Virtual Holonomic Constraints in Motion Planning: Revisiting Feasibility and Limitations
Department of Information Technologies and AI（信息科技与人工智能系）
针对单欠驱动机械系统，论文通过 PVTOL 周期运动反例与形式化证明指出传统 VHC 定义过严，呼吁重新定义以扩大其运动规划适用范围。
2025-07-23 cs.RO
Model Predictive Control of Non-Holonomic Vehicles: Beyond Differential-Drive
Institute of Engineering and Computational Mechanics, University of Stuttgart（斯图加特大学工程与计算力学研究所）
本文结合MPC理论与次黎曼几何，提出了一种基于齐次幂零系统近似的MPC控制器设计流程，用于将可控无漂移的非完整车辆引导至设定点，并证明非二次型代价函数对可靠实现闭环渐近稳定至关重要。
2022-05-23 cs.RO cs.SY eess.SY
MPC-based motion planning for non-holonomic systems in non-convex domains
University of Applied Sciences Kempten（应用科学大学凯普滕）；Departamento de Ingeniería de Sistemas y Automática, Universidad de Sevilla（系统与自动化工程系，塞维利亚大学）；CNR-IEIIT（意大利国家研究委员会-IEIIT）
针对现有输出跟踪MPC基础研究多假设完整系统与凸约束、缺乏非完整系统非凸约束下完备性证明的问题，提出一种新颖MPC公式，可在符合实际的假设下保证自主移动机器人运动规划收敛到目标。
2025-10-21 cs.RO cs.SY eess.SY
Efficient Trajectory Planning for Multiple Non-holonomic Mobile Robots via Prioritized Trajectory Optimization
Nanyang Technological University（南洋理工大学）
在本文中，我们提出了一种新的方法来有效地产生无碰撞的最优轨迹的多个非完整移动机器人在障碍物丰富的环境。我们的方法首先采用基于图的多智能体路径规划器找到一个初始的离散解，然后使用非线性优化将此解细化为平滑的轨迹。我们将机器人团队分成小的组，并提出了一个优先级的轨迹优化方法，以提高算法的可扩展性。由于解耦的优化框架，在某些情况下可能会出现不可行的子问题。为了解决这个问题，提出了一种新的分组和优先级分配策略，以增加找到可行轨迹的概率。与耦合轨迹优化方法相比，该方法在对规划的最优性影响较小的情况下，大大减少了计算时间。仿真和硬件实验验证了该方法的有效性和优越性。
2020-12-15 cs.RO
Non-Holonomic RRT & MPC: Path and Trajectory Planning for an Autonomous Cycle Rickshaw
Technical University of Munich (TUM)（慕尼黑工业大学）；University of Sarajevo（萨拉热窝大学）
提出了一种基于快速探索随机树（RRT）进行全局规划和基于模型预测控制（MPC）进行局部规划的分层运动规划方法。该方法的目标是用于共享空间中的自主城市交通的三轮自行车（三轮车）。由于车辆的性质，算法必须进行调整，以遵守非完整的运动学约束，使用运动学单轨模型。该车辆旨在为共享环境中的人员和货物提供运输，例如道路，人行道，自行车道以及经常被其他交通参与者占用的开放空间。因此，本文提出的算法需要预测和避免动态障碍物，如行人或自行车，但也要足够快，以便实时工作，使其能够适应环境的变化。我们的方法使用了RRT的变种，已被修改为单轨道运动学和改进，利用死端节点的全球规划。这使我们能够在非结构化环境中非常快速地计算全局路径。在第二步中，我们的基于MPC的本地规划器利用全局路径来计算车辆的轨迹，同时将动态障碍物，如行人和其他道路使用者。我们的方法已被证明在模拟和第一次现实生活中的测试，可以很容易地扩展到更复杂的行为。
2021-03-10 cs.RO
A Homotopy Method for Motion Planning
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们提出了一种新的运动规划方法，并说明其实施的几个典型的例子。该方法的核心新思想是定义一个度量，对于该度量，最小长度的路径是可接受的路径，即尊重环境和系统物理对其动态施加的各种约束的路径。更准确地说，我们的方法作为输入的控制系统完整和非完整的约束，初始和最终点的配置空间，一个描述的障碍物，以避免，和初始轨迹的系统，称为草图。该初始轨迹不需要满足除避障约束之外的约束。然后，将约束编码在内积中，该内积用于将初始草图变形（通过同伦）成可容许的轨迹，从该轨迹可以获得实现转移的控制。我们说明了各种例子，包括车辆运动的障碍和两个链接机械手的问题的方法。
2019-01-29 cs.RO math.OC
Improving the Quality of Non-Holonomic Motion by Hybridizing C-PRM Paths
Tel-Aviv University（特拉维夫大学）；The Hebrew University（希伯来大学）
基于采样的运动规划器是生成无碰撞运动路径的有效手段。然而，这些运动路径的质量，相对于不同的质量测量，例如路径长度、间隙、平滑度或能量，通常是非常低的。在基于非完整采样的运动规划中，可行运动轨迹的空间受到限制，这一问题更加突出。在这项研究中，我们结合了C-PRM算法宋和阿马托与我们最近推出的路径杂交的方法，用于创建高品质的非完整运动路径，与几个不同的质量措施，如路径长度，平滑度或间隙的组合，以及反向汽车运动的数量。我们的实现包括各种代码优化，这些代码优化可以实现近乎实时的性能，我们相信可以通过进一步优化扩展到用于规划高质量汽车运动的实时工具。
2010-09-24 cs.RO
Trajectory Optimization for Curvature Bounded Non-Holonomic Vehicles: Application to Autonomous Driving
IIIT Hyderabad（印度国际信息技术研究所海得拉巴分校）；Tampere University of Technology（坦佩雷理工大学）
本文提出了一种轨迹优化方法，用于计算非完整曲率有界飞行器在静态和动态障碍物中的光滑无碰撞轨迹。我们制定的一个关键的新颖性是一个分层的优化程序，交替操作的角加速度和线速度的空间。也就是说，优化具有两层结构，其中优化角加速度，保持线速度固定，反之亦然。如果车辆/障碍物被建模为圆，则速度优化层可以被示出为具有对于线性系统通常观察到的凸结构的计算有效差异。这导致与通过单独地通过其外切圆近似每个多边形所获得的近似相比，保守性较低的近似。另一方面，它会导致优化问题的约束数量较少相比，当近似多边形作为多个重叠的圆。我们使用所提出的轨迹优化作为构建模型预测控制框架的基础，用于在超车、变道和合并等复杂场景中导航自动驾驶汽车。此外，我们还强调了交替优化例程所提供的优势。具体而言，我们表明它产生的轨迹具有可比的弧长和平滑度相比，在角加速度和线速度的空间中与联合同时优化产生的。然而，重要的是，交替优化在计算时间上提供了一些增益。
2018-03-08 cs.RO
Fast-Replanning Motion Control for Non-Holonomic Vehicles with Aborting A*
University of Bonn（波恩大学）
自动驾驶车辆必须能够在动态和不可预测的环境中以无碰撞的方式导航。到目前为止，这一点在无人驾驶汽车和仓库设施中只得到了部分实现，在这些设施中，道路、车道和交通标志等标记结构简化了运动规划和碰撞避免问题。我们正在为汽车类车辆提供一种新的控制方法，该方法基于前所未有的快节奏A* 实现，允许控制周期以30 Hz的频率运行。这个频率使我们能够将我们的A* 算法作为一个低级别的重新规划控制器，非常适合在几乎任何动态环境中的导航和防撞。由于一个有效的启发式组成的旋转-平移-旋转运动沿着最短的路径布局到目标，我们的短期中止A*（STAA*）收敛速度快，可以提前中止，以保证高和稳定的控制率。虽然我们的STAA* 沿着最短路径扩展状态，但它负责与环境的碰撞检查，包括移动障碍物的预测状态，并在计算时间耗尽时返回找到的最佳解决方案。尽管有限的计算时间，我们的STAA* 不会陷入角落，由于以下的最短路径。在模拟和真实的机器人实验中，我们证明，我们的控制方法几乎完全消除碰撞，是优于改进版本的动态窗口方法与预测避碰能力。
2022-07-21 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
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
Finding Coordinated Paths for Multiple Holonomic Agents in 2-d Polygonal Environment
FEL, CTU in Prague（布拉格捷克理工大学电气工程学院）
避免冲突是自治移动代理系统的重要任务之一。我们专注于问题的连续协调路径的多个移动磁盘代理在2-D环境中的多边形障碍。该问题是PSPACE困难的，状态空间随着代理数量呈指数级增长。因此，现有技术的方法主要包括反应式技术和基于采样的迭代算法。我们比较了广泛使用的反应方法ORCA的性能与三种变体的流行的规划算法RRT* 应用于多智能体路径规划，并发现一种算法相结合的反应碰撞避免和RRT* 规划，我们称之为ORCA-RRT* 可以用来解决的情况下，是达到的技术。我们的实验表明：1）该算法的反应部分可以有效地解决许多涉及大量代理的多代理路径查找问题，RRT* 算法通常无法在有限的时间内找到解决方案，以及2）该算法的规划组件能够解决许多包含局部最小值的实例，其中反应技术通常失败。
2014-02-14 cs.AI cs.RO
Improved path planning algorithms for non-holonomic autonomous vehicles in industrial environments with narrow corridors: Roadmap Hybrid A* and Waypoints Hybrid B*. Roadmap hybrid A* and Waypoints hybrid A* Pseudocodes
University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）；Gruppo TecnoFerrari S.p.a. con socio unico（泰克诺法拉利集团股份公司（单一股东））
针对狭窄走廊工业场景的类车自主车辆，提出结合静态路线图搜索的Roadmap Hybrid A*与拓扑图航点引导的Waypoint Hybrid A*两种路径规划算法，仿真验证其在多项指标上优于标准Hybrid A*。
2023-04-27 cs.RO
Gaussian Belief Trees for Chance Constrained Asymptotically Optimal Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
在本文中，我们解决的问题，基于采样的运动规划运动和测量的不确定性与概率保证。我们推广传统的基于采样树的运动规划算法的确定性系统，并提出信念- $\mathcal{A}$，一个框架，扩展任何kinodynamic树为基础的规划器的线性（或线性化）系统的信念空间。我们引入适当的抽样技术和距离度量的信念空间，保持概率的完整性和渐近最优性能的基础计划。我们证明了我们的方法有效地找到安全的低成本路径，并在模拟渐近最优，完整和非完整系统的有效性。
2022-10-04 cs.RO cs.SY eess.SY
A sub-optimal sampling based method for path planning
本文提出了一种求解非完整系统次优路径的搜索算法。为此，该算法开始对车辆的前部进行采样，并利用成本函数向目的地移动。利用自行车模型定义了非完整系统，并采用不同的积分方法对系统动力学进行了稳定性分析。为了减少计算时间，选择了一种合适的积分方法和一个合理的大步长。当树足够接近目的地时，算法返回路径，并且为了将树连接到目的地点，定义了使用单次射击方法的最优控制问题。为了测试该算法，对不同的场景进行了测试，仿真结果表明该算法是成功的。
2016-12-19 cs.RO
Motion Planning Explorer: Visualizing Local Minima using a Local-Minima Tree
University of Stuttgart（斯图加特大学）
运动规划问题往往有许多局部最小值。这些最小值对于可视化以让用户引导、防止或预测运动是重要的。为了实现这一目标，我们开发的运动规划资源管理器，一种算法，让用户交互式地探索一棵树的局部极小值。根据Morse理论的思想，我们将局部极小定义为在最小化成本泛函下的路径不变。局部最小值使用由用户指定的低维投影被分组到局部最小值树中。然后，用户可以交互式地探索局部最小值树，从而可视化问题结构并引导或防止运动。我们展示了运动规划资源管理器忠实地捕捉本地最小值在四个现实的情况下，完整和某些非完整的机器人。
2019-11-03 cs.AI cs.RO
Multi-Waypoint Path Planning and Motion Control for Non-holonomic Mobile Robots in Agricultural Applications
Institute for Applied Artificial Intelligence and Robotics (IKR)（应用人工智能与机器人研究所）
针对农业非结构化环境下非完整移动机器人的多航点导航需求，提出融合DTSP全局规划与NMPC局部控制的集成框架，仿真验证其路径更短更平滑，可高效满足农业自主导航约束。
2025-07-31 cs.AI cs.RO cs.SY
Safe Model Predictive Control Approach for Non-holonomic Mobile Robots
Delft University of Technology（代尔夫特理工大学）
针对非完整移动机器人的规划与控制问题，设计了一种模型预测控制（MPC）方法。围绕预先计算的参考轨迹线性化系统动态给出了时变LQ MPC问题。我们分析表明，通过专门设计的MPC控制器，随时间变化，线性化系统可以产生在跟踪任务的原点附近的渐近稳定。我们进一步提出了两种避障方法。通过在速度空间中定义线性化约束，并基于当前状态显式耦合两个控制输入，我们的第二种方法直接考虑了系统的非完整性，从而证明了优化问题的不可行性。仿真结果表明，对于静态和动态避障，我们的LQ MPC方法的规划轨迹是光滑和有效的解决非线性规划（NLP）问题，但在一个更有效的方式。
2022-10-10 cs.RO
Real Time Motion Planning Using Constrained Iterative Linear Quadratic Regulator for On-Road Self-Driving
Tencent Technology (Beijing) Company Limited（腾讯科技（北京）有限公司）
避免碰撞是人们在开发自动驾驶技术时需要考虑的最具挑战性的任务之一。在本文中，我们提出了一种新的时空运动规划算法，有效地解决了约束非线性最优控制问题，使用迭代线性二次型调节器（iLQR），该方法考虑了交通车辆的不确定驾驶行为，并将自动驾驶车辆之间的碰撞风险降至最低，（称为“自我”车辆）和交通车辆之间的距离，使得自我车辆能够与所有周围车辆保持足够大的距离，以实现交通中期望的防撞操纵。为此，我们引入了“碰撞多边形”的概念，用于计算自我车辆和交通车辆之间的最小距离，并提供了两种不同的解决方案，设计的运动规划问题的约束条件，通过适当建模的交通车辆的行为，以评估碰撞风险。最后，利用仿真器和3级自动驾驶测试平台，对iLQR运动规划算法在多个实时避碰任务中进行了验证。
2022-02-17 cs.RO math.OC
Optimization-based motion planning for multi-steered articulated vehicles
Linköping University（林雪平大学）
即使对于有经验的驾驶员来说，在狭窄的环境中操纵多转向铰接车辆的任务也是困难的。在这项工作中，我们提出了一个基于优化的轨迹规划器，针对低速机动的非结构化环境中的多转向N拖车车辆，这是由一个汽车一样的拖拉机和任意数量的相互连接的拖车固定或可转向的车轮。所提出的轨迹规划框架分为两个步骤，其中基于网格的轨迹规划器在第一步骤中用于计算轨迹规划问题的离散化版本的分辨率最优解。然后，在第二步骤中使用来自网格规划器的输出来初始化最优控制问题求解器，这使得框架能够计算在车辆的初态开始并精确地到达目标状态的局部最优轨迹。所提出的基于优化的轨迹规划器的性能进行评估，在一组实际相关的情况下，多转向3拖车车辆与车一样的拖拉机，其中最后一个拖车是可操纵的。
2020-03-02 cs.RO math.OC
Path Planning for Multiple Heterogeneous Unmanned Vehicles with Uncertain Service Times
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Wayne State University（韦恩州立大学）；Air Force Research Laboratory（空军研究实验室）
本文提出了一个框架，并制定解决路径规划问题的多个异构无人机（UV）与不确定的服务时间为每个车辆-目标对。车辆将受到与其总服务时间超过预设常数的持续时间成比例的惩罚。这些车辆的运动限制不同，在任务开始时位于不同的仓库。车辆还可以配备不同的传感器。目标是为每辆车找到一个在其各自的停车场开始和结束的行程，使得每个目标都被某辆车访问和服务，同时最小化总行驶距离和所有车辆所产生的预期惩罚之和。我们制定的问题作为一个两阶段的随机程序与追索权，目前的理论性质的制定和优势，使用这样的制定，而不是一个确定性的期望值制定，来解决这个问题。大量的数值模拟也证实了所提出的方法的有效性。
2017-02-24 cs.RO math.OC
Path planning for autonomous vehicles with minimal collision severity
Universität der Bundeswehr München（慕尼黑联邦国防军大学）
本文提出一种针对自动驾驶车辆的两层最优控制路径规划算法，通过生成碰撞严重度图，在碰撞不可避免时寻找严重度最低且转向力最小的路径，并验证了其有效性。
2024-08-28 cs.RO math.OC
An Iterative LQR Controller for Off-Road and On-Road Vehicles using a Neural Network Dynamics Model
Texas A&M University（德克萨斯A&M大学）
本文提出结合神经网络动力学模型与ILQR的轨迹跟踪控制器，并用MPC补偿模型误差，在越野和道路车辆上验证其跟踪性能。
2020-07-28 cs.LG cs.RO cs.SY
Policy Optimization to Learn Adaptive Motion Primitives in Path Planning with Dynamic Obstacles
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；JSC Integrant（JSC Integrant公司）；Federal Research Center for Computer Science and Control RAS（俄罗斯科学院计算机科学与控制联邦研究中心）；AIRI
本文研究了非完整机器人在动态环境中的运动动力学运动规划问题。将问题分解成更小的子问题，并将局部解组合成全局解，是解决这一问题的有效方法之一。任何非完整机器人规划方法的关键是生成运动原语，生成局部规划子问题的解决方案。在这项工作中，我们引入了一种新的学习转向功能（政策），它考虑到机器人的kinodynamic约束和静态和动态障碍。该策略通过策略优化进行有效训练。从经验上讲，我们表明，我们的指导功能推广以及看不见的问题。然后，我们将经过训练的策略插件插入到基于采样和基于网格的规划器中，并在一系列具有挑战性的设置中评估所得到的POLAMP算法（学习自适应运动原语的策略优化），这些设置涉及在障碍物丰富的停车场环境中操作的汽车式机器人。我们表明，POLAMP是能够规划无碰撞的运动动力学轨迹，成功率高于92%，当50个同时移动的障碍物填充的环境表现出更好的性能比国家的最先进的竞争对手。
2022-12-29 cs.RO
Optimal Vehicle Path Planning Using Quadratic Optimization for Baidu Apollo Open Platform
路径规划是自主车辆运动规划的关键组成部分。路径规定了车辆将行驶的几何形状，因此，它对车辆安全和舒适的运动至关重要。对于城市驾驶场景，自动驾驶车辆需要能够在混乱的环境中导航，例如，道路被一些车辆/障碍物部分堵塞。如何在复杂的环境中生成运动学上可行的、平滑的、能够避免碰撞的路径，使得路径规划成为一个具有挑战性的问题。在本文中，我们提出了一种新的二次规划方法，产生最佳路径的分辨率完全避免碰撞的能力。
2021-12-03 cs.RO
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs)
Center for Technologies in Robotics and Mechatronics Components, Innopolis University（英诺波利斯大学机器人与机电一体化组件技术中心）
我们探索路径规划其次是运动动力学平滑，同时确保车辆动力学的可行性微型飞行器。为此，我们选择了基于几何的运动规划技术\textquotedblleft RRT* \textquotedblright \;。在所提出的技术中，我们修改了原始RRT* 引入自适应搜索空间和转向功能，这有助于增加规划器的一致性。此外，我们提出了多个RRT*，它产生一组所需的路径，提供了最佳的路径是其中选择。然后，应用运动动力学平滑技术，得到动态可行的无障碍路径，并利用b样条曲线生成未知环境下的自主机动轨迹。最后，我们在各种模拟环境中测试了所提出的技术。
2020-08-29 cs.CV cs.RO math.OC
Towards Search-based Motion Planning for Micro Aerial Vehicles
University of Pennsylvania（宾夕法尼亚大学）；UC San Diego（加州大学圣地亚哥分校）
基于搜索的运动规划已被用于移动机器人的许多应用。然而，由于微型飞行器（MAVs）复杂的动力学和实时计算的要求，它还没有得到充分的发展和应用，规划的全状态轨迹。在本文中，我们探讨了一个基于搜索的运动规划框架，计划动态可行的，无碰撞，分辨率最佳和完整的轨迹。本文扩展了基于搜索的规划方法，以解决三个重要的情况下，微型飞行器导航：（i）规划安全的轨迹存在的运动不确定性;（ii）规划与约束的视野和（iii）规划在动态环境中。我们表明，这些问题可以有效地解决，高效地使用所提出的基于搜索的运动基元规划。
2018-10-07 cs.RO
Predictive Risk Analysis and Safe Trajectory Planning for Intelligent and Connected Vehicles
本文提出一种智能网联汽车的预测风险分析与安全轨迹规划框架，通过局部风险感知算法预测未来轨迹并进行时空离散化风险分析以生成安全轨迹，仿真与实验验证了其有效性与实时性。
2025-06-30 cs.RO
Trajectory Planning for Connected and Automated Vehicles: Cruising, Lane Changing, and Platooning
自动化和连通性被认为是最有前途的技术之一，可以提高运输系统的安全性、移动性、燃料和时间消耗。联网和自动驾驶车辆（CAV）的一些燃油效率优势可以通过队列行驶来实现。一个排是一列虚拟的CAV训练，它们跟随排长一起行进，彼此之间有很小的间隙。车辆还可以通过改变车道来减少行驶时间。在本文中，我们设计了一个最优控制为基础的轨迹规划模型，可以提供安全和有效的轨迹为主题的车辆，并可以包括排队和换道。我们将此轨迹规划模型嵌入到仿真框架中，以量化其效率优势，因为它与动态交通流中的燃料消耗和行驶时间有关。此外，我们进行了大量的数值实验，以调查是否，以及在何种情况下，在上游的主体车辆的车辆也可能会遇到二手燃料效率的好处。
2020-01-23 cs.RO
Motion Planning for Autonomous Vehicles: When Model Predictive Control Meets Ensemble Kalman Smoothing
Department of Mechanical Engineering, University of Kansas（机械工程系，堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文将基于神经网络车辆模型的NMPC运动规划重构为贝叶斯估计问题，并用序贯集合卡尔曼平滑器求解，显著降低计算成本。
2025-05-10 cs.RO
A Framework for Collision-Tolerant Optimal Trajectory Planning of Autonomous Vehicles
碰撞容限轨迹规划是考虑碰撞，如果规划得当，可以为能够处理碰撞的机器人提供更有效的路径规划。一个混合整数规划（MIP）的优化配方演示了计算的实用性，包括计划的碰撞优化轨迹。提出了一种毁伤量化函数，并通过仿真研究了毁伤函数约束对弹道的影响。使用一个简单的例子，在此模式下实现的性能增加相比，无碰撞的最佳轨迹。
2016-11-23 cs.RO
Unmanned Surface Vehicle Path Planning from the Perspective of Multi-Modality Constraints: A Comprehensive Analysis
Wuhan University of Technology（武汉理工大学）；Delft University of Technology（代尔夫特理工大学）
本文从多模态约束视角系统梳理无人水面艇路径规划，将其分为航线、轨迹和运动规划三个阶段，综述各阶段方法与经典算法，并指出存在问题与未来研究方向。
2025-03-09 cs.RO
Results of the 2023 CommonRoad Motion Planning Competition for Autonomous Vehicles
Université Paris Cité（巴黎大学）；Technische Universität München（慕尼黑工业大学）
基于CommonRoad基准套件举办自动驾驶运动规划竞赛，评估各方法在效率、安全、舒适及交通规则遵守方面的表现，并总结主要结果。
2024-11-10 cs.RO
A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles
Massachusetts Institute of Technology（麻省理工学院）；CTU in Prague（布拉格捷克理工大学）
自动驾驶汽车是一项成熟的技术，有可能通过提高汽车运输的安全性、可达性、效率和便利性来重塑移动性。自动驾驶车辆必须执行的安全关键任务包括通过与其他车辆和行人共享的动态环境规划运动，以及通过反馈控制进行鲁棒执行。本文的目的是调查的规划和控制算法，特别是关于城市设置的当前状态的艺术。选择建议的技术进行审查，以及讨论其有效性。所调查的方法在所使用的车辆机动性模型、对环境结构的假设以及计算要求方面有所不同。本调查中提供的并排比较有助于深入了解所审查方法的优势和局限性，并有助于系统级设计选择。
2016-04-25 cs.RO
Potential Field-based Path Planning with Interactive Speed Optimization for Autonomous Vehicles
The University of Tokyo（东京大学）
针对现有势场路径规划未考虑自车势场对障碍车辆影响的问题，提出基于V2V共享局部路径的交互式速度优化势场规划方法，可提升双方行驶安全舒适性并减少振荡。
2023-06-12 cs.RO
Optimization-based Safe Trajectory Planning for Autonomous Ground Vehicle in Multi-Floor Scenarios
Beijing Institute of Technology（北京理工大学）；Tsinghua University（清华大学）
提出一种针对多楼层场景的轨迹规划框架，包括基于广义Voronoi图和多目标算法的任务规划模块，以及采用优化方法和热启动分层规划生成高质量轨迹的轨迹规划模块，并通过仿真验证可行性。
2026-06-24 cs.RO
Autonomous Vehicle Parking in Dynamic Environments: An Integrated System with Prediction and Motion Planning
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本文提出了一种集成的运动规划系统的自主车辆（AV）停车在其他移动车辆的存在。拟议的系统包括1）预测周围车辆运动的混合环境预测器和2）对预测做出反应的战略运动规划器。混合环境预测器通过扩展卡尔曼滤波器和自适应观测器进行短期预测。它还将短期预测与驾驶员行为成本图相结合，以进行长期预测。该策略运动规划器包括：1）基于模型预测控制的安全控制器，用于轨迹跟踪; 2）基于搜索的撤退规划器，用于在紧急情况下寻找规避路径; 3）基于优化的修复规划器，用于在原始路径无效时规划新路径。仿真验证表明，所提出的方法在初始规划，运动预测，安全跟踪，在紧急情况下撤退，和轨迹修复方面的有效性。
2022-04-26 cs.RO
Motion Planning for Multirotor Aerial Vehicles in Plan-based Control Paradigm: a Review
Innopolis University（Innopolis大学）
通常，最佳运动规划可以局部地和全局地执行。在这种规划中，选择局部规划技术还是全局规划技术主要取决于环境条件是动态的还是静态的。因此，最适当的选择是使用局部规划或局部规划与全局规划。在设计局部和全局最优运动规划时，要记住的关键指标是执行时间、渐近最优性和对动态障碍物的快速反应。这样的规划方法与诸如路径规划之后进行平滑的其他方法相比可以更有效地解决上述目标度量。因此，本研究的首要目标是分析相关文献，以了解如何制定的运动规划，特别是轨迹规划，问题时，被应用于实时生成最佳轨迹的多旋翼飞行器（MAVs），影响所列指标。作为研究的结果，轨迹规划问题被分解为一组子问题，并确定和详细描述了解决每个问题的方法列表。随后，对2010年至2022年期间最突出的成果进行了总结，并以时间轴的形式进行了介绍。
2023-01-30 cs.RO
Model predictive approach to integrated path planning and tracking for autonomous vehicles
National Institute of Informatics（国立信息学研究所）；Hunan University（湖南大学）
在自主应用的路径规划问题中，现有的研究都是将自主车辆的路径规划和轨迹跟踪控制分开考虑，很少将轨迹规划和轨迹控制结合起来。为了填补这一研究空白，本研究提出了一种集成的轨迹规划和轨迹控制方法。本文还研究了考虑静态和动态障碍物的自主避碰问题。仿真结果表明了所提出的控制方法的有效性。
2019-05-09 cs.RO math.DS
A Human-Centric Method for Generating Causal Explanations in Natural Language for Autonomous Vehicle Motion Planning
University of Edinburgh（爱丁堡大学）；Five AI Ltd.（Five AI有限公司）
难以理解的人工智能系统很难信任，特别是如果它们在自动驾驶等安全关键环境中运行。因此，有必要建立透明和可查询的系统，以提高信任水平。我们提出了一个透明的，以人为中心的解释生成方法，自主车辆运动规划和预测的基础上，现有的白盒系统称为IGP 2。我们的方法将贝叶斯网络与上下文无关的生成规则相结合，可以为自动驾驶汽车的高级驾驶行为提供因果自然语言解释。对模拟场景的初步测试表明，我们的方法捕捉到了自动驾驶汽车行为背后的原因，并生成了复杂程度不同的解释。
2022-06-27 cs.RO
Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学与计算机科学学院）；Department of Electrical Engineering, Wright State University（威斯汀大学电气工程系）
本文提出一种基于学习的并行场景预测方法，用于自动驾驶中的运动规划，通过模拟可能场景并计算成本，平衡和剪枝不合理动作，提升安全性和规划效率。
2024-11-15 cs.RO
Multi-Vehicle Trajectory Planning at V2I-enabled Intersections based on Correlated Equilibrium
Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；National Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统全国重点实验室）；Frontiers Science Center for Intelligent Autonomous Systems, Ministry of Education（教育部智能自主系统前沿科学中心）
本文提出一种基于相关均衡的V2I交叉口多车轨迹规划框架，通过交叉口管理器优化轨迹推荐概率分布，在保证安全一致均衡的同时提升通行效率。
2024-06-08 cs.RO
Adaptive speed planning for Unmanned Vehicle Based on Deep Reinforcement Learning
Northeastern University（东北大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Columbia University（哥伦比亚大学）
本文提出基于DQN和DDQN的无人车辆局部导航系统，通过改进奖励函数和障碍物角度判定方法，解决了接近障碍物时频繁减速的问题，实现了更稳定高效的自适应速度与路径规划。
2024-04-26 cs.RO
Multi-vehicle Conflict Resolution in Highly Constrained Spaces by Merging Optimal Control and Reinforcement Learning
University of California at Berkeley（加州大学伯克利分校）
我们提出了一种新的方法来解决问题的多车辆冲突解决在高度受限的空间。一个最优控制问题，制定纳入非线性，非完整的车辆动力学和精确的防撞约束。首先在简化的离散环境中使用强化学习（RL）学习配置策略，然后使用这些策略来塑造原问题的约束空间，从而获得问题的解决方案。仿真结果表明，我们的方法可以探索有效的行动，以解决冲突在有限的空间，并产生灵巧的机动，是无碰撞和运动学上可行的。
2022-11-10 cs.RO cs.SY eess.SY
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology（FZI 信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出，合作运动规划的方法仍然存在。在本文中，我们提出了一种方法来提高常见的运动规划算法，允许与人类驾驶的车辆合作。与以前的方法不同，我们将其他交通参与者的预测集成到运动规划中，这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此，提出了一种新的成本函数，包含场景中所有相关交通参与者的成本。最后，我们提出了一个路径速度分解采样为基础的实现，我们的方法为选定的情况下，这是在模拟评估。
2017-08-23 cs.MA cs.RO
Opportunities to Parallelize Path Planning Algorithms for Autonomous Underwater Vehicles
本文讨论了在时变环境中并行化基于图的路径规划算法的机会。并行架构已经变得普遍，需要算法被并行化以实现高效执行。本文的另一个重点是包括不准确的路径规划的预测误差方差，准确性的计算成本函数和不同的观察到的车辆速度在实际任务比计划的结果。在此背景下，将描述鲁棒路径规划算法。这些算法同样适用于陆基、空中或水下移动自主系统。这里提出的结果为未来的研究项目提供了基础，在该项目中，并行算法将在多核和多核系统上进行评估，如双核ARM Panda板和48核单芯片云计算机（SCC）。现代多核和多核处理器支持广泛的性能与能源权衡，可用于能源受限的环境，如电池供电的自主水下航行器。为了进行评估，这些板将部署在斯洛克姆滑翔机内，斯洛克姆滑翔机是一种商用浮力驱动的自主水下航行器（AUV）。
2017-02-26 cs.RO
Learning-based Near-optimal Motion Planning for Intelligent Vehicles with Uncertain Dynamics
National University of Defense Technology（国防科技大学）；Hunan University（湖南大学）
本文提出GP-SKRL算法，结合稀疏高斯过程回归与稀疏核策略迭代，在不确定动力学下实现智能车辆在线自适应近最优运动规划，并通过仿真与实车实验验证其优越性。
2023-08-09 cs.RO
On-Road Motion Planning for Automated Vehicles at Ulm University
University of Ulm（乌尔姆大学）
乌尔姆大学的测量、控制和微技术研究所研究先进的驾驶辅助系统已有数十年，主要集中在自动驾驶方面。众所周知，运动规划是自动驾驶的关键技术。它首先负责车辆乘客以及周围所有交通参与者的安全。然而，进一步的任务在于提供平稳和舒适的驾驶行为。在乌尔姆，我们有机会在公共交通和各种场景的真实条件下测试我们的算法。在本文中，我们希望让读者了解我们的工作，关于车辆，测试轨道，以及相关的问题，挑战和解决方案。因此，我们将描述运动规划系统并解释所实现的功能。此外，我们将展示我们的车辆如何在公共道路交通中行驶，以及如何应对具有挑战性的场景，例如驾驶通过环形交叉口和十字路口。
2021-06-02 cs.RO
Motion Primitives Planning For Center-Articulated Vehicles
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）
本文提出一种面向中心铰接式车辆的运动基元规划方法，结合滚动时域规划与位姿稳定控制，在SPL指标上较现有策略提升67%，并通过SAHA实车实验验证有效性。
2024-10-04 cs.RO
A Survey on Sensor-based Planning and Control for Unmanned Underwater Vehicles
本文综述了水下无人航行器基于传感器的规划与控制方法，分析了复杂环境下的定位与避障问题，探讨了耦合架构与解耦架构的对比，指出MPC和不变集控制器在路径优化与安全性方面的贡献。
2026-04-06 cs.RO
Risk-Aware Path Planning for Ground Vehicles using Occluded Aerial Images
University of Maryland（马里兰大学）
我们考虑的情况下，地面车辆计划其路径使用由飞行器收集的数据。在航拍图像中，场景的可导航区域可能由于障碍物而被遮挡。使用航拍图像来天真地规划路径可能导致更长的路径，因为保守的规划者可能试图避开被遮挡的区域。我们提出了一个模块化的，基于深度学习的框架，允许机器人预测在闭塞区域的可导航区域的存在。具体来说，我们使用图像修补方法来填充可能被遮挡的部分区域，然后可以对这些区域进行语义分割以确定可导航性。我们使用监督神经网络的两个模块。然而，这些预测可能是不正确的。因此，我们提取这些预测中的不确定性，并使用风险感知方法，将这些不确定性考虑到路径规划中。我们比较模块在我们的方法与非学习为基础的方法，以显示所提出的框架的有效性，通过照片逼真的模拟。模块化管道允许在不同设置中进一步改进路径规划和部署。
2022-04-24 cs.RO
A Look at Motion Planning for Autonomous Vehicles at an Intersection
SRM Institute of Science and Technology（SRM科学技术研究所）
自动驾驶汽车目前正在各种场景中进行测试。当我们走向自动驾驶汽车时，十字路口应该是什么样子？为了回答这个问题，我们将交叉口管理分解为轨迹规划中涉及的不同难题和场景以及解决这些难题的当前方法。然后，简要分析了目前自主交叉口的研究现状。以批判的眼光，我们试图深入研究现有解决方案的差异，同时提出一些已经解决的关键和重要因素。此外，还强调了必须解决的未决问题。我们还试图回答的问题，如何基准交叉口管理算法，提供一些因素，影响自主导航在交叉口。
2018-09-07 cs.RO
Graph-based Motion Planning for Automated Vehicles using Multi-model Branching and Admissible Heuristics
Ulm University（乌尔姆大学）
城市场景中的自动驾驶需要能够实时处理复杂情况的高效规划算法。一种流行的方法是使用基于图的规划方法，以获得一个粗略的轨迹，随后进行优化。一个关键的方面是生成轨迹，在图形搜索过程中实现舒适和安全的行为，同时保持低计算时间。为了抓住这一方面，一方面，在这项工作中提出了一个分支策略，导致更好的性能方面的质量产生的轨迹和运行时间。另一方面，可容许的启发式示出了有效地引导图搜索，其中的解决方案仍然是最优的。
2021-02-15 cs.RO
Design and Implementation of Global Path Planning System for Unmanned Surface Vehicle among Multiple Task Points
Beihang University（北京航空航天大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
全局路径规划是水面无人艇设计的关键技术。本文建立了基于电子海图和六边形网格的全球环境建模方法，证明了六边形网格在有效性、安全性和快速性方面优于正方形网格。此外，我们引入立方体坐标系来简化六边形算法。在此基础上，提出了一种改进的A* 算法来实现两点间的路径规划。在此基础上，建立了多任务点全局路径规划模型，并提出了一种改进的蚁群算法来精确实现。仿真结果表明，该全局路径规划系统能够安全、快速地规划出一条最优路径，实现对多个任务点的安全巡视，在安全性、快速性和路径长度等方面均优于传统方法。此外，规划的路径可以直接应用于USV的实际应用。
2018-07-21 cs.RO
