OmniEVA: Embodied Versatile Planner via Task-Adaptive 3D-Grounded and Embodiment-aware Reasoning
Huawei Noah’s Ark Lab(华为诺亚实验室)
OmniEVA通过任务自适应3D grounding和具身aware推理,解决具身系统中几何适应性和具身约束的限制,实现先进的具身推理和任务规划。
2026-01-28 cs.AI cs.CL cs.CV
Embodied Zero-Shot Task Planning via Hardware-Aware LLM-VLM Integration for Grounded Robotic Manipulation
Mississippi State University(密西西比州立大学);The University of Alabama(阿拉巴马大学)
本文提出一种硬件适配的LLM-VLM集成框架,用于仿真Franka Research 3机器人的具身零样本任务规划,通过分离符号推理与度量执行完成多类操作任务并经数字孪生试验验证。
2026-10-14 cs.AI cs.RO
Commonsense-Grounded Path Planning from Abstract Instructions
CyberAgent Inc.(CyberAgent公司);Nagoya University(名古屋大学)
CoRS利用大语言模型和视觉语言模型,将抽象指令转化为遵循常识的路径,通过常识排序发现未言明的考量并规划绕行,实验验证其优于现有LLM规划器。
2026-09-22 cs.AI cs.RO
FLEET: Formal Language-Grounded Scheduling for Heterogeneous Robot Teams
JHU APL(约翰霍普金斯大学应用物理实验室);JHU(约翰霍普金斯大学);DEVCOM ARL(国防高级研究计划局)
FLEET提出混合去中心化框架,结合LLM生成任务图和适配矩阵与形式化调度优化,提升异构机器人团队在自由形式语言指令下的协调成功率,并经硬件试验验证。
2025-10-08 cs.RO
RL-RRT: Kinodynamic Motion Planning via Learning Reachability Estimators from RL Policies
Google AI(谷歌人工智能);University of New Mexico(新墨西哥大学)
本文解决了基于采样的Kinodynamic运动规划面临的两个挑战:一种方法来确定良好的候选状态的局部过渡和随后的计算棘手的转向这些候选状态之间。通过结合基于采样的规划,快速探索随机树(RRT)和一个有效的Kinodynamic运动规划器通过机器学习,我们提出了一个有效的解决方案,长期规划Kinodynamic运动规划。首先,我们使用深度强化学习来学习避障策略,该策略将机器人的传感器观察映射到动作,该动作在规划期间用作本地规划器,在执行期间用作控制器。其次,我们训练可达性估计在监督的方式,预测RL政策的时间,以达到一个状态的存在障碍。最后,我们引入RL-RRT,它使用RL策略作为局部规划器,并将可达性估计器作为距离函数,以使树的生长偏向有希望的区域。我们评估我们的方法对三个kinodynamic系统,包括物理机器人实验。在所有三个机器人测试的结果表明,RL-RRT优于最先进的kinodynamic规划的效率,也提供了一个更短的路径完成时间比转向功能免费的方法。学习的本地规划器策略和伴随的可达性估计器展示了到先前看不见的实验环境的可转移性,使得RL-RRT快速,因为昂贵的计算被简单的神经网络推理取代。视频:https://youtu.be/dDMVMTOI8KY
2019-07-12 cs.AI cs.LG cs.RO
Tree-Planner: Efficient Close-loop Task Planning with Large Language Models
The University of Hong Kong(香港大学);Harbin Institute of Technology(哈尔滨工业大学);Shanghai AI Laboratory(上海人工智能实验室)
本文提出 Tree-Planner 框架,将基于 LLM 的闭环任务规划重构为计划采样、动作树构建和基于环境的决策三阶段,显著降低了 token 消耗与冗余错误纠正,实现了最高效的最先进性能。
2024-07-24 cs.AI cs.CL cs.LG
Grounded Vision-Language Interpreter for Long-Horizon Bimanual Task and Motion Planning
OMRON SINIC X Corporation(OMRON SINIC X公司);The University of Tokyo(东京大学);University of Hamburg(汉堡大学)
针对现有视觉语言机器人规划框架的黑箱缺陷与双臂任务探索不足问题,提出混合规划框架 ViLaIn-TAMP,经烹饪领域任务及实际双臂机器人系统验证,其性能优于基准方法。
2026-08-04 cs.AI cs.RO
Toward Secure and Reliable PDDL Formalization of Large Language Models with Planner-in-the-Loop Feedback
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(多模态人工智能系统国家重点实验室,自动化研究所,中国科学院);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);School of Industry-education Integration, University of Chinese Academy of Sciences(中国科学院大学产教融合学院)
提出NL-PDDL-Bench基准和规划器在环框架,通过验证器诊断和偏好优化提升LLM生成PDDL规范的可执行性与可靠性。
2026-06-29 cs.AI
Infusing Reachability-Based Safety into Planning and Control for Multi-agent Interactions
Stanford University(斯坦福大学)
在机器人自主堆栈中,规划器和控制器通常是分开设计的,并且用于不同的目的。因此,在确保机器人安全方面,往往存在责任分散的问题。我们建议,计划者和控制者应该共享相同的安全解释,但以不同但互补的方式应用这些知识。为了实现这一目标,我们使用汉密尔顿-雅可比(HJ)可达性理论在规划层面提供的前瞻性,以避免进入可能不可避免的碰撞区域的机器人规划。但是,仅凭这一点并不能保证安全。结合这HJ可达性注入计划,我们提出了一个最小干预的多智能体安全保护控制器也来自HJ可达性理论。安全控制器保持机器人的安全性,而不会过度影响规划器的性能。我们在多智能体高速公路场景中展示了我们提出的方法的好处,其中机器人汽车将获得奖励,以尽可能快地在交通中导航,并且我们表明,与其他安全控制器相比,我们的方法提供了强有力的安全保证,同时实现了最高的性能。
2020-07-31 cs.RO cs.SY eess.SY
Contact Planning for the ANYmal Quadruped Robot using an Acyclic Reachability-Based Planner
University of Oxford(牛津大学);Sabanci University(萨班哲大学);CNRS(法国国家科学研究中心)
尽管四足机器人在过去十年中取得了巨大的进步,但在高度不均匀和混乱的环境中选择良好的接触点(立足点)仍然是一个公开的挑战。本文建立在一种已成功用于人形机器人的最先进方法的基础上,并将其应用于我们的机器人平台;四足机器人ANY-mal。所提出的算法将问题分解为两个子问题:首先生成机器人的引导轨迹,然后沿着该轨迹创建接触。这两个子问题都依赖于需要调整的近似和算法。这项工作的主要贡献是解释该算法如何被重新调整到与任何故障一起工作,并在现实的动态模拟中显示该方法与各种测试的相关性。
2019-04-17 cs.RO
Mastermind: Strategy-grounded Learning for Repository-Scale Vulnerability Reproduction
National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
提出Mastermind双循环框架,通过策略学习(SFT+GRPO)提升LLM代理在仓库级漏洞复现中的表现,在260个训练任务和200个测试任务上达到84.5%通过率,并成功迁移至不同执行器。
2026-10-06 cs.AI
Physics-Grounded Causal Auditing of End-to-End Driving Planners
School of Electronics Engineering, Kyungpook National University(庆北国立大学电子工程学院)
提出CADET框架,无需重新训练即可审计和修复预训练端到端驾驶规划器中的虚假关联,通过物理因果图识别混杂因素并干预测试时输入。
2026-08-19 cs.AI cs.RO
Rational Inverse Reasoning: Few-Shot Imitation by Inferring Intent through Planning
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
研究人类能从少量示范学习新操作任务,而现代机器人模仿学习需大量示范且适应性差的差距。提出理性逆推理,将少样本模仿视为对潜在解释程序的推理,通过视觉语言模型和分层规划器迭代优化候选集,在少样本设置中表现优于基线。
2026-07-07 cs.AI cs.RO
Grounded Vision-Language Navigation for UAVs with Open-Vocabulary Goal Understanding
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)
针对视觉语言导航的分布外泛化差、依赖离散动作空间问题,提出面向无人机的VLFly框架,仅靠单目视觉实现连续速度控制,无需微调即在仿真和真实场景中展现出更强的开放词汇导航能力。
2025-06-12 cs.AI cs.RO
KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning
Honda Research Institute, USA(本田研究院);University of Maryland, College Park(马里兰大学)
KGLAMP通过知识图谱引导LLM实现异构多机器人系统的自适应规划与再规划,提升动态环境下的规划效率和准确性。
2026-02-04 cs.AI cs.ET cs.MA
Reachability Across the NL/PL Boundary: A Taxonomy-Driven Dataflow Model for LLM-Integrated Applications
University of New South Wales(新南威尔士大学);Macquarie University(麦考瑞大学);National University of Singapore(新加坡国立大学)
提出一种基于定量信息流理论的分类法,定义24个标签以跨越LLM调用的自然语言与编程语言边界,实现信息流分析,并在污点传播和程序切片中验证有效性。
2026-07-07 cs.AI cs.SE
LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning
UT Austin(德克萨斯大学奥斯汀分校);NEC Labs America(美国NEC实验室);UC San Diego(加利福尼亚大学圣迭戈分校)
提出一种结合规则规划器与LLM的混合自动驾驶规划方法,利用大模型常识推理处理复杂场景,在nuPlan基准上达到SOTA性能。
2023-12-30 cs.AI cs.CV
SAGE: Symbolic Action-Gating and Editing for LLM Task Planners
Korea Electronics Technology Institute (KETI)(韩国电子技术研究院(KETI))
SAGE提出符号动作门控与局部编辑机制,以零token安全监控和高效恢复提升LLM任务规划器的安全性与完成率,并在多个基准上验证了其优势。
2026-09-29 cs.AI cs.RO
Probe-then-Plan: Environment-Aware Planning for Industrial E-commerce Search
JD.com Beijing China(京东北京中国)
本文提出环境感知搜索规划(EASP),通过探测-规划机制解决电商搜索中盲点与延迟的矛盾,通过离线数据合成、规划器训练和在线服务适应性路由提升搜索相关召回率和UCVR、GMV。
2026-04-29 cs.AI
SPIRAL: Symbolic LLM Planning via Grounded and Reflective Search
IBM T.J. Watson Research Center(IBM TJ沃森研究中心)
SPIRAL 通过 grounded 和 reflective 搜索实现更稳健高效的 LLM 规划
2025-12-29 cs.AI cs.LG cs.MA
Bridging Learned Visual Perception and Symbolic Belief-Space Planning
Technion - Israel Institute of Technology(以色列理工学院)
本文提出VLM作为概率接地器的新范式,将视觉-语言模型的谓词接地不确定性建模为符号状态上的概率分布,实现信念空间规划,在模拟家庭机器人环境中提升了鲁棒性和任务成功率。
2026-09-16 cs.AI cs.RO
Physically Grounded Vision-Language Models for Robotic Manipulation
Stanford University(斯坦福大学);Google DeepMind(谷歌DeepMind);Princeton University(普林斯顿大学)
针对 VLM 缺乏物体物理概念理解的问题,本文构建 PhysObjects 数据集并微调物理扎根 VLM,结合 LLM 规划器提升机器人操作规划与真实任务成功率。
2024-03-03 cs.AI cs.CV cs.RO
Embodied CAD: Solver-Grounded LLM Agents for Parametric B-Rep Assembly Modeling
Nanjing University(南京大学)
提出Embodied CAD框架,通过分层技能库和求解器反馈,让LLM代理迭代生成并修复参数化B-Rep装配模型,实现高可执行率和任务完成率。
2026-07-01 cs.AI
ViPlan: A Benchmark for Visual Planning with Symbolic Predicates and Vision-Language Models
Fondazione Bruno Kessler(布鲁诺·科塞拉基金会);Department of Computer Science, Aalto University(艾尔沃斯大学计算机科学系);Department of Mathematics, Università degli Studi di Padova(帕多瓦大学数学系)
ViPlan是一个用于视觉规划的基准,比较基于VLMs的符号方法与直接VLM规划方法,发现不同方法在不同任务中的表现差异。
2026-09-02 cs.AI
Reachability-Aware Time Scaling for Path Tracking
Institute of Autonomous and Connected Systems, Old Dominion University(奥多明尼昂大学自主与互联系统研究所)
本文研究了为平面双积分系统生成的无碰撞路径点的跟踪,考虑了加速度限制下的可达性,通过在线调整速度缩放剖面实现路径跟踪。
2026-04-01 cs.RO cs.SY eess.SY
Synthetic Scenario Generation for Evaluation of Industry 4.0 Agents
研究针对工业智能体基准测试场景有限问题,扩展AssetOpsBench并引入ScenarioGeneratorAgent管道,通过多种优化方式提高可扩展性,实现智能电网变压器场景生成的高效优化,有效扩展工业智能体基准测试且保证场景质量。
2026-07-28 cs.AI
Look Before You Leap: Unveiling the Power of GPT-4V in Robotic Vision-Language Planning
Tsinghua University(清华大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Qi Zhi Institute(上海期智研究院)
本研究提出ViLa,一种利用视觉语言模型进行机器人长时程规划的新方法,通过直接整合感知数据实现物理基础的任务规划,实验证明其优于现有LLM规划器。
2023-12-24 cs.AI cs.CL cs.CV
VideoMind: A Chain-of-LoRA Agent for Temporal-Grounded Video Reasoning
The Hong Kong Polytechnic University(香港理工大学);National University of Singapore(新加坡国立大学)
VideoMind 提出了一种基于角色的链式 LoRA 机制,用于提升视频时序 grounded 推理的效率与灵活性。
2026-02-21 cs.AI cs.CV
Density Planner: Minimizing Collision Risk in Motion Planning with Dynamic Obstacles using Density-based Reachability
Technical University of Munich(慕尼黑工业大学);Massachusetts Institute of Technology(麻省理工学院);Boston University(波士顿大学)
本文提出密度规划器,利用神经网络与Liouville方程学习不确定系统密度演化,通过梯度优化最小化碰撞风险,在动态障碍物环境中实现比模型预测控制快100倍的在线规划。
2023-02-27 cs.RO cs.SY eess.SY
MMArch: Benchmarking Multimodal Reasoning Grounded in Architectural Evidence
研究针对多模态大语言模型(MLLM)在工程多模态推理基准上的表现,构建MMArch基准,发现现有MLLM与人类专家存在差距,为相关研究提供评估基准。
2026-08-11 cs.AI
DrGait: Biomechanically Grounded Visual Reasoning for Interpretable Clinical Gait Analysis
University of Pittsburgh(匹兹堡大学)
针对临床步态分析中黑盒模型不可解释及VLM直接应用易产生幻觉的问题,提出无需训练的DrGait主体框架,通过分诊-验证-综合工作流解耦语义推理与几何感知,借助确定性生物力学工具验证假设,减少幻觉并生成透明可审计的临床报告。
2026-09-25 cs.AI cs.CV
Grounded and Faithful P&ID Reasoning: Constraining Vision-Language Models with Recovered Evidence Graphs
Tata Research Development and Design Center(塔塔研究开发与设计中心)
针对视觉语言模型在管道仪表图推理中易臆造连接的问题,提出恢复显式证据图并仅通过只读算子查询作答的方法,在TopoPID-VQA上将精确匹配准确率从约37%提升至约75%。
2026-10-30 cs.AI cs.LG
Grounded Evaluation and Repair for NL-to-PDDL Problem Generation
INESC INOV;INESC ID;Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院);Motamineral Minerais Industriais S.A.(Motamineral 工业矿产公司)
本文研究NL到PDDL生成流水线,结合LLM生成与多种检查及迭代修复,发现操作成功与基准参考重建存在显著分歧,结构化修复有效但PDDL 2.1参考重建仍具挑战。
2026-09-10 cs.AI
CLAMP: Constrained Decoding for Vision-Language Embodied Planning
Michigan State University(密歇根州立大学)
CLAMP 通过将场景证据转化为解码时约束,利用硬掩码和 HMM 前瞻模块,提升视觉-语言模型在具身规划中的可执行性与安全性。
2026-09-09 cs.AI
Verifying Coordination in Parallel Coding Agents: NP-Bench and a Scheduling Planner
Amira Learning
针对并行编码智能体协调失败问题,提出基于调度规划的主动协调方法,将工作划分和合并排序前置,在NP-Bench基准上将干净集成率从1/9提升至9/9,并消除合并冲突。
2026-10-07 cs.AI
SodaMem: Evidence-Grounded Temporal Graph Memory for LLM Agents
针对LLM智能体对话的时效性、来源追溯等问题,提出基于证据的时序图记忆SodaMem,在LongMemEval-S上以Flash级花费达到高准确率,性能优于部分高成本系统。
2026-08-11 cs.AI
Technical Report: Safe, Aggressive Quadrotor Flight via Reachability-based Trajectory Design
Mechanical Engineering, University of Michigan, Ann Arbor, MI(机械工程,密歇根大学,安娜堡,MI)
本文提出了一种基于可达性的四旋翼飞行轨迹设计方法,通过在线规划中创新性地使用Zonotopes来确保在存在轨迹依赖性跟踪误差的情况下飞行安全,实验显示在500个随机复杂环境中实现了最高5m/s的激进飞行且无碰撞。
2019-06-18 cs.RO cs.SY eess.SY
Synthesizing Behaviorally-Grounded Reasoning Chains: A Data-Generation Framework for Personal Finance LLMs
Perfios Software Solutions(Perfios软件解决方案)
本文提出一个可复现的框架,通过整合财务背景与行为金融学研究构建监督数据,生成19k推理数据集微调Qwen-3-8B模型,使其在事实准确性和个性化等指标上媲美14-32B大模型,且成本降低80%。
2025-09-17 cs.AI cs.CL cs.LG
A Tutorial on Autonomous Fault-Tolerant Control Using Knowledge-Grounded LLM Agents
Autonomous Industrial Systems Laboratory, Imperial College London(帝国理工学院自主工业系统实验室);Institute of Automation Technology, Helmut Schmidt University(赫尔穆特·施密特大学自动化技术研究所)
提出利用LLM代理作为约束监督规划器,通过外部验证器确保安全,辅助过程工厂故障恢复决策,并提供了可执行的Python环境。
2026-07-01 cs.AI cs.MA cs.SY
Lazy Rearrangement Planning in Confined Spaces
Rutgers University, The State University of New Jersey(罗格斯大学,新泽西州立大学)
对象重排对于许多应用是重要的,但仍然具有挑战性,特别是在诸如货架的有限空间中,其中对象不能从上方访问并且它们阻碍彼此的可达性。这样的约束需要许多运动规划和碰撞检查调用,这在计算上是昂贵的。此外,排列空间随着对象的数量呈指数增长。为了解决这些问题,这项工作引入了一个懒惰的评价框架,局部单调求解器和全局规划器。单调实例是那些可以通过移动每个对象最多一次来解决的实例。一个关键的见解是,在对象的开始和目标的把握可达性约束可以快速揭示对象之间的依赖关系,而不必执行昂贵的运动规划查询。考虑到这一点,局部求解器会延迟地构建一个搜索树,该搜索树遵守这些可达性约束,而不验证臂路径是否无冲突。该框架只在找到有希望的解时进行碰撞检查,如果没有找到单调解,非单调规划器加载惰性搜索树,并探索如何将对象移动到中间位置,从那里可以找到目标的单调解。结果表明,该框架可以解决最多16个对象的受限空间中的困难实例,这是最先进的方法无法解决的。当替代方案找到解决方案时,它也比替代方案更快地解决问题。它还实现了高质量的解决方案,即,对于非单调实例,平均仅需要1.8个附加动作。
2022-10-12 cs.AI cs.RO
Manifold-constrained Hamilton-Jacobi Reachability Learning for Decentralized Multi-Agent Motion Planning
Purdue University(普渡大学)
提出流形约束的 HJR 学习框架,通过求解流形约束下的 HJR 问题获取任务感知安全条件,并集成到去中心化轨迹优化规划器中,实现安全且任务可行的多智能体运动规划。
2026-07-02 cs.RO cs.SY eess.SY
Multi-Modal Grounded Planning and Efficient Replanning For Learning Embodied Agents with A Few Examples
ASRI(先进技术研究院);IPAI(人工智能研究院)
针对LLM规划器忽略环境状态导致规划不当的问题,提出FLARE方法,结合语言指令与环境感知改进任务规划,并利用视觉线索纠正指令错误,在少样本下优于现有方法。
2024-12-23 cs.AI cs.RO
Online, Reachability-Aware, Sampling-Based Motion Planning
本文提出一种在线可达性感知的基于采样的运动规划方法,通过快速区间流水线计算可达集超近似,在无需预计算下达到先进性能,并显著降低安全违规。
2026-09-09 cs.RO cs.SY eess.SY
RAD-LAD: Rule and Language Grounded Autonomous Driving in Real-Time
Carnegie Mellon University(卡内基梅隆大学);NEC Labs America(NEC美国实验室);UC San Diego(加州大学圣迭戈分校)
本文提出RAD-LAD,结合规则和语言的实时自动驾驶系统,通过中断架构实现高效路径规划与文本推理,提升自动驾驶性能与可解释性。
2026-03-31 cs.AI cs.CV cs.LG
NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
Department of Computer Science at Purdue University(普渡大学计算机科学系)
提出基于神经Hamilton-Jacobi可达性学习的方法,学习安全值函数以捕获最坏情况下的臂间安全约束,并开发分散式轨迹优化框架,实现可扩展、数据高效的多臂运动规划。
2026-07-03 cs.RO
NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
Department of Computer Science at Purdue University(普渡大学计算机科学系)
提出基于神经哈密顿-雅可比可达性学习的方法,学习安全值函数以捕获最坏情况下的臂间安全约束,并开发分散式轨迹优化框架,实现可扩展、数据高效且泛化能力强的实时多臂运动规划。
2026-07-02 cs.RO
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University(斯坦福大学);Simon Fraser University(西蒙弗雷泽大学)
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而,最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器,其作用是确保与外部控制的(例如,人驱动的)对应物,同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时(100 Hz)控制器,该控制器具有双重作用:(i)使用模型预测控制从更高级别的规划算法跟踪输入轨迹,以及(ii)通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性,而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验,其中两辆车,最初并排,必须在有限的时间和距离内交换车道,模拟汽车合并到/关闭高速公路。我们证明,通过我们的控制堆栈,自动驾驶汽车能够避免碰撞,即使另一辆车违背规划者的期望并采取危险行动,无论是不小心还是有意碰撞,否则偏离计划轨迹的程度最小,以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
HEART: Coordination of Heterogeneous Expert Agents for Physically Grounded Robotic Task Planning
Sogang University(西江大学)
提出异构多LLM框架HEART,将指令分解为原子推理任务分配给角色专家,通过约束驱动规划合成,提升机器人任务规划的物理可行性和效率。
2026-06-25 cs.RO
Technical Report: A Hierarchical Deliberative-Reactive System Architecture for Task and Motion Planning in Partially Known Environments
Computer Science and Artificial Intelligence Laboratory (CSAIL), MIT(麻省理工学院计算机科学与人工智能实验室(CSAIL));Tagup, Inc.(Tagup公司);GRASP Laboratory, University of Pennsylvania(宾夕法尼亚大学GRASP实验室)
我们描述了一个高度动态系统的任务和运动规划架构,它结合了一个域独立的基于采样的慎思规划算法与全球反应规划。我们利用最近开发的一种反应式矢量场规划器,该规划器即使在面对未知或不可预见的障碍物时也能保证环境的大区域的可达性。可达性保证可以使用合同形式化,该合同允许审慎计划者纯粹根据这些合同进行推理,并通过选择一系列反应行为及其目标配置来合成计划,而无需评估目标之间的特定运动计划。这既减少了找到计划的搜索深度,又减少了确保计划存在所需的样本数量,同时关键地保持了正确性保证。其结果是降低了合成计划的计算成本,并增加了所生成的计划对致动器噪声、模型误指定或未知障碍物的鲁棒性。仿真研究表明,我们的层次规划和执行架构,可以解决复杂的导航和重排任务,即使面对狭窄的通道或不完整的世界信息。
2022-02-03 cs.RO
Workspace Aware Online Grasp Planning
Columbia University(哥伦比亚大学)
这项工作提供了一个工作空间感知的在线抓取规划的框架。该框架通过将可达性的概念纳入在线抓取规划过程中,大大提高了标准在线抓取规划算法的性能。离线时,对包含数十万个独特末端执行器姿势的数据库进行可行性查询。在运行时,我们的把握规划器使用这个数据库,以偏置的手对可达到的末端执行器配置。该偏差使抓握规划器保持在规划场景的可访问区域中,使得所得到的抓握针对手头的情况而定制。这导致更高的可达抓取百分比、更高的成功抓取执行百分比以及减少的规划时间。我们还提出了使用模拟和真实环境的实验结果。
2018-06-29 cs.RO
Contingency-Aware Planning via Certified Neural Hamilton-Jacobi Reachability
Department of Electrical and Computer Engineering, Northeastern University(电气与计算机工程系,东北大学)
本文提出一种结合学习可达性与采样规划的多目标导航框架,利用FNO近似解算器解决高维HJ方程,提供理论安全保证并验证在Webots仿真中实时部署的性能。
2026-11-04 cs.RO cs.SY eess.SY
Safe Reinforcement Learning Using Black-Box Reachability Analysis
Ain Shams University(艾因沙姆斯大学);Jacobs University(雅各布大学);Stanford University(斯坦福大学);KTH Royal Institute of Technology(KTH皇家理工学院)
强化学习(Reinforcement learning,RL)能够在不确定环境中对机器人进行复杂的运动规划和控制。然而,最先进的深度RL方法通常缺乏安全保证,特别是当机器人和环境模型未知时。为了证明广泛部署的合理性,机器人必须在不牺牲性能的情况下遵守安全约束。因此,我们提出了一个基于黑盒可达性的安全层(BRSL)有三个主要组成部分:(1)数据驱动的可达性分析的黑盒机器人模型,(2)一个轨迹推出规划器,预测未来的行动和观察使用的合奏在线训练的神经网络,和(3)可达集和障碍物之间的可微多面体碰撞检查,使纠正不安全的行动。在模拟中,BRSL在Turtlebot 3,四旋翼,跟踪点质量和风中的六旋翼上优于其他最先进的安全RL方法,其中不安全的集合邻近最高奖励的区域。
2022-11-21 cs.LG cs.RO cs.SY
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics(航空与航天系);Department of Mechanical Engineering(机械工程系);School of Computing Science(计算科学学院)
本文提出一种最小干预的安全控制器,用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互,通过实时控制器实现轨迹跟踪和安全保证,展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
Safe Planning for Articulated Robots Using Reachability-based Obstacle Avoidance With Spheres
University of Michigan(密歇根大学)
针对实时运动规划中安全性与实时性的权衡问题,提出基于可达集和精确有符号距离的滚动时域规划器SPARROWS,通过球体过近似扫掠体积生成可证明无碰撞的安全轨迹,降低了保守性并优于现有方法。
2024-02-13 cs.RO