Learning to Coordinate for a Worker-Station Multi-robot System in Planar Coverage Tasks
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
本文针对大规模平面覆盖任务中资源受限且存在随机动态干扰的多机器人系统，提出工人-工作站MRS，并将其建模为完全合作多智能体强化学习问题，通过端到端分散式在线规划同时实现覆盖与会合规划，仿真和实机实验验证了其在任务完成时间上的竞争力。
2022-08-24 cs.AI cs.MA 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
Scalable Coverage Path Planning of Multi-Robot Teams for Monitoring Non-Convex Areas
University at Buffalo（布法罗大学）
本文提出了一种新的多机器人覆盖路径规划（CPP）算法-又名SCoPP -提供了一个时间效率高的解决方案，与工作负载平衡的计划，为每个机器人在多机器人系统，根据他们的初始状态。该算法考虑了不连续性（例如，禁飞区），并使用离散的、计算高效的最近邻路径规划算法来提供每个机器人的路径点的优化有序列表。该算法包括五个主要阶段，其中包括转换用户的输入作为一组顶点的地理坐标，离散化，负载平衡分区，拍卖的冲突细胞在离散空间，和路径规划过程。为了评估主要算法的有效性，多无人机（UAV）洪水后评估的应用程序被认为是，和算法的性能进行了测试，在三个不同大小的测试地图。此外，我们的方法相比，一个国家的最先进的Guasella等人创建的方法。进一步分析SCoPP的可扩展性和计算时间进行。结果表明，SCoPP在任务完成时间方面是优越的;对于由150个机器人团队覆盖的大地图，其计算时间被发现低于2分钟，从而证明了其计算可扩展性。
2021-03-26 cs.MA cs.RO
Graph-based Simultaneous Coverage and Exploration Planning for Fast Multi-robot Search
Carnegie Mellon University（卡内基梅隆大学）
在大型未知环境中，通过并行化工作，使用多机器人舰队可以使搜索操作更加省时。这意味着机器人必须有效地执行协作映射（探索），同时搜索受害者的区域（覆盖范围）。以前的同步绘图和规划技术将这些问题视为单独的，并且没有利用统一方法的可能性。我们提出了一种新的探索覆盖规划器的桥梁映射和搜索域的随机树的增长集植根于通过映射产生的姿态图，以生成感兴趣的点，或任务。此外，重要的是，机器人首先优先考虑高信息任务，通过平衡覆盖和探索，在最短的时间内找到最多的受害者，这是目前的方法没有解决的。为了实现这一目标，我们还提出了一个新的多机器人任务分配器，制定了一个概念的层次信息启发式的时间关键的协作搜索。我们的研究结果表明，我们的算法产生了20%以上的覆盖效率，定义为平均每秒覆盖面积，与现有的最先进的。我们的算法和我们的多机器人搜索堆栈的其余部分是基于ROS和开源
2023-03-03 cs.MA cs.RO cs.SY
Optimal Planning for Multi-Robot Simultaneous Area and Line Coverage Using Hierarchical Cyclic Merging Regulation
Department of Mechanical and Aerospace Engineering, Rutgers University（机械与航空航天工程系，罗格斯大学）；Department of Mechanical Engineering, Binghamton University（机械工程系，宾州大学布林茅尔分校）
针对多机器人同时覆盖线性特征与区域的双重覆盖问题，提出基于分层循环合并调控（HCMR）的最优规划算法，通过莫尔斯理论简化求解，显著缩短路径长度并减少任务时间。
2025-08-07 cs.RO
Energy-Aware Coverage Planning for Heterogeneous Multi-Robot System
针对异构多机器人覆盖问题，提出一种基于Lloyd算法的能量感知分布式控制律，考虑机器人能量容量与消耗速率差异，动态调整权重并划分区域，经仿真与真实实验验证优于三种基线方法。
2024-11-04 cs.MA cs.RO cs.SY
Simulating Coverage Path Planning with Roomba
覆盖范围路径规划涉及访问在有障碍物的环境中的每个未被占用的状态。在本文中，我们探讨了这个问题，在最初未知的代理环境中，为了模拟真空吸尘机器人的任务。对先前工作的调查显示，在应用学习来解决这个问题方面很少努力。在本文中，我们探索使用深度强化学习对覆盖路径规划问题进行建模，并将其与流行的真空清洁机器人Roomba的内置算法的性能进行比较。
2022-10-10 cs.AI cs.RO
Searching with Consistent Prioritization for Multi-Agent Path Finding
University of Southern California（南加州大学）；Monash University（莫纳什大学）
我们研究了多智能体路径搜索（MAPF）的优先规划。现有的优先级MAPF算法依赖于经验法则和随机分配，以确定一个固定的总优先级排序的所有代理先验。相反，我们探索空间的所有可能的部分优先级排序的一部分，一个新的系统和冲突驱动的组合搜索框架。在各种实证比较中，我们展示了最先进的解决方案质量和成功率，通常与现有算法具有相似的运行时间。我们还开发了新的理论成果，探索优先规划的局限性，在完整性和最优性方面，首次。
2018-12-15 cs.AI cs.MA cs.RO
Offline Grid-Based Coverage path planning for guards in games
McGill University（麦吉尔大学）
穷举覆盖的算法在视频游戏中有应用，可以实现自动游戏级探索。目前的设计使用简单的逻辑，经常导致性能差或表现出不自然的行为。在本文中，我们介绍了一种新的算法覆盖的二维多边形（孔）的地区。我们假设地图布局的先验知识，并使用基于网格的世界表示。从简单的布局到实际游戏中使用的更复杂的地图，对几种场景的实验分析显示出良好的性能。这项工作作为第一步，建立一个更有效的覆盖路径规划算法的非玩家角色。
2020-01-15 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
Coverage Path Planning with Track Spacing Adaptation for Autonomous Underwater Vehicles
NATO STO Centre for Maritime Research and Experimentation (CMRE)（北约科技组织海事研究与实验中心）
在本文中，我们解决地雷对抗（MCM）的搜索问题的自主水下航行器（AUV）调查海底使用侧视声纳。我们提出了一种覆盖路径规划方法，适应AUV的轨道间距与收集更好的数据的目的。我们通过在传感器范围的尾部移动覆盖重叠来实现这一点，其中预期数据质量最低。为了评估该算法，我们收集了三个海上实验的数据。自适应调查允许AUV从传感器范围被高估的情况下恢复，并导致减少区域覆盖差距。在另一个实验中，自适应调查显示，近30%的“最差”数据的数据质量提高了4.2%。
2020-06-23 cs.AI cs.RO
Multi-UAV Coverage Planning with Limited Endurance in Disaster Environment
Technische Universität München（慕尼黑工业大学）；Tsinghua University（清华大学）；Avic Shenyang Aircraft Design And Research Institute（中国航空工业集团沈阳飞机设计研究所）
对于洪水、地震等场景，受灾面积大，救援时间紧。多无人机探测比单架无人机探测效率更高。现有的无人机探测工作被建模为覆盖路径规划（CPP）任务，以实现在存在障碍物的情况下对该区域的完全覆盖。但无人机续航能力有限，救援时间紧迫。因此，即使使用多架无人机也无法及时实现对灾区的完全覆盖。因此，在本文中，我们提出了一个多智能体的耐力有限CPP（MAEl-CPP）问题的基础上先验热图的灾区，这需要在有限的能量下探索更有价值的地区。此外，我们提出了一个路径规划算法的MAEl-CPP问题，通过排名可能的灾害地区根据其重要性，通过卫星或远程航空图像和完成路径规划的重要性水平。实验结果表明，我们提出的算法是有效的至少两倍，现有的方法在搜索效率。
2022-02-22 cs.MA cs.RO
Priority Maps for Surveillance and Intervention of Wildfires and other Spreading Processes
Australian Centre for Field Robotics（澳大利亚田径场机器人研究中心）；University of Sydney（悉尼大学）
本文提出了一种生成优先地图的方法，用于监视或干预动态扩散过程，如野火。该方法利用正系统性质，特别是价值函数的分离结构，提供可扩展的算法。通过16和1000节点示例展示了方法如何响应系统动态变化，并结合旅行商问题进行无人机路径规划。
2019-03-27 cs.RO cs.SY eess.SY
SLAM-Assisted Coverage Path Planning for Indoor LiDAR Mapping Systems
Purdue University（普渡大学）
涉及移动代理的自主导航和规划的应用可以通过采用在线同时定位与地图构建（SLAM）技术而极大地受益，然而，它们的适当实现仍然保证与可以用于特定应用的任何离线路径规划方法的有效融合。在本文中，这种情况下的融合被认为是一个基于激光雷达的室内测绘系统，提出了自己作为一个2D覆盖路径规划问题，随着在线SLAM实现。本文展示了如何通过提出两个修改来改变经典的离线覆盖路径规划（CPP）以用于在线SLAM：（i）执行多边形覆盖区域的凸分解，以允许任意选择初始点，同时仍然跟踪最短覆盖路径，以及（ii）使用新的方法将多边形区域内的不同小区拼接在一起以形成连续的覆盖路径。此外，还对SLAM操作进行改变以适合覆盖路径规划策略，其根据区域覆盖成本函数来评估导航误差。实施结果示出了两个修改的离线和在线规划策略的组合如何允许通过映射系统改善总区域覆盖-修改因此提出了用于修改离线和在线导航策略以用于稳健操作的方法。
2018-11-12 cs.RO
Autonomous UAV Route Planning for Coverage Maximization in Environmental Monitoring: A Systematic Literature Review
该文献综述聚焦无人机环境监测的自主路径规划，遵循PRISMA 2020框架搜索相关研究。介绍筛选流程与初步分析结果，指出研究集中在特定方面，多依赖模拟验证，近期对强化学习等兴趣上升，凸显研究活跃但分散，需结构化综合以明确技术与差距。
2026-07-16 cs.AI cs.RO
CT-CPP: Coverage Path Planning for 3D Terrain Reconstruction Using Dynamic Coverage Trees
University of Connecticut（康涅狄格大学）
这封信解决了三维覆盖路径规划（CPP）问题的地形重建未知的障碍丰富的环境。由于传感器的限制，所提出的方法，称为CT-CPP，执行分层扫描的3D区域收集地形数据，其中的旅行序列是使用的概念，覆盖树（CT）与TSP启发的树遍历策略进行优化。CT-CPP方法在高保真水下模拟器上进行了验证，并将结果与现有的地形跟随CPP方法进行了比较。结果表明，CT-CPP产生的轨迹长度，能量消耗和重建误差显着减少。
2021-12-02 cs.AI cs.RO cs.SY
Multiobjective Coverage Path Planning: Enabling Automated Inspection of Complex, Real-World Structures
Brazilian Institute of Robotics（巴西机器人研究所）；SENAI CIMATEC（巴西国家工业培训服务西玛特克分校）；Department of Informatics, University of Oslo（奥斯陆大学信息学系）；SENAI Institute for Innovation in Automation（巴西国家工业培训服务自动化创新研究所）；Robotics Innovation Center, DFKI GmbH（德国人工智能研究中心机器人创新中心）
机器人规划中的一个重要的开放问题是3D检测路径的自主生成-也就是说，规划机器人移动的最佳路径，以检查目标结构。我们最近提出了一种新的规划路径的方法，允许检查复杂的3D结构，给定的三角形网格模型的结构。该方法不同于以往的方法，其重点是生成和考虑也计划，导致不完善的覆盖范围的检查目标。在许多实际任务中，如果检测路径的能量利用效率大大提高，那么我们可以接受检测覆盖范围的不完善。其关键思想是使用多目标进化算法同时优化检测计划的能量利用和覆盖范围，结果是一组计划探索不同的方法来平衡这两个目标。我们在这里测试我们的方法在一组检查目标的大小和复杂性变化很大，并比较其性能与两个国家的最先进的方法，完整的覆盖路径规划。结果加强了我们的信心，我们的方法，以产生良好的检查计划，为不同类型的目标的能力。该方法的优势是最清楚地看到现实世界的检查目标，因为传统的完全覆盖方法没有很好的方式生成计划的结构与隐藏的部分。多目标进化通过同时优化能量使用和覆盖范围来确保两者之间的良好平衡-无论是在100%覆盖可行时，还是在物体的大部分被隐藏时。
2019-01-22 cs.AI cs.RO
A Multi-robot Coverage Path Planning Algorithm Based on Improved DARP Algorithm
Sichuan University（四川大学）
针对多机器人覆盖路径规划问题，本文改进DARP算法，利用A*分配任务并结合基于Up-First的STC实现全覆盖，提升了效率与覆盖率。
2023-04-19 cs.RO
TMSTC*: A Turn-minimizing Algorithm For Multi-robot Coverage Path Planning
Guangdong University of Technology（广东工业大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
覆盖路径规划是移动机器人的一个主要应用，它要求机器人沿着规划的路径移动以覆盖整个地图。对于大规模的任务，覆盖路径规划大大受益于多个机器人。在本文中，我们描述了回合最小化多机器人生成树覆盖星（TMSTC*），一个改进的多机器人覆盖路径规划（mCPP）算法的基础上MSTC*。该算法将地图划分为最小的砖块作为树的分支，从而将问题转化为求二部图的最大独立集。实验结果表明，该方法能够减少多机器人的转弯次数，从而比其他算法更快地完成地形覆盖任务.
2022-12-05 cs.RO
Coverage Path Planning: Classical Foundations, Recent Advances, and Future Directions
College of Information Science and Technology, Jinan University（暨南大学信息科学技术学院）；Department of Electrical and Computer Engineering, University of Connecticut（康涅狄格大学电气与计算机工程系）；Global College, Shanghai Jiao Tong University（上海交通大学密西根学院）；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 Electronics and Information Engineering, Wuyi University（五邑大学电子与信息工程学院）；School of Computer Science and Engineering, South China University of Technology（华南理工大学计算机科学与工程学院）
本文全面综述2015至2026年125篇覆盖路径规划（CPP）代表性作品，结合经典方法展示其演变。CPP方法分六类，总结各类规划公式、算法等，分析相关因素对问题的塑造，讨论开放挑战，提供了发展概况与未来研究方向。
2026-07-14 cs.AI cs.RO
Reinforcement Learning-Based Coverage Path Planning with Implicit Cellular Decomposition
LG Electronics（LG电子）
在一个通用的已知环境中的覆盖路径规划被证明是NP难的。当环境未知时，机器人需要依靠在覆盖过程中建立的在线地图信息进行路径规划，因此设计具有合理性能的启发式或近似算法成为一个重要的研究方向。这样的算法在覆盖区域或覆盖成本方面具有次优性能，例如，覆盖时间或能量消耗。在本文中，我们提供了一个系统的分析的覆盖问题，并制定它作为一个最佳的停止时间的问题，覆盖性能和成本之间的权衡明确占。接下来，我们证明了强化学习（RL）技术可以用来解决计算问题。为此，我们提供了一些技术和实际的考虑，以促进RL算法的应用和提高解决方案的效率。最后，通过在网格世界环境和Gazebo模拟器中的实验，我们证明了基于强化学习的算法能够有效地覆盖真实的未知室内环境，并且性能优于当前的最新技术水平。
2021-10-18 cs.AI cs.LG cs.RO
A Planning Framework for Persistent, Multi-UAV Coverage with Global Deconfliction
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Heavy Industries, Ltd.（三菱重工业株式会社）
多机器人覆盖规划旨在为一队机器人确定无碰撞路径，使它们能够共同观察环境中的兴趣点。持续覆盖是传统覆盖的一种变体，其中环境中的覆盖水平随着时间的推移而衰减。因此，机器人必须不断地重新访问环境的部分以保持期望的覆盖水平。要在现实世界中实现这一点，我们需要解决许多子问题。虽然存在这些子问题的标准解决方案，但没有一个完整的框架，可以在实际环境中解决所有单个挑战。我们调整并结合这些解决方案，提出了一个规划框架，用于多个无人机（UAV）的持续覆盖。具体来说，我们运行一个连续循环的目标分配和全球性的去冲突，kinodynamic路径规划多无人机。我们在模拟和现实世界中评估我们的框架。特别是，我们证明了（i）我们的框架在资源充足的情况下表现出优雅的覆盖率，我们保持持久的覆盖率;如果资源不足（例如，对于给定大小的环境，无人机太少），覆盖水平衰减缓慢，（ii）与其他较弱的，更本地的碰撞检查计划相比，在我们的框架中，规划与全球去冲突会导致可忽略的更高的价格。（视频：https：//youtu.be/aqDs6Wymp5Q）
2019-10-16 cs.AI cs.RO cs.SY
Planning over MAPF Agent Dependencies via Multi-Dependency PIBT
University Of Melbourne（墨尔本大学）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出多依赖PIBT（MD-PIBT）框架，通过搜索智能体依赖关系来规划多智能体路径，在拥挤环境中高效处理多达10000个智能体，支持多种运动学约束。
2026-07-02 cs.AI cs.MA cs.RO
CAP: A Connectivity-Aware Hierarchical Coverage Path Planning Algorithm for Unknown Environments using Coverage Guidance Graph
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出连通性感知分层覆盖路径规划算法CAP，通过在线增量构建覆盖引导图指导路径规划，在仿真和机器人实验中显著提升了覆盖时间、路径长度和重叠率指标。
2025-03-01 cs.RO
Optimal Control for Constrained Coverage Path Planning
本文研究了在地图中存在障碍物约束下，如何通过改进线性扫掠覆盖方法实现最小能量/时间最优和最大面积覆盖，并分析不同参数对性能的影响。
2017-08-10 cs.RO cs.SY eess.SY
Online Exploration and Coverage Planning in Unknown Obstacle-Cluttered Environments
University of California, Riverside（加州大学河滨分校）
在线覆盖规划在现场监测和搜索救援等应用中非常有用。在没有环境的先验信息的情况下，考虑到常用车辆中的非完整移动性约束（例如，轮式机器人）仍然是一个挑战。在本文中，我们提出了一个分层的，十六进制分解为基础的覆盖规划算法，未知的，障碍物杂乱的环境。所提出的方法确保了分辨率完全覆盖，可以调整以实现快速探索，并为Dubins车辆规划平滑的路径以实时匀速行驶。露台模拟和硬件实验与非完整轮式机器人表明，我们的方法可以成功地权衡覆盖范围和探索速度，并可以优于现有的在线覆盖算法的总覆盖面积或探索速度，根据它是如何调整。
2020-06-30 cs.RO
Revisiting Boustrophedon Coverage Path Planning as a Generalized Traveling Salesman Problem
Autonomous Systems Lab, ETH Zurich（苏黎世联邦理工学院自主系统实验室）
在本文中，我们提出了一个路径规划器的低空地形覆盖在已知的环境与无人旋翼微型飞行器（MAVs）。机载系统可以通过使用摄像机、探地合成孔径雷达（GPSAR）和金属探测器对疑似危险区域（SHA）进行调查来协助人道主义排雷。大多数可用的覆盖规划器实现的微型飞行器不考虑障碍物，因此不能部署在有障碍的环境中。我们描述了一个开源的框架来执行覆盖规划的多边形飞行走廊的障碍。我们的规划师扩展boustrophedon覆盖规划通过优化不同的扫描组合，以找到最佳的扫描路径，并考虑在过渡飞行期间的障碍细胞之间。我们评估320合成地图上的路径规划，并表明它能够解决现实的规划实例足够快，在现场运行。该规划器实现了14%的路径成本低于传统的覆盖规划器。我们验证了一个真正的平台上，我们显示了低海拔覆盖在一个倾斜的地形与树木的规划。
2019-07-22 cs.RO
Coverage Path Planning using Path Primitive Sampling and Primitive Coverage Graph for Visual Inspection
A*STAR Artificial Intelligence Initiative (A*AI)（新加坡科技研究局人工智能计划（A*AI））；Institute of High Performance Computing（高性能计算研究所）；Carnegie Mellon University（卡内基梅隆大学）
对于无人机视觉检测应用来说，规划路径以收集目标物体的表面信息对于提高效率和降低总体成本至关重要。覆盖路径规划（CPP）的问题往往是制定这些检测应用程序，因为覆盖的要求。传统上，研究人员通常首先规划和优化视点以捕获表面信息，然后优化访问所选视点的路径。在本文中，我们提出了一种新的规划方法，直接采样和规划的检测路径的摄像机配备的无人机，以获取视觉和几何信息的目标结构作为视频流设置在复杂的3D环境。该规划方法首先通过体素膨胀和减法的基础上使用采样方法生成的目标对象周围的通路点和路径基元。然后提出了一种新的基元覆盖图（PCG）编码的拓扑信息，飞行距离和可见性信息，与采样的途经点和路径基元。最后进行图搜索，在PCG中找到结果路径，完成具有覆盖要求的检测任务。通过仿真和现场试验验证了该方法的有效性。
2019-08-08 cs.RO
MSTC*:Multi-robot Coverage Path Planning under Physical Constraints
Shanghai Key Laboratory of Trustworthy Computing（上海市可信计算重点实验室）；Engineering Research Center of Software/Hardware Co-design Technology and Application (MoE)（软硬件协同设计技术与应用教育部工程研究中心）；School of Software Engineering, East China Normal University（华东师范大学软件工程学院）
对于大规模的任务，覆盖路径规划（CPP）可以大大受益于多个机器人。提出了一种基于螺旋生成树覆盖的多机器人覆盖路径规划算法MSTC*。我们的算法结合了严格的物理约束，如地形的可通行性和材料的承载能力。我们比较我们的算法对国家的最先进的mCPP规则的网格地图和真实的实地地形在模拟环境中。实验结果表明，我们的方法显着优于现有的螺旋STC为基础的mCPP方法。我们的算法可以为所有机器人找到一组平衡良好的工作负载分布，因此，实现了完成覆盖的总体最短时间。
2021-08-10 cs.RO
Coverage Path Planning with Budget Constraints for Multiple Unmanned Ground Vehicles
针对多机器人环境感知，本文提出融合可变编队覆盖路径规划与集群协同主动感知的状态机切换方法，并在气源定位建图实验中证明其比单模态方法收敛更快。
2023-06-07 cs.MA cs.RO
Comfortable Priority Handling with Predictive Velocity Optimization for Intersection Crossings
Honda Research Institute (HRI) Europe（本田欧洲研究院（HRI Europe））；Honda Innovation Lab (HIL) Tokyo, Honda R&D Co., Ltd.（本田技研工业株式会社本田东京创新实验室（HIL Tokyo））
研究了具有通行权的四向交叉路口的运动规划问题。道路安全通常将责任分配给追尾碰撞中的跟随者和侧面碰撞中需要屈服的接近车辆。作为一种替代以前的模型的启发式状态机的基础上，我们提出了一个规划框架，根据给定的纵向或横向优先级规则改变其他汽车的预测模型（例如，他们的原型加速和减速）。结合最先进的轨迹优化方法ROPT（风险优化方法），这允许找到自我速度曲线，最大限度地减少曲线和所有相关车辆的风险，同时在监管条件下最大限度地提高效用（达到目标所需的时间）和舒适性（加速的变化和持续时间）。分析和统计评估表明，我们的方法是能够遵循的权利的方式为广泛的其他车辆的行为和路径几何。即使其他车辆以不符合优先级的方式行驶，ROPT也能实现良好的风险-舒适度权衡。
2023-03-14 cs.RO cs.SY eess.SY
Robot Coverage Path Planning for General Surfaces Using Quadratic Differentials
Stony Brook University（石溪大学）；Dalian University of Technology（大连理工大学）
机器人覆盖路径规划（即，通过一个或多个机器人提供给定域的完全覆盖）是机器人和运动规划领域中的经典问题。目标是提供几乎完全覆盖，同时尽量减少重复访问的区域。本文主要研究三维空间中一般曲面上的路径规划问题，包括复杂拓扑的平面域、复杂地形和一般曲面。其主要思想是采用一种自然的、内在的、全局的曲面参数化方法来进行机器人路径规划，即全纯二次微分。除了少量的零点（奇点），表面上的每个点都被赋予一个自然由复数表示的uv坐标。我们表明，自然，高效的机器人路径可以通过使用这样的坐标系。该方法是基于内在的几何形状，因此可以适用于一般的表面勘探在3D。
2017-01-26 cs.RO
Multi-UAV Coverage Path Planning for the Inspection of Large and Complex Structures
A*STAR Institute of Information Research (IR)（新加坡科技研究局信息研究所）；A*STAR Institute of High Performance Computing (IHPC)（新加坡科技研究局高性能计算研究所）；A*STAR Initiative for Artificial Intelligence and Analytics (AI)（新加坡科技研究局人工智能与分析计划）；Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）
我们提出了一个多无人机覆盖路径规划（CPP）框架的大规模，复杂的3D结构的检查。在所提出的基于采样的覆盖路径规划方法中，我们将多无人机检测应用归结为多智能体覆盖路径规划问题。将集合覆盖问题（SCP）和车辆路径问题（VRP）这两个NP难问题相结合，提出了一种集合覆盖车辆路径问题（SC-VRP），并采用改进的有偏随机密钥遗传算法（BRKGA）进行求解。我们测试我们提出的方法，几个复杂的3D结构与3D模型从OpenStreetMap中提取。所提出的方法优于以前的方法，通过减少高达48%的计划检查路径的长度
2020-07-26 cs.RO
GAMEOPT: Optimal Real-time Multi-Agent Planning and Control for Dynamic Intersections
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了GameOpt：一种新的混合动力的方法来协调交叉口控制的动态，多车道，无信号交叉口。要安全地在这些复杂且易发生事故的交叉路口行驶，需要驾驶员之间同时进行轨迹规划和协商。GameOpt是一个混合公式，首先使用拍卖机制为每个代理生成一个优先入口序列，然后使用基于优化的轨迹规划器计算满足优先顺序的速度控制。这种耦合在超过10，000辆/小时的高密度交通中以小于10毫秒的实时的【形】速度运行，比其他完全基于优化的方法快100倍，同时在公平性，安全性和效率方面提供保证。在SUMO模拟器上进行测试，与基于拍卖的方法和使用交通灯和停车标志的信号方法相比，我们的算法将吞吐量提高了至少25%，达到目标所需的时间提高了75%，油耗提高了33%。
2022-03-18 cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University（暨南大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）；Wuyi University（五邑大学）；South China University of Technology（华南理工大学）
本文提出TRACE算法，利用分层覆盖树实现未知环境的在线覆盖路径规划，通过局部优化和全局路径引导，显著提升覆盖效率。
2026-09-21 cs.RO
GamePlan: Game-Theoretic Multi-Agent Planning with Human Drivers at Intersections, Roundabouts, and Merging
University of Maryland（马里兰大学）
我们提出了一种新的多智能体规划方法，涉及人类驾驶员和自动驾驶汽车（AV）在无信号交叉口，圆形，并在合并。在多智能体规划中，主要的挑战是预测其他智能体的行动，特别是人类驾驶员，因为他们的意图对其他智能体是隐藏的。我们的算法使用博弈论来开发一种新的拍卖，称为GamePlan，它根据每个代理的驾驶风格（通过常用的传感器可以观察到）直接确定每个代理的最佳行动。GamePlan为更具侵略性或不耐烦的驾驶员分配更高的优先级，为更保守或耐心的驾驶员分配更低的优先级;我们从理论上证明了这种方法是游戏理论上最佳的，可以防止碰撞和死锁。我们比较我们的方法与现有的国家的最先进的拍卖技术，包括经济拍卖，基于时间的拍卖（先进先出），和随机投标，并表明，这些方法中的每一个导致代理之间的碰撞时，考虑到司机的行为。我们比较了基于DRL，深度学习和博弈论的方法，并提出了我们对这些方法的好处。最后，我们表明，我们的方法可以在现实世界中实现与人类司机。
2022-03-18 cs.GT cs.MA cs.RO
CPPNet: A Coverage Path Planning Network
University of Connecticut（康涅狄格大学）
本文提出了一种基于深度学习的CPP算法，称为覆盖路径规划网络（CPPNet）。CPPNet是使用卷积神经网络（CNN）构建的，其输入是占用网格地图的基于图形的表示，而其输出是边缘概率热图，其中每个边缘的值是属于最佳TSP巡回的概率。最后，使用贪婪搜索来选择最终的优化路线。CPPNet经过训练，并与TSP巡回赛进行了比较评估。结果表明，CPPNet提供了接近最优的解决方案，同时需要显着更少的计算时间，从而使实时覆盖路径规划在部分未知和动态的环境。
2021-08-03 cs.RO cs.SY eess.SY
Optimized Coverage Planning for UV Surface Disinfection
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Harvey Mudd College（哈维穆德学院）
紫外线辐射已被用作消毒策略，以灭活广泛的病原体，但现有的照射策略不能确保所有环境表面的充分暴露和/或需要长的消毒时间。我们提出了一个接近最优的覆盖规划移动紫外线消毒机器人。该配方优化了辐照时间效率，同时确保每个表面接收足够剂量的辐射。考虑到碰撞和光遮挡约束，对轨迹和剂量计划进行了优化。我们提出了一个两阶段的计划，以近似的解决方案，诱导NP难优化，并为效率，执行关键的辐照度和遮挡计算的GPU上。实证结果表明，我们的技术实现了更多的覆盖率相同的曝光时间为现有的UV机器人的策略，可用于比较UV机器人的设计，并产生接近最佳的计划。这是最初贡献给ICRA 2021的论文的扩展版本。
2021-03-25 cs.AI cs.RO
Fields2Cover: An open-source coverage path planning library for unmanned agricultural vehicles
Wageningen University & Research（瓦赫宁根大学及研究中心）
本文介绍了Fields 2Cover，一个新的开源库覆盖路径规划（CPP）的农用车辆。虽然现在有几种CPP解决方案，但将它们统一到开源库并提供基准测试工具来比较它们的性能的努力有限。Fields 2Cover提供了一个框架，用于规划覆盖路径，开发新技术，并对最先进的算法进行基准测试。该库具有模块化和可扩展的架构，支持各种车辆，可用于各种应用，包括农场。它的核心模块是：一个岬生成器，一个条带生成器，一个路线规划器和路径规划器。机器人操作系统（ROS）的接口也提供了作为add-on. In本文中，库的功能，规划覆盖路径在农业中使用8个国家的最先进的方法和7个目标函数在模拟和田间试验。
2023-02-17 cs.CG cs.RO
$ε^*$+: An Online Coverage Path Planning Algorithm for Energy-constrained Autonomous Vehicles
University of Connecticut（康涅狄格大学）
本文提出了一种新的算法，称为$ε^*$ +，使用能量受限的自主车辆的未知环境的在线覆盖路径规划。由于有限的电池尺寸，能量受限的车辆具有有限的操作时间持续时间。因此，在执行覆盖轨迹时，车辆必须在电池耗尽之前返回充电站进行充电。在这方面，$ε^*$ +算法使得车辆能够基于在整个覆盖过程中监测的剩余能量退回到充电站。这之后是一个前进轨迹，它将飞行器带到附近未探测的航路点重新开始覆盖过程，而不是将其带回到撤退轨迹的先前遗留点;从而减少了整体覆盖时间。所提出的$ε^*$ +算法是$ε^*$算法的扩展，该算法利用探索性图灵机（ETM）作为管理器，以来回轨迹导航车辆以实现完全覆盖。$ε^*$ +算法的性能在复杂场景中使用Player/Stage（高保真机器人模拟器）进行了验证。
2020-08-29 cs.AI cs.RO cs.SY
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑，通过多模式串联实现名义无损喷雾，并与Boustrophedon路径规划下的反应式开关逻辑对比，分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Corner Cases: Headland Coverage Path Planning for Autonomous Driving in Arable Farming
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）
该研究针对农田自动驾驶地头覆盖路径规划问题，提出修改多边形角落以实现倒车转向的新方法，在特定角度角落覆盖效果优于现有方法，适用性经真实田地图验证。
2026-09-04 cs.RO
Priority-based intersection management with kinodynamic constraints
MINES ParisTech（巴黎高等矿业学院）；Inria Paris - Rocquencourt（法国国立信息与自动化研究院巴黎-罗克库尔中心）
我们考虑的问题，协调的机器人集合在一个交叉区域考虑到动态约束，由于执行器的限制。我们采用协调空间的方法，这是标准的多机器人运动规划。假设机器人之间的优先级预先分配和存在的无碰撞轨迹尊重这些优先级，我们提出了一个可证明安全的轨迹规划满足kinodynamic约束。该算法是实时的运行，并返回安全（无碰撞）的轨迹。在合成数据上的仿真结果说明了该方法的优点。
2014-05-05 cs.RO
Path Planning for Spot Spraying with UAVs Combining TSP and Area Coverages
Findklein GmbH（芬德克莱因有限公司）
针对农田杂草定点喷洒，本文融合TSP启发式与区域覆盖路径规划，通过三组真实实验验证算法，并发现区域覆盖长度对总航程影响显著。
2025-02-19 cs.RO
Optimal Partitioning of Non-Convex Environments for Minimum Turn Coverage Planning
University of Waterloo（滑铁卢大学）；Avidbots Corp.（Avidbots公司）
在本文中，我们解决的问题，规划一个最佳的覆盖路径的机器人在室内工作。许多现有的方法试图通过沿着最少数量的覆盖线覆盖环境来阻止路径中的转弯，即，直线路径。这是因为转弯不仅会减慢机器人的速度，而且还会对覆盖质量产生负面影响，例如，像照相机和清洁附件这样的工具通常在转弯时性能较差。然而，最小化覆盖线的问题通常使用不保证最优性的算法来解决。在这项工作中，我们提出了一个转弯最小化覆盖规划方法，计算的最佳数量的轴平行（水平/垂直）的覆盖线的环境中的多项式时间。我们这样做，制定一个线性规划（LP），最佳分割成轴平行的行列（宽度等于工具宽度的非相交矩形）的环境。然后，我们生成一组真实世界的室内环境的覆盖路径，并与国家的最先进的覆盖方法的结果进行比较。
2022-05-26 cs.RO cs.SY eess.SY
Edge Coverage Path Planning for Robot Mowing
Wayne State University（韦恩州立大学）
由于机器人技术的快速发展，机器人割草正在出现，以解放人类从繁琐和耗时的景观工作。传统上，机器人割草被认为是一个“覆盖路径规划”的问题，与简化，将非凸障碍转化为凸障碍。此外，通常通过机器人外接圆对转换后的障碍物进行扩张以避免碰撞。然而，当应用于机器人割草时，草坪中的障碍物通常是非凸的，想象一下草坪上的花园，使得所提到的障碍物处理方法将填充一些凹进区域，使得它们不再被机器人接近，并且因此沿着草坪边缘产生不可避免的未切割区域，这使景观的优雅变得暗淡并且引起返工。为了缩小草坪边缘周围的未切割区域，我们在此将该问题重新构建为一个全新的问题，命名为“边缘覆盖路径规划”问题，该问题专用于路径规划，目标是覆盖边缘。相应地，我们提出了两种规划方法，“大小盘”和“滑动盘”规划方法来解决这个问题，利用图像形态学处理和计算几何技能。通过验证，我们提出的方法可以优于传统的“外接圆膨胀”的方法。
2022-09-12 cs.RO
A Hierarchical Coverage Path Planning Algorithm for Unknown Environments
Jinan University（暨南大学）；Beijing Institute of Technology（北京理工大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出一种未知环境下的在线分层覆盖路径规划算法，通过增量分解树组织子区域并动态更新全局覆盖路线，仿真验证其相比三种基线算法在路径长度和重叠率上提升了覆盖效率。
2026-09-14 cs.RO
Benchmarking Classical Coverage Path Planning Heuristics on Irregular Hexagonal Grids for Maritime Coverage Scenarios
Facultad de Ingeniería y Ciencias, Universidad Adolfo Ibáñez（工程与科学学院，阿道弗·伊巴涅斯大学）；Dirección de Programas, Investigación y Desarrollo, Armada de Chile（智利海军计划、研究与开发 Directorate）；Millennium Nucleus for Social Data Science (SODAS)（社会科学数据科学千年核基金（SODAS））；Millennium Nucleus in Data Science for Plant Resilience (PhytoLearning)（植物韧性数据科学千年核基金（PhytoLearning））
本文提出一个可重复的基准测试，评估经典单车覆盖路径规划启发式方法在不规则六边形网格上的性能，包含10000个哈密顿可行实例和17种启发式方法，揭示实现细节对稀疏几何图性能的影响。
2026-04-16 cs.AI cs.RO math.OC
Mixed Integer Programming for Time-Optimal Multi-Robot Coverage Path Planning with Efficient Heuristics
Simon Fraser University（西蒙弗雷泽大学）
本文首次提出混合整数规划模型最优求解MMRTC，并设计两种缩减变量的高效启发式，使多机器人覆盖时间可证明不超过最优解四倍，实验显示较两个最先进规划器平均减少27.65%和23.24%的覆盖时间。
2023-08-11 cs.AI cs.RO
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology（吕勒奥理工大学）
本文研究了利用多个无人机对复杂基础设施进行检测（离线三维重建）的协同覆盖路径规划（C-CPP）问题。该方案基于基础设施的先验3D模型，能够为无人机生成多条路径，以便在短时间内实现完整的合作覆盖。最初，被检查的基础设施被水平平面切片，其具有识别结构的分支的能力，并且这些分支将被处理为UAV的路径规划的断点，以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务，并且更现实。通过利用SLAM和运动恢复结构方法，利用单目或立体传感器，将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 cs.RO
From 2D to 3D terrain-following area coverage path planning
Findklein GmbH（Findklein公司）
本文提出了一种三维地形跟随区域覆盖路径规划算法，生成多个相邻路径，确保局部间距与工作宽度一致，同时投影距离与特定工作高度一致，并通过实际农业数据验证算法效果。
2026-03-23 cs.RO cs.SY eess.SY
3D-CovDiffusion: 3D-Aware Diffusion Policy for Coverage Path Planning
IEEE
本文提出 3D-CovDiffusion，将覆盖路径规划转化为条件序列生成问题，采用几何条件扩散框架从三维点云合成轨迹，相比基线方法在轨迹平滑度、覆盖率等指标上实现显著提升。
2026-08-04 cs.RO
Approximate Environment Decompositions for Robot Coverage Planning using Submodular Set Cover
University of Waterloo（滑铁卢大学）；Avidbots Corp.（Avidbots公司）
针对机器人覆盖路径规划中的环境分解问题，提出基于子模集覆盖的重叠矩形扇区分解方法，并通过贪心算法给出扇区数量近似保证，实验表明其优于现有方法。
2024-09-04 cs.RO
Distributed area coverage path planning subject to the inclusion of a headland path
Findklein GmbH（芬德克莱因有限公司）
本文针对含地头路径约束的分布式区域覆盖路径规划问题，提出确定性方法，可结合多机器人及各类约束生成覆盖路径，还对比了Boustrophedon模式方法并凸显其优势。
2026-10-14 cs.RO
