Language-Guided Generation for Personalized Inspection Planning
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente(代尔夫特理工大学电子工程、数学和计算机科学学院);Department of Electrical Engineering, Wright State University(电气工程系,怀特州立大学)
该研究提出一种无训练的VLM引导方法,针对已知场景高效生成符合文本指令的巡检轨迹,可应用于多领域,经多环境验证效果良好。
2026-08-18 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
Learning to Sample: Reinforcement Learning-Guided Sampling for Autonomous Vehicle Motion Planning
本文提出一种结合强化学习的采样方法,用于提升自动驾驶车辆在复杂城市环境中的运动规划效率与可靠性。
2026-03-23 cs.RO
Coordinate Invariant User-Guided Constrained Path Planning with Reactive Rapidly Expanding Plane-Oriented Escaping Trees
Munich Institute of Robotics & Machine Intelligence(慕尼黑机器人与机器智能研究所);Technische Universität München(慕尼黑工业大学)
随着协作机器人越来越接近人类环境,运动生成和反应规划策略,允许以最小的易于实施的指导来执行复杂的任务,同时应对环境的变化是至关重要的。在本文中,我们提出了一种新的方法,用于生成点到点的任务,使用一个成功的人类示范的实时运动计划。我们的方法是基于螺旋线性插值,这使我们能够尊重基本的几何约束的特点的任务,并隐含在演示。我们还集成了一个原始的反应碰撞避免方法与我们的规划。我们提出了广泛的实验结果来证明,与我们的方法,通过使用移动一个块的一个演示,我们可以生成复杂的任务,如堆叠多个块(在动态环境中)的运动计划。类似的泛化能力也显示为倾倒和装载货架等任务。对于浇注任务,我们还表明,一个演示单臂浇注可以用于规划浇注与双臂机械手不同的运动结构。
2022-03-20 cs.RO
Guided Incremental Local Densification for Accelerated Sampling-based Motion Planning
Aurora Innovation Inc.(奥罗拉创新公司);Paul G. Allen School of Computer Science and Engineering, University of Washington(华盛顿大学保罗·G·艾伦计算机科学与工程学院)
基于采样的运动规划器依赖于增量致密化来发现逐渐更短的路径。在计算开始$x_s$和目标$x_t$之间的可行路径$ξ$之后,通知集(IS)通过保守地消除不能产生较短路径的点来修剪配置空间$\mathcal{C}$。通过从该知情集采样的致密化保持从整个配置空间采样的渐近最优性。对于路径长度$c(ξ)$和欧几里德启发式$h$,$IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(ξ) \}$。依赖于启发式可以使IS在高维或复杂环境中特别保守。此外,IS仅在发现较短路径时缩小。因此,如果加密和规划的每次迭代不能产生更短的路径,则浪费了来自加密和规划的每次迭代的计算工作,尽管改进了搜索树中的顶点的成本。我们的关键见解是,即使在这样的失败,更短的路径到顶点的搜索树(而不仅仅是目标)可以立即改善规划的采样策略。GuILD(Guided Incremental Local Densification)利用这些信息从IS的局部子集中进行采样。我们表明,GuILD显着优于均匀采样的知情集在模拟$\mathbb{R}^2$,$SE(2)$环境和操作任务中的$\mathbb{R}^7$。
2021-04-11 cs.RO
Admittance-Based Motion Planning with Vision-Guided Initialization for Robotic Manipulators in Self-Driving Laboratories
Department of Electronics Systems, Aalborg University(电子系统系,奥尔堡大学);Department of Information Technology and Electrical Engineering, Università degli Studi di Napoli Federico II(信息科技与电气工程系,那不勒斯费迪里奇二世大学)
本文提出了一种基于阻抗控制的运动规划方法,结合视觉引导初始化,实现机械臂在自动驾驶实验室中的自适应和安全操作。
2026-01-29 cs.RO
H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model
Huawei Noah’s Ark Lab(华为诺亚实验室);University of Toronto(多伦多大学);University of British Columbia(不列颠哥伦比亚大学);McGill University(麦吉尔大学)
H-WM通过结合逻辑和视觉世界模型,实现机器人任务和运动规划中的鲁棒长视界推理与稳定引导。
2026-10-01 cs.RO
Reasoning About Traversability: Language-Guided Off-Road 3D Trajectory Planning
Department of Automotive Engineering, Hanyang University, Seoul, Republic of Korea(韩雅大学汽车工程系,首尔,大韩民国)
本文提出语言精修框架与偏好优化策略,通过动作对齐监督和地形感知优化,提升越野3D轨迹规划的合规性与地形一致性。
2026-04-23 cs.RO
Human-Guided Planning for Complex Manipulation Tasks Using the Screw Geometry of Motion
Stony Brook University(石溪大学)
针对末端执行器有运动约束的复杂操作任务,提出一种结合人类演示与运动旋量几何的规划方法,通过分割演示为恒定旋量序列再插值生成规划,仅需单个示例即可适配多任务实例,经多场景实验验证适用范围广。
2022-09-24 cs.RO
\LARGE GMP$^{3}$: Learning-Driven, Bellman-Guided Trajectory Planning for UAVs in Real-Time on SE(3)
提出GMP$^{3}$框架,将无人机路径规划扩展到SE(3)空间,结合Bellman改进的强化学习与分布式共识机制,实现实时、动力学可行的三维轨迹规划,并通过仿真和室内实验验证有效性。
2025-09-25 cs.RO
Topology-Guided Path Planning for Reliable Visual Navigation of MAVs
Seoul National University(首尔国立大学)
视觉导航已广泛应用于微型飞行器(MAVs)的状态估计。为了稳定的视觉导航,MAV应该生成感知感知路径,以保证足够的可见地标。许多感知路径规划的工作集中在基于采样的规划器。然而,他们可能遭受的样本效率低下,这导致计算负担,以找到一个全局最优路径。为了解决这个问题,我们提出了一个感知感知路径规划器,利用拓扑信息的环境。由于路径的拓扑类与路径上的可见地标密切相关,该算法通过检查不同的拓扑类来选择具有丰富视觉信息的拓扑类。从环境的广义沃罗诺伊图中提取拓扑图,找到具有不同拓扑类的初始路径,并将初始路径划分为离散段,每段中的点共享相似的视觉信息,以评价不同拓扑类的感知质量.该算法首先选择感知质量高的最优类,然后利用基于图的规划器在类内生成路径。通过仿真和真实世界的实验,我们证实了所提出的方法可以保证准确的视觉导航相比,感知不可知的方法,同时显示出更高的计算效率比基于采样的感知感知规划。
2021-07-19 cs.RO
Digital Twin-Guided Robot Path Planning: A Beta-Bernoulli Fusion with Large Language Model as a Sensor
Department of Civil, Construction, and Environmental Engineering, San Diego State University, San Diego, CA, United States(土木、建设与环境工程系,圣地亚哥州立大学,美国圣地亚哥,加利福尼亚州);Department of Electrical and Computer Engineering, University of California, San Diego, San Diego, CA, United States(电气与计算机工程系,加州大学圣地亚哥分校,美国圣地亚哥,加利福尼亚州)
本研究提出将大型语言模型视为传感器,通过Beta-Bernoulli贝叶斯融合自然语言指令与建筑信息模型语义地图,实现上下文感知的机器人路径规划,提升路径安全性与鲁棒性。
2025-09-25 cs.RO
Multimodal Classification Network Guided Trajectory Planning for Four-Wheel Independent Steering Autonomous Parking Considering Obstacle Attributes
本文提出基于多模态感知网络和混合A*搜索的轨迹规划框架,通过考虑障碍属性提升四轮独立转向车辆在狭窄环境中的导航效率和安全性。
2026-04-06 cs.RO
Potentially Guided Bidirectionalized RRT* for Fast Optimal Path Planning in Cluttered Environments
National University of Sciences And Technology (NUST)(国立科技大学);University of California San Diego(加州大学圣迭戈分校);Manchester Metropolitan University (MMU)(曼彻斯特城市大学)
快速探索随机树星(RRT*)最近在运动规划社区中获得了极大的普及,因为它提供了一个概率上完整和渐近最优的解决方案,而不需要障碍空间的完整信息。尽管RRT* 具有所有优点,但它收敛到最优解的速度非常缓慢。因此,为了提高收敛速度,引入了其双向变体,双向RRT*(B-RRT*)和智能双向RRT*(IB-RRT*)。然而,由于这两种变体都执行纯探索,它们往往会在高度混乱的环境中受到影响。为了克服这些限制,我们引入了一个新的概念,潜在的指导双向树在我们提出的潜在引导智能双向RRT*(PIB-RRT*)和潜在引导双向RRT*(PB-RRT*)。所提出的算法大大提高了收敛速度,并具有更有效的内存利用率。理论和实验评估所提出的算法已经取得了最新的最先进的运动规划算法在不同的挑战性的环境条件下,并已被证明其显着改善的效率和收敛速度。
2018-07-22 cs.AI cs.RO
Real-Time Adaptive Motion Planning via Point Cloud-Guided, Energy-Based Diffusion and Potential Fields
ECE Department, Northeastern University(东北大学电子与计算机工程系)
提出一种结合能量扩散模型与人工势场的运动规划框架,直接从点云处理障碍物,实现复杂环境下的实时轨迹生成与动态避障,在部分可观测追逃场景中表现有效。
2025-10-16 cs.LG cs.RO
Masked Generative Motion Planning with Geometry-Guided Token Search
University of Glasgow(格拉斯哥大学)
该研究提出MGMP算法,结合GGTS技术,在运动规划任务中大幅提升成功率,且具备良好泛化能力,优于现有基准方法。
2026-10-09 cs.AI cs.RO
LaViPlan : Language-Guided Visual Path Planning with RLVR
Electronics and Telecommunications Research Institute(电子通信研究院)
针对自动驾驶分布外场景规划器泛化性差的问题,本文提出LaViPlan框架,通过带可验证奖励的强化学习微调视觉-语言模型,提升了域内及分布外规划性能,验证了该后训练范式对齐语言推理与动作规划的潜力。
2025-08-20 cs.LG cs.RO
A Framework for Guided Motion Planning
University of Illinois(伊利诺伊大学)
该研究提出引导空间概念,将引导式运动规划形式化,统一了多种既有采样规划方法,还提出信息论式引导评估法,可用于改进现有算法并构建多源引导的混合规划算法。
2024-10-07 cs.AI cs.RO
Large-Language-Model-Guided State Estimation for Partially Observable Task and Motion Planning
The University of Texas at Austin(德克萨斯大学);Nanyang Technological University(南洋理工大学)
本文提出CoCo-TAMP框架,利用大语言模型的常识推理能力,通过分层态估计提升部分可观测任务和运动规划的效率。
2026-03-06 cs.AI cs.RO
Learning-guided Prioritized Planning for Lifelong Multi-Agent Path Finding in Warehouse Automation
Massachusetts Institute of Technology(麻省理工学院)
本文提出RL-RH-PP框架,结合强化学习与搜索规划,提升仓库自动化中多智能体路径寻找的效率与适应性。
2026-03-25 cs.AI cs.RO
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
FM-Planner: Foundation Model Guided Path Planning for Autonomous Drone Navigation
School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学)
本文提出FM-Planner,利用基础模型(LLM和VLM)引导无人机路径规划,通过仿真基准测试和真实实验验证其可行性,为自主导航提供实际实现。
2025-05-27 cs.AI cs.RO
SmallPlan: Leverage Small Language Models for Sequential Path Planning with Simulation-Powered, LLM-Guided Distillation
Department of Robotics, MBZUAI, UAE(机器人系,MBZUAI,阿联酋)
SmallPlan利用LLM作为教师,通过模拟驱动的SFT和RL训练轻量级SLM,实现高效序列路径规划,性能媲美GPT-4o且资源高效,适合边缘部署。
2025-09-25 cs.CL cs.RO
TAPOM: Task-Space Topology-Guided Motion Planning for Manipulating Elongated Object in Cluttered Environments
Collage of Control Science and Engineering, Zhejiang University(控制科学与工程学院,浙江大学);Department of Computer Science, ETH Zurich(计算机科学系,苏黎世联邦理工学院)
本文提出TAPOM方法,通过任务空间拓扑分析生成引导关键帧,结合低层规划器解决细长物体在狭窄低间隙环境中的运动规划难题,显著提升成功率和效率。
2025-11-07 cs.RO cs.SY eess.SY
Policy-Guided Lazy Search with Feedback for Task and Motion Planning
University of Toronto Robotics Institute(多伦多大学机器人研究所);University of BITS Pilani(Birla技术与科学学院皮拉尼大学);University of Toronto(多伦多大学)
针对PDDLStream方法求解任务与运动规划问题耗时久的问题,提出带策略引导与反馈的LAZY求解器,通过集成动作骨架搜索和自适应引导,在7自由度模拟操作任务中显著提升了求解速度。
2023-08-23 cs.AI cs.RO
SPADE: Sketch-guided Path Planning Augmented with Diffusion Experts
IDEALworks GmbH;IMT Atlantique;IDEALworks GmbH & Saint Joseph University of Beirut(IDEALworks GmbH及贝鲁特圣约瑟夫大学)
提出一种结合扩散增强的框架,通过改进的标注工具和训练策略,在保持实时性的同时提升路径规划的泛化能力和鲁棒性,显著降低姿态误差和FID。
2026-06-02 cs.AI cs.RO
Coverage Path Planning for Holonomic UAVs via Uniaxial-Feasible, Gap-Severity Guided Decomposition
University of Notre Dame(内布拉斯加大学)
针对完整无人机在应急响应中覆盖路径规划面临的问题,提出用递归双轴单调性标准及累积间隙严重性度量引导切割的分解策略,搭配全局优化器,降低路径长度和完成时间开销,优于其他15种CPP管道。
2026-07-29 cs.MA cs.RO
Diffusion-Guided Multi-Arm Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
针对多臂运动规划可扩展性差、依赖大数据集的问题,提出扩散引导的多臂规划器DG-MAP,利用条件扩散模型分解单臂轨迹生成与成对碰撞解决,实现高效扩展并验证有效性。
2025-09-09 cs.AI cs.MA cs.RO
Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning
University of Virginia(弗吉尼亚大学);University of California, Irvine(加州大学伊藤分校)
本文提出离散引导扩散(DGD)框架,将离散MAPF求解器与约束生成扩散模型结合,通过问题分解、时空依赖建模和约束修复,实现可扩展至100个机器人的高质量多机器人运动规划。
2025-08-27 cs.AI cs.LG cs.RO
NEAT-NC: NEAT guided Navigation Cells for Robot Path Planning
ISI Laboratory, National School of Applied Sciences (ENSA), Abdelmalek Essaadi University(阿德莱尔梅萨迪大学应用科学学院智能研究所);EsieaLab LDR, Higher School of Computer Science, Electronics and Automation (ESIEA)(高等计算机科学、电子与自动化学校)
本文提出NEAT-NC算法,利用导航细胞和递归神经网络提升动态环境中的路径规划性能,展示其在复杂环境中的适应性。
2026-04-16 cs.AI cs.NE cs.RO
CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles
Chongqing Jiaotong University(重庆交通大学);Tongji University(同济大学)
CauTraj通过整合因果知识提升自动驾驶车辆车道变换轨迹规划的精度与稳定性。
2025-12-21 cs.AI cs.RO
MapGPT: Map-Guided Prompting with Adaptive Path Planning for Vision-and-Language Navigation
The University of Hong Kong(香港大学);Shenzhen Campus of Sun Yat-sen University(中山大学深圳校区);Meituan(美团)
针对现有视觉语言导航零样本智能体缺乏全局视野的问题,提出MapGPT,通过在线语言地图引导GPT实现自适应多步路径规划,在R2R和REVERIE基准上取得最优零样本性能。
2024-06-20 cs.AI cs.CV cs.RO
Convex-Neural RRT*: Fast and Reliable Learning-Guided Sampling for High-Quality Robot Path Planning
提出Convex-Neural RRT*算法,通过神经网络预测高质量路径附近的凸候选区域来引导采样,在多种环境中相比神经引导变体减少30-75%计算时间,路径长度平均减少约5%,成功率超99%。
2026-05-24 cs.LG cs.NE cs.RO
EDMP: Ensemble-of-costs-guided Diffusion for Motion Planning
Robotic Research Center(机器人研究中心);IIIT Hyderabad(印度信息技术研究所海得拉巴分校);Massachusetts Institute of Technology(麻省理工学院);University of Tartu(塔尔图大学)
EDMP结合经典与深度学习运动规划,利用成本集成引导扩散生成有效轨迹,显著提升成功率并保持泛化能力。
2023-09-20 cs.AI cs.LG cs.RO
Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making
Harbin Institute of Technology(哈尔滨工业大学)
本文提出TEMP深度学习运动规划框架,通过EISE语义编码与MPT注意力引导采样提升路径质量、搜索效率及跨任务泛化能力。
2024-04-30 cs.AI cs.RO
LLM-guided Task and Motion Planning using Knowledge-based Reasoning
Khalifa University Center for Autonomous Robotic Systems (KUCARS)(卡利法大学自主机器人系统中心);Institute of Industrial and Control Engineering (IOC)(工业与控制工程研究所);Institute of Robotics and Mechatronics(机器人与机电研究所)
针对现有基于LLM的任务与运动规划方法受静态模板提示限制、适应性不足的问题,提出Onto-LLM-TAMP框架,结合知识推理优化扩展提示,提升了动态环境下规划的语义准确性与适应性。
2025-10-01 cs.AI cs.RO
Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);Hipert S.r.l.(Hipert 有限责任公司)
本文提出一种基于模型预测控制的赛车运动规划与控制流水线,通过成本混合状态机适应超车、正常驾驶和反向转向等情境,并在Superformula EAV-25赛车上验证,圈速接近人类最佳成绩的2%以内。
2026-09-14 cs.RO cs.SY eess.SY