Hierarchically Accelerated Coverage Path Planning for Redundant Manipulators
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对冗余机械臂表面覆盖任务,提出基于广义旅行商问题与分层精简图规模的加速路径规划方法,通过引导路径分解求解,仿真与实体实验验证有效性。
2025-02-26 cs.RO
VAMP-MR: Vector-Accelerated Motion Planning and Execution for Multi-Robot-Arms
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);University of Michigan(密歇根大学)
针对多机器人手臂运动规划这一关键挑战,结合经典规划算法与矢量化碰撞检查技术,引入新运动规划器,基于CPU SIMD指令加速碰撞检查,在运动规划和执行后处理中实现加速,并发布实现降低研发门槛。
2026-07-16 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
Robust Spatiotemporal Motion Planning for Multi-Agent Autonomous Racing via Topological Gap Identification and Accelerated MPC
Department of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院);Center for Project-Based Learning, D-ITET, ETH Zurich(苏黎世联邦理工学院项目导向学习中心)
本文提出基于拓扑间隙识别与加速MPC的框架,通过预测对手行为和动态占用走廊,实现高速多智能体自主赛车中鲁棒的时空规划与高精度控制。
2026-03-10 cs.RO
Edge Accelerated Robot Navigation With Collaborative Motion Planning
University of Macau(澳门大学);The University of Hong Kong(香港大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Zhejiang University(浙江大学);Weizmann Institute of Science(魏茨曼科学研究所)
提出边缘加速机器人导航(EARN),通过协同运动规划与模型预测切换,在资源约束下最大化切换增益,实现实时避障,显著减少导航时间并提高成功率。
2024-06-25 cs.RO
Learning-accelerated A* Search for Risk-aware Path Planning
San Diego State University(圣地亚哥州立大学)
针对自主无人机风险感知路径规划的CSP问题计算效率低的痛点,提出引入安全维度的ASD A*算法,并结合Transformer学习型启发函数加速搜索,在多类仿真场景中验证了有效性。
2024-09-18 cs.RO
Accelerated Spline-Based Time-Optimal Motion Planning with Continuous Safety Guarantees for Non-Differentially Flat Systems
本文提出一种加速样条基时间最优运动规划方法,通过解耦分离超平面的确定与优化问题,减少计算时间达近60%,同时保持连续安全保证。
2026-03-25 cs.RO
Accelerated Multi-Modal Motion Planning Using Context-Conditioned Diffusion Models
Department of Mechanical Engineering, KU Leuven(卢森堡鲁文大学机械工程系);Department of Computer Science, KU Leuven(卢森堡鲁文大学计算机科学系)
本文提出CAMPD模型,通过上下文感知的扩散模型实现高效的多模态运动规划,适用于多样场景且无需重新训练,展示出在未见环境中生成高质量轨迹的能力。
2026-03-19 cs.RO
G-MAPP: GPU-accelerated Multi-Agent Planning and Perception for Reactive Motion Generation
Department of Electrical, Computer, and Biomedical Engineering, Toronto Metropolitan University(多伦多都会大学电气、计算机与生物医学工程系);Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)(慕尼黑工业大学慕尼黑机器人与机器智能研究所);Institute for Experiential Robotics, Northeastern University(东北大学体验式机器人研究所);Idiap Research Institute(Idiap 研究所);EPFL(瑞士联邦理工学院洛桑);CHART Group at the School of Computer Science, University of Nottingham(诺丁汉大学计算机科学学院 CHART 小组);Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学)
提出GPU加速的框架,通过并行状态探索和紧密耦合感知-动作循环,实现非结构化环境中的实时反应式运动生成,在7自由度机器人上达到5倍加速并成功避障。
2026-06-12 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
CR-Solver: GPU-Accelerated Kinematics Solver for Tendon-driven Continuum Robots
Beihang University(北京航空航天大学)
针对连续体机器人运动规划问题,提出CR-Solver求解器,它基于优化框架统一逆运动学等,利用GPU加速并行优化,在三项任务验证中比传统CPU求解器显著加速,成功率超95%精度达毫米级,且用纯Python实现,为高性能运动规划提供基础。
2026-07-22 cs.RO
Incrementally Stochastic and Accelerated Gradient Information mixed Optimization for Manipulator Motion Planning
Zhejiang University(浙江大学)
本文介绍了一种新的运动规划器,增量随机和加速梯度信息混合优化(iSAGO),机器人在狭窄的工作空间。首先,我们提出了一个有效的约束优化的基础上的惩罚方法的混合动量通知iSAGO的整体方案。在随机部分,我们通过基于自适应动量(Adam)方法的子泛函的随机选择来产生自适应随机动量,以解决身体-障碍物卡住的情况。针对随机部分收敛速度慢的问题,结合加速梯度下降(AGD)算法提高规划效率。采用贝叶斯树推理(BTI)将全局轨迹优化(SAGO)转化为增量式子轨迹优化(iSAGO),进一步提高了计算效率和成功率。最后,我们调整关键参数,并将iSAGO与书架上的LBR-iiwa和存储架上的AUBO-i5上的其他5个规划器进行基准测试。结果表明,iSAGO的成功率最高,求解效率适中。
2022-07-19 cs.RO math.OC
Vectorizing Projection in Manifold-Constrained Motion Planning for Real-Time Whole-Body Control
Department of Computer Science, Purdue University(普渡大学计算机科学系);School of Mechanical Engineering, Purdue University(普渡大学机械工程学院)
本文提出一种基于SIMD加速的流形约束运动规划器,通过并行化视角重新审视基于投影的约束满足方法,实现对复杂系统如人形机器人轨迹规划的实时约束满足。
2026-04-14 cs.RO
CollisionSplatting: Collision-Aware Motion Planning in 3DGS Scenes with Image-Conditioned Objectives and Adjustable Conservatism
New York University(纽约大学);University of Klagenfurt(克拉根福大学);Artificial and Natural Intelligence Toulouse Institute (ANITI)(图卢兹人工智能与自然智能研究所)
提出CollisionSplatting,一种GPU加速、可调保守性的概率距离度量,直接作用于3DGS场景,结合图像条件奖励实现联合几何与视觉规划,在MPPI和RRT规划器中达到同等或更优碰撞分类性能,同时提高吞吐量并降低VRAM使用。
2026-09-29 cs.RO
Learning-Accelerated Narrow-Phase Collision Detection via Check Ordering for Sampling-Based Motion Planning
Shanghai Jiao Tong University(上海交通大学)
本文提出一种基于学习的窄相位碰撞检测加速方法,通过超网络预测碰撞概率以优化检查顺序,减少检测时间,提升采样运动规划在杂乱环境中的效率与成功率。
2026-09-28 cs.RO
Accelerated Reeds-Shepp and Under-Specified Reeds-Shepp Algorithms for Mobile Robot Path Planning
KU Leuven(鲁汶大学);Flanders Make
本研究提出一种基于几何推理的加速 Reeds-Shepp 路径计算方法,并解决了朝向未指定的欠定规划问题,相比 Open Motion Planning Library 原始实现实现了 15 倍加速,同时发布了开源 C++ 代码。
2025-08-13 cs.CG cs.RO
ScheduleStream: Temporal Planning with Samplers for GPU-Accelerated Multi-Arm Task and Motion Planning & Scheduling
NVIDIA Research Seattle Robotics Lab (SRL)(NVIDIA西雅图机器人实验室);University of Sydney(悉尼大学)
提出ScheduleStream,首个通用框架,通过混合持续动作和领域无关算法,结合GPU加速采样器,实现多臂并行任务与运动规划及调度。
2026-05-28 cs.AI cs.MA cs.RO
Online Sampling in the Parameter Space of a Neural Network for GPU-accelerated Motion Planning of Autonomous Vehicles
MPG
本文提出了一种用于自动驾驶车辆GPU加速运动规划的神经网络参数空间在线采样方法,通过神经网络作为控制器参数化来处理非线性和非凸系统,并在预测时间范围内保持参数化不变,同时通过变化的特征向量确定转向和纵向加速度控制。
2019-04-14 cs.RO cs.SY eess.SY
Learning-Accelerated Optimization-based Trajectory Planning for Cooperative Aerial-Ground Handover Missions
Institute of Engineering and Computational Mechanics, University of Stuttgart, 70569 Stuttgart, Germany(工程与计算力学研究所,斯图加特大学,德国斯图加特70569);Mechanical Engineering, LUT University, 53850 Lappeenranta, Finland(机械工程,卢蒂大学,芬兰拉佩恩兰塔53850)
本文提出了一种结合学习的轨迹规划框架,用于协同无人 aerial 和 ground 车辆的切换任务,通过使用解耦的编码器-解码器 LSTM 网络生成协调的切换轨迹预测,从而加速优化过程,实现更快的收敛和更高的优化成功率。
2026-05-19 cs.LG cs.RO math.OC
G-VOM: A GPU Accelerated Voxel Off-Road Mapping System
Texas A&M University(得克萨斯农工大学)
我们提出了一个本地三维体素映射框架越野路径规划和导航。我们的方法提供了硬和软的积极障碍物检测,负障碍物检测,斜率估计,和粗糙度估计。通过使用3D阵列查找表数据结构并利用GPU,它可以提供在线性能。然后,我们演示了该系统的工作在三个车辆,Clearpath机器人Warthog,驼鹿和北极星游侠,并与一组预先记录的航点进行比较。这在自动操作中以4.5 m/s完成,在手动操作中以12 m/s完成,地图更新速率为10 Hz。最后给出了一个开源的ROS实现。https://github.com/unmannedlab/G-VOM
2021-09-27 cs.RO
Industrial Robot Motion Planning with GPUs: Integration of cuRobo for Extended DOF Systems
University of California, Berkeley(加州大学伯克利分校)
本文将NVIDIA的cuRobo库集成至Vention平台,利用GPU加速、CAD数字孪生与实时并行优化,为扩展自由度工业机器人实现快速轨迹生成与动态避障,显著提升了规划速度与鲁棒性。
2025-08-11 cs.RO
A Learning-Based Framework for Collision-Free Motion Planning
针对杂乱环境无碰撞运动规划问题,本文提出基于学习的CF规划器扩展框架,用深度神经网络从深度图像推断最优增益,无需手动调参即可实时规划,在仿真和Franka Emika Panda机器人上验证了其任务完成能力与更优泛化性。
2025-11-14 cs.RO
Accelerated RRT* By Local Directional Visibility
University of Michigan(密歇根大学)
RRT* 是一种高效的基于采样的运动规划算法。然而,如果不利用可访问的环境信息,基于采样的算法通常会导致采样失败,产生无用的节点,和/或无法探索狭窄的通道。为了更好地利用环境信息,进一步提高搜索效率,本文提出了一种改进RRT* 的新方法:(1)根据方向可见性量化相邻重布线过程中障碍物配置的局部知识,2)在搜索过程中收集环境信息,3)在第一个解找到后,改变向障碍物附近节点倾斜的采样策略,提出了基于局部方向可见性的RRT* 算法(RRT*-LDV)更好地利用了本地已知信息,并创新了加权采样策略。加速RRT*-LDV在收敛速度和找到狭窄通道的成功率方面优于RRT*。一个高自由度的情况下也进行了实验。
2022-07-17 cs.RO
CQDC-Warp: GPU-Accelerated Differentiable Quasi-Dynamic Simulation for Contact-Rich Manipulation
Peking University(北京大学);Galbot;Tsinghua University(清华大学)
提出GPU加速的可微分准动态仿真器CQDC-Warp,用于接触丰富操作的批量MPC,在Allegro手持旋转基准测试中成功率优于CFree、IMPACT,且轨迹生成时间大幅减少,吞吐量高,适用于多种机器人操作场景。
2026-10-16 cs.RO
GRiD: GPU-Accelerated Rigid Body Dynamics with Analytical Gradients
Harvard University(哈佛大学);Boston Dynamics(波士顿动力公司)
我们介绍GRiD:一个GPU加速库,用于计算刚体动力学分析梯度。GRiD旨在加速最先进的机器人规划、控制和机器学习中使用的非线性轨迹优化子问题,这需要在每次迭代时对刚体动力学及其梯度进行数十到数百次自然并行计算。GRiD利用URDF解析和代码生成来提供优化的动态内核,这些内核不仅公开GPU友好的计算模式,而且还利用每个计算内的细粒度并行性和计算之间的粗粒度并行性。通过这种方法,当执行刚体动力学算法的多个计算时,GRiD提供了最先进的多线程CPU实现的7.2倍加速,并且在考虑I/O开销时保持了2.5倍加速。我们将GRiD作为开源库发布,供更广泛的机器人社区使用。
2022-02-25 cs.RO
Optimal Path Planning of Autonomous Marine Vehicles in Stochastic Dynamic Ocean Flows using a GPU-Accelerated Algorithm
Indian Institute of Science Bangalore(班加罗尔印度科学研究所)
自主海洋航行器在许多海洋科学和工程应用中发挥着至关重要的作用。规划这些车辆在随机动态海洋环境中航行的时间和能量最优路径对于降低运营成本至关重要。在某些任务中,它们还必须收集太阳能、风能或波浪能(建模为随机标量场),并以最小化净能耗的最佳路径移动。马尔可夫决策过程(MDP)提供了一个自然的框架,在这样的环境中的机器人代理顺序决策。然而,建立一个现实的模型,并解决建模MDP在大规模的实时应用中变得计算昂贵,不需要并行算法和高效的实现。在目前的工作中,我们引入了一个高效的端到端GPU加速算法,该算法(i)构建MDP模型(计算转移概率和预期的一步奖励);(ii)求解MDP以计算最优策略。我们开发了方法和算法解决方案,以克服GPU有限的全局内存,通过(i)使用海洋流的动态降阶表示,(ii)利用状态转移概率矩阵的稀疏性,(iii)引入相邻子网格的概念;(iv)证明仅使用随机标量场的平均值就足以计算期望值-步骤奖励涉及从环境中收集能量的任务;从而节省内存并减少计算工作量。我们在模拟的随机动态环境中演示了该算法,并强调它构建了MDP模型,计算最优策略的速度比传统的CPU实现快600- 1000倍,使其适合实时使用。
2021-09-20 cs.AI cs.DC cs.RO
GASP: GPU-Accelerated Safe Planner for Real-Time Collision-Aware Motion Generation with Latent Trajectory Sampling
本研究提出GASP这一GPU加速安全规划器,结合隐式轨迹采样,可实现毫秒级碰撞感知关节空间运动生成,在机器人乒乓球任务中表现优异且大幅降低训练碰撞次数。
2026-08-06 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
nvblox: GPU-Accelerated Incremental Signed Distance Field Mapping
NVIDIA(英伟达);ETH Zürich(苏黎世联邦理工学院)
针对机器人稠密建图在CPU与GPU系统间的性能差距,提出GPU加速库nvblox,实现表面重建177倍、距离场计算31倍的加速,并开源。
2024-03-15 cs.RO
Adaptive Gaussian Process based Stochastic Trajectory Optimization for Motion Planning
Zhejiang University(浙江大学)
针对危险环境下机器人的最优运动规划(OMP)算法,提出了一种新的基于自适应高斯过程的随机轨迹优化(AGP-STO)算法。该算法首先利用重新估计的Lipschitz常数(L-reAGD)重新开始加速梯度下降,提高计算效率,只需要一阶动量。然而,它仍然不能推断的全局最优的非凸问题,由高斯过程(GP)和障碍的先验信息通知。因此,该算法将自适应随机轨迹优化(ASTO)方法引入到L-重估计过程中,通过加速移动平均(AMA)算法学习重要样本的GP先验。此外,我们引入增量最优运动规划(iOMP)的AGP-STO升级到iAGP-STO。它在先前优化的航路点之间增量地插入轨迹,以确保时间连续的安全性。最后,我们将iAGP-STO与数值(CHOMP,TrajOpt,GPMP)和采样(STOMP,RRT-Connect)方法进行基准测试,并进行关键参数的调整实验,以显示L-reAGD,ASTO和iOMP的集成如何提高计算效率和可靠性。此外,在LBR-iiwa,多AGV和Rethink-Baxter上实施iAGP-STO展示了其在操纵,协作和辅助方面的应用。
2021-12-30 cs.RO math.OC
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University(浙江大学);Huzhou institute of Zhejiang University(浙江大学湖州研究院)
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而,调整参数具有挑战性,因为现代规划者已经变得过于复杂,无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环,提出了一个规划参数自适应框架,制定目标成两个互补的类别,并异步优化它们。分别使用贝叶斯优化(BayesOpt)和粒子群优化(PSO)优化有和无轨迹执行的目标。通过将两类目标相结合,加快了黑箱优化的总收敛速度,同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试,验证了其实时环境适应性,这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 cs.RO
Fully Persistent Spatial Data Structures for Efficient Queries in Path-Dependent Motion Planning Applications
Massachusetts Institute of Technology(麻省理工学院)
运动规划是一个普遍存在的问题,往往是机器人应用的瓶颈。我们证明了运动规划问题,如最小约束删除,信仰空间规划,和可靠性感知运动规划(VAMP)受益于路径依赖的配方,其中在搜索节点的状态表示隐含的路径到该节点。在这种路径依赖公式中计算后继节点的可行性的朴素方法需要与节点的路径长度成线性的时间,而对于更典型的搜索公式来说,时间是恒定的(可能非常大)。对于长期计划,对每个节点执行这种线性时间计算(我们称之为回顾)变得令人望而却步。为了改善这一点,我们引入了一个完全持久的空间数据结构(FPSDS),它的边界的大小回看的使用。然后,我们专注于FPSDS在VAMP中的应用,其中涉及增量几何计算,可以通过使用最近邻数据结构的包围体过滤配置来加速。我们证明了一个渐进的和实际的改进,在运行时中找到VAMP解决方案,在几个说明性的领域。据我们所知,这是第一次使用完全持久的数据结构来加速运动规划。
2022-06-06 cs.RO
N3P: Accelerated Automated Parking via a Learning-Based Naturalistic Three-Stage Scheme
Honda Research Institute (HRI)(本田研究院);University of Pennsylvania(宾夕法尼亚大学)
本文提出N3P,一种基于学习的三阶段框架,用于自动泊车,通过引入中间预备姿态和学习模块预测该姿态,将泊车操作分解为更简单的子问题,从而降低计算复杂度并加速路径生成,实验表明其在垂直和平行泊车场景中显著提升了规划速度,并在成功率和轨迹质量上优于强化学习基线。
2026-05-21 cs.RO cs.SY eess.SY
Motion Planning in Dynamic Environments Using Context-Aware Human Trajectory Prediction
University of Oxford(牛津大学);University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
多年来,运动规划、地图绘制和人体轨迹预测的独立领域已经取得了相当大的进展。然而,文献仍然是稀疏的,在提供实用的框架,使移动机械手进行全身运动和占移动障碍物的预测运动。以前的基于优化的运动规划方法,使用距离场已经遭受了高计算成本所需的更新环境表示。我们证明,与从头开始计算距离场相比,GPU加速的预测复合距离场显着减少了计算时间。我们将这种技术与一个完整的运动规划和感知框架,占人类在动态环境中的预测运动,使反应性和先发制人的运动规划,结合预测的运动。为了实现这一目标,我们提出并实现了一种新的人体轨迹预测方法,结合意图识别与基于轨迹优化的运动规划。我们验证了我们的结果框架在现实世界中的丰田人类支持机器人(HSR)使用实时RGB-D传感器数据从车载摄像头。除了提供对公开数据集的分析外,我们还发布了牛津室内人体运动(Oxford-IHM)数据集,并展示了人体轨迹预测的最新性能。Oxford-IHM数据集是一个人类轨迹预测数据集,其中人们在室内环境中的感兴趣区域之间行走。静态和机器人安装的RGB-D相机都可以观察人,同时通过运动捕捉系统进行跟踪。
2022-07-26 cs.RO
BaB-ND: Long-Horizon Motion Planning with Branch-and-Bound and Neural Dynamics
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Toyota Research Institute(丰田研究所);Columbia University(哥伦比亚大学)
针对神经动力学模型非线性导致的长时域接触丰富操作规划难题,提出 GPU 加速的 BaB-ND 分支定界框架,通过专用分支与改进界传播高效优化轨迹,并在仿真和真实任务中优于现有方法。
2025-03-16 cs.RO
From Distances to Trajectories: Real-Time Signed Distance Function Mapping and Distance-Accelerated Motion Planning for UAVs
UC San Diego(加州大学圣地亚哥分校);Shield AI(护盾人工智能公司)
研究针对无人机在杂乱环境中的自主飞行,提出围绕带符号距离函数协同设计映射与规划阶段。开发OREN重建SDF,Bubble$^\star$基于距离信息规划,减少碰撞检查。集成方法在四旋翼飞行器上实时导航,提升SDF估计并快速找到长轨迹。
2026-07-22 cs.AI cs.CV cs.RO
MICP-L: Mesh-based ICP for Robot Localization using Hardware-Accelerated Ray Casting
Osnabrück University(奥斯纳布吕克大学);DFKI Robotics Innovation Center(DFKI机器人创新中心);Fulda University of Applied Sciences(富尔达应用技术大学)
MICP-L利用硬件加速光线投射,将距离传感器配准到三角网格地图,实现6D机器人实时定位,并在农业、航空和汽车数据集上验证了鲁棒性。
2024-07-08 cs.RO
Efficient Global Navigational Planning in 3D Structures based on Point Cloud Tomography
Hong Kong University of Science and Technology(香港科技大学);University College London(伦敦大学学院);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对复杂3D场景导航需求,提出基于点云层析成像的高效全局导航框架,通过并行计算加速场景评估与轨迹生成,在仿真和真实四足机器人测试中均显著提升规划效率。
2024-03-12 cs.RO
DiffusionSeeder: Seeding Motion Optimization with Diffusion for Rapid Motion Planning
UC Berkeley(加州大学伯克利分校);Nvidia(英伟达)
DiffusionSeeder利用扩散模型从深度图像生成多模态轨迹作为运动优化种子,集成到cuRobo后显著提升规划速度与成功率,并成功迁移至真实机器人。
2024-10-22 cs.RO
DoublyAware: Dual Planning and Policy Awareness for Temporal Difference Learning in Humanoid Locomotion
University of Texas at Arlington(德克萨斯大学阿灵顿分校);Intelligent Autonomous Systems Lab(智能自主系统实验室);German Research Center for AI (DFKI)(德国人工智能研究中心);Automation & Control Institute (ACIN)(自动化与控制研究所);Austrian Institute of Technology (AIT) GmbH(奥地利技术研究所)
针对人形机器人运动学习中环境与模型不确定性交织的问题,提出将不确定性分解为规划与策略分量的DoublyAware方法,通过共形预测筛选轨迹、组相对策略约束优化探索,在HumanoidBench上实现了更优的样本效率与运动可行性。
2025-06-12 cs.RO
Koopman-Accelerated Model-Based Diffusion for Real-Time Robot Control
Kyung Hee University(庆熙大学)
本文提出双线性Koopman基于模型的扩散(BK-MBD),通过高维提升和双线性动力学加速滚动预测,实现实时轨迹优化,在仿真和物理机械臂上均达到高成功率与实时性。
2026-09-25 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
Learning to Plan, Planning to Learn: Adaptive Hierarchical RL-MPC for Sample-Efficient Decision Making
Toyota Research Institute(丰田研究院);Learning to Plan, Planning to Learn: Adaptive Hierarchical RL-MPC for Sample-Efficient Decision Making(学习规划,规划学习:自适应分层RL-MPC用于样本高效决策)
本文提出了一种融合强化学习和MPC规划的分层方法,通过自适应聚合MPPI样本提升策略鲁棒性,实现在复杂规划问题中提高样本效率和任务成功率。
2026-04-16 cs.AI cs.LG cs.RO
Accelerated ADMM based Trajectory Optimization for Legged Locomotion with Coupled Rigid Body Dynamics
Georgia Institute of Technology(佐治亚理工学院)
轨迹优化在解决欠驱动机器人系统的运动规划问题中正变得越来越强大。许多先前的研究解决了这样一类大型非凸最优控制问题的分层方式。然而,当使用全阶模型来跟踪从降阶模型生成的参考轨迹时,容易发生数值精度问题。本文研究了乘子交替方向法(ADMM),并提出了一种新的分裂格式来求解腿运动问题。刚体动力学约束和其他一般约束,如盒和锥约束分解成多个子问题的原则方式。由此产生的多块ADMM框架,使我们能够利用效率的无约束优化方法-微分动态规划-迭代求解使用质心和全身模型的优化。此外,我们提出了一个阶段式加速ADMM与超松弛和变惩罚计划,以提高整体收敛速度。我们评估和验证的性能,建议ADMM算法的停车场的例子和两足动物运动的问题,在粗糙的地形。
2020-03-18 cs.RO cs.SY eess.SY
Real-Time Maneuver Planning for Fixed-Wing UAVs in Unsteady Flows Using a GPU-Accelerated Vortex Particle Model
本文提出一种基于GPU加速涡粒子模型的实时规划与控制方法,通过采样策略优化推理非定常气动效应,硬件实验证明其能提升失速后固定翼栖停机动在扰动流中的性能。
2026-09-17 cs.RO
Potential Functions based Sampling Heuristic For Optimal Path Planning
National University of Sciences And Technology (NUST)(国立科技大学);Osaka University(大阪大学)
快速探索随机树星(RRT*)算法是快速探索随机树(RRT)算法的一个扩展,它能在给定的环境中提供无碰撞、渐进最优的路径,而不受障碍物几何形状的影响。然而,RRT* 算法的局限性之一是收敛到最优路径解的速度慢。因此,由于在实现最优路径解决方案中使用了大量迭代,因此它消耗了高存储器以及时间。为了克服这些限制,我们提出了基于势函数的RRT *(P-RRT*),它将人工势场算法纳入RRT*。该算法允许在迭代次数相当大的减少,从而导致更有效的内存利用率和加速收敛速度。为了说明所提出的算法在空间执行和收敛速度方面的实用性,本文提出了严格的模拟比较所提出的技术和RRT* 在不同的环境条件下。此外,这两种算法也测试和比较下的非完整微分约束。
2017-04-02 cs.AI cs.RO
Hierarchical Path-planning from Speech Instructions with Spatial Concept-based Topometric Semantic Mapping
Ritsumeikan University(立命馆大学)
本研究提出整合地点连通性的SpCoTMHP方法,通过拓扑度量语义地图实现分层空间表示与带航点的语音指令路径规划,实验验证其成功率和计算效率均优于基线方法。
2024-06-21 cs.AI cs.RO
Real-Time Optimal Trajectory Planning for Autonomous Vehicles and Lap Time Simulation Using Machine Learning
The University of Manchester(曼彻斯特大学);Oxford Brookes University(牛津布鲁克斯大学)
无人驾驶汽车的广泛发展导致了自动驾驶赛车的形成,赛车运动的高速和竞争环境加速了技术发展。自动驾驶汽车面临的一个特殊挑战是识别目标轨迹-或者在比赛车辆的情况下,识别比赛路线。许多现有的寻找赛车路线的方法不是时间最优的解决方案,或者计算昂贵-使得它们不适合使用机载处理硬件的实时的【形】应用。本研究描述了一种机器学习方法,用于在桌面处理硬件上实时的【形】生成赛车路线的准确预测。所提出的算法是一个前馈神经网络,训练使用的数据集,包括赛车线通过传统的最优控制单圈时间模拟计算的大量电路。该网络预测赛车路线的平均绝对误差为+/-0.27米,在拐角顶点处仅为+/-0.11米-与人类驾驶员和自动驾驶汽车控制子系统相当。该方法在33毫秒内生成预测,比传统的寻找最佳轨迹的方法快9,000倍以上。结果表明,对于某些应用程序的数据驱动的方法来找到接近最佳的赛车线可能有利于传统的计算方法。
2021-09-15 cs.AI cs.RO
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
Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning
Georgia Institute of Technology(佐治亚理工学院)
本研究提出基于系统级综合的学习感知鲁棒自适应模型预测控制框架A-SLS,结合GPU加速求解器,降低可达管保守性,实现高维机器人系统实时控制,且在Crazyflie无人机硬件上验证了有效性。
2026-10-16 cs.LG cs.RO cs.SY
Regulated Pure Pursuit for Robot Path Tracking
Samsung Research America(三星美国研究院);Manipal Institute of Technology(马尼帕尔理工学院);Rey Juan Carlos University(胡安卡洛斯国王大学)
本文提出调节式纯追踪算法,在自适应纯追踪基础上引入线速度调节启发式,重点提升受限和部分可观测环境中的安全性,并在工业级服务机器人上验证,同时提供ROS 2 Nav2开源实现。
2023-05-31 cs.RO
Learning When to Jump for Off-road Navigation
University at Buffalo(布法罗大学)
本文提出Motion-aware Traversability方法,通过建模实际机器人运动动态,提升越野导航的实时性和安全性,减少75%的路径绕行。
2026-05-10 cs.RO
Accelerating Kinodynamic RRT* Through Dimensionality Reduction
Georgia Institute of Technology(佐治亚理工学院)
基于采样的运动规划算法(如RRT*)因其快速找到初始解然后渐近收敛到最优解的能力而众所周知。然而,对于高维规划问题,特别是对于采样空间不仅是配置空间而且是完整状态空间的动态系统,收敛速度可能很慢。在本文中,我们介绍了使用部分最终状态自由(PFF)的最优控制器的Kinodynamic RRT* [1],以减少采样空间的维数的想法。建议的加速Kinodynamic RRT*,称为Kino-RRT*,而不是对整个状态空间进行采样,只对状态空间的一部分进行采样,而其余的状态由PFF最优控制器选择。我们还提出了一个延迟和间歇更新的RRT* 树中的所有边缘的最佳到达时间,以降低算法的计算复杂度。我们使用4-D和10-D状态空间线性系统测试了所提出的算法,并表明Kino-RRT* 比Kinodynamic RRT* 算法收敛得更快。
2021-07-02 cs.RO cs.SY eess.SY
Online Omnidirectional Jumping Trajectory Planning for Quadrupedal Robots on Uneven Terrains
针对四足机器人在不平地形上的在线全方位跳跃问题,提出一种级联优化框架,集成轨迹生成、跟踪与着陆控制,并采用加速进化算法和粗到精重定位,实现约0.1秒的快速轨迹生成,已在多机器人上验证。
2024-11-09 cs.RO cs.SY eess.SY