Accelerating db-A* for Kinodynamic Motion Planning Using Diffusion
Technical University Berlin（柏林工业大学）
本文提出利用扩散模型生成适应问题实例的运动基元以加速 db-A* 动力学运动规划，实验表明在不同机器人动力学中计算时间和解质量最高提升30%。
2025-03-10 cs.RO
Rapidly-Iterating Grid-Based Near-Optimal Kinodynamic Motion Planning
本文提出RDG算法，一种基于网格分解的渐近近最优动力学运动规划方法，通过常数时间复杂度的快速迭代生成高质量解，并在10自由度环境下相比SST和DIRT显著提升解质量与成功率。
2026-09-22 cs.RO
Design of Admissible Heuristics for Kinodynamic Motion Planning via Sum-of-Squares Programming
如何获得一个运动动力学运动规划问题的容许启发式？本文开发的分析工具和技术来回答这个问题。提出了一个启发式算法可容许性的充分条件，该条件可以直接从问题数据中进行检查。这个条件也被用来制定一个凹计划，以优化一个容许的启发式。然后，使用平方和编程技术在多项式时间内近似并求解该优化。提供了一些例子来证明这些概念。
2016-09-20 cs.RO
Multi-layer Motion Planning with Kinodynamic and Spatio-Temporal Constraints
The Thørväld Group（索尔瓦尔德集团）；Inria Paris-Rocquencourt（巴黎-罗quent court 国家科学研究中心）；Rajiv Gandhi University Doimukh（拉贾·甘地大学多伊穆克）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒姆研究实验室）；The Kumquat Consortium（昆克特联盟）
提出一种三层规划框架，通过几何引导路径和STL鲁棒性优化，联合满足运动动力学与时空约束，在Ackerman模型上实现高效复杂机动。
2025-05-22 cs.RO
KRRF: Kinodynamic Rapidly-exploring Random Forest algorithm for multi-goal motion planning
Czech Technical University in Prague（捷克理工大学）
本文提出KRRF算法，通过同时生长多棵运动学动态树并利用树间启发式加速，先规划目标间轨迹再求解TSP确定访问顺序，从而高效求解运动学动态多目标运动规划问题，实现代价降低1.1至2倍。
2025-05-09 cs.RO
BBoE: Leveraging Bundle of Edges for Kinodynamic Bidirectional Motion Planning
University of Colorado Boulder（科罗拉多大学博尔德分校）
BBoE是一种双向运动动力学采样规划器，通过边束策略结合探索与利用，在杂乱环境中快速找到低成本可行解，减少规划时间并提高成功率。
2026-10-30 cs.RO
State Supervised Steering Function for Sampling-based Kinodynamic Planning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
RRT* 和BIT* 等基于采样的运动规划器在应用于运动动力学运动规划时，依赖于转向功能来生成连接采样状态的时间最优解决方案。实现精确的转向功能，需要解析解的时间最优控制问题，或非线性规划（NLP）求解器来解决边界值问题给出系统的kinodynamic方程。不幸的是，解析解对于许多现实世界的领域是不可用的，并且NLP求解器在计算上昂贵得令人望而却步，因此快速且最佳的运动动力学运动规划仍然是一个悬而未决的问题。我们通过引入状态监督转向函数（S3F）来解决这个问题，S3F是一种学习时间最优转向函数的新方法。S3F能够比其NLP对应物更快地产生转向函数数量级的接近最优的解决方案。在三个具有挑战性的机器人领域进行的实验表明，RRT* 使用S3F显着优于最先进的规划方法的解决方案的成本和运行时间。我们进一步提供了一个证明的概率完整性的RRT* 修改使用S3F。
2022-06-15 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
PokeRRT: A Kinodynamic Planning Approach for Poking Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）
这项工作介绍了PokeRRT，一种新的运动规划算法，证明戳作为一种有效的非易失性操作技能，使快速操作的对象，并增加机器人的可达工作空间的大小。我们的定性和定量的结果表明，在规划对象的轨迹，通过整洁和杂乱的环境推和抓戳的优势。
2022-02-09 cs.RO
Real-Time Kinodynamic Motion Planning for Omnidirectional Mobile Robot Soccer using Rapidly-Exploring Random Tree in Dynamic Environment with Moving Obstacles
Universitas Gadjah Mada（加札马达大学）
RoboCup中型组联赛（RoboCup MSL）通过机器人足球比赛为研究移动机器人导航、多机器人协作、通信和集成提供了一个标准化的实验平台，在这种高度动态和对抗性的环境中，机器人足球比赛是一种非常重要的比赛。运动动力学运动规划是机器人运动学领域的一个重要研究课题，它是指机器人在避障的同时，遵循其动力学规律进行运动轨迹规划。提出了一种基于Kinodynamic-RRT* 方法的全向机器人运动动力学运动规划。在这项工作中还考虑了轨迹跟踪控制执行规划轨迹。对机器人平移和旋转方向的运动规划进行解耦。然后，我们实现了kinodynamic-RRT* 与双积分器模型规划的平移轨迹。利用满足速度和加速度约束的最小时间轨迹发生器生成旋转轨迹。然后使用PI控制跟踪计划轨迹。为适应环境的变化，开发了运动规划和轨迹跟踪的并发软件模块。使用基于机器人操作系统（ROS）的RoboCup仿真系统对所产生的系统进行了应用和测试。仿真结果表明，运动规划系统能够生成无碰撞轨迹，轨迹跟踪系统能够跟踪生成的轨迹。在高度动态的环境中，在线方案能够重新规划轨迹。
2019-05-12 cs.RO
SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization
SPARK通过骨架对齐和运动学轨迹优化，从人类任务空间数据生成自然且动态可行的运动参考，适用于不同人形机器人平台。
2026-03-12 cs.RO
The Virtues of Laziness: Multi-Query Kinodynamic Motion Planning with Lazy Methods
University of Colorado Boulder（科罗拉多大学博尔德分校）；Lab0, Inc.（Lab0公司）
提出LazyBoE多查询运动学动力学运动规划方法，通过离散状态与控制空间、懒惰碰撞检查及控制序列传播，在降低规划时间和物理仿真成本的同时提高了成功率。
2024-06-04 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
High-Speed Accurate Robot Control using Learned Forward Kinodynamics and Non-linear Least Squares Optimization
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在高速下精确控制机器人需要一个控制系统，可以考虑到机器人与环境的kinodynamic相互作用。以前的工作学习逆Kinodynamic（IKD）模型的机器人已经成功地捕捉复杂的Kinodynamic效果。然而，这些方法可以应用到的控制问题的类型仅限于以下预先计算kinodynamically可行轨迹。在本文中，我们提出了Optim-FKD，一个新的配方，准确，高速机器人控制，利用一个学习向前kinodynamic（FKD）模型和非线性最小二乘优化。Optim-FKD可用于对任何可由非线性最小二乘目标指定的控制任务进行精确、高速控制。Optim-FKD可以实时的求解路径跟踪和时间最优控制等控制目标，而不需要访问预先计算的运动学可行轨迹。我们通过在十分之一自动驾驶汽车上的实验来实证我们方法的这些能力。我们的研究结果表明，Optim-FKD可以更准确地跟踪期望的轨迹，可以找到更好的解决方案，最优控制问题比基线方法。
2022-08-03 cs.AI cs.LG 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
Optimal Kinodynamic Motion Planning Through Anytime Bidirectional Heuristic Search with Tight Termination Condition
University of New Hampshire（新罕布什尔大学）；University of Prince Edward Island（爱德华王子岛大学）
本文提出 BTIT* 算法，结合 anytime 双向启发式搜索，确保 meet-in-the-middle 属性和最优性，实验显示其在两个动力学基准上比非懒惰知情批量规划器更快收敛。
2026-04-13 cs.RO
Motion Planning as Online Learning: A Multi-Armed Bandit Approach to Kinodynamic Sampling-Based Planning
University of Michigan（密歇根大学）
针对kinodynamic运动规划在无转向函数时难获高质量解的问题，将采样偏置建模为非平稳多臂老虎机问题，结合kinodynamic RRT转移聚类与老虎机算法自适应采样，可更快获更优解并提升执行成功率。
2023-08-26 cs.RO
Completeness of Randomized Kinodynamic Planners with State-based Steering
The University of Tokyo（东京大学）；Nanyang Technological University（南洋理工大学）
概率完备性是运动规划中的一个重要性质。虽然它已经建立了明确的假设，几何规划，全景的完整性结果的kinodynamic规划仍然是不完整的，因为大多数现有的证据依赖于强有力的假设，是困难的，如果不是不可能的，验证实际系统。在本文中，我们专注于一类重要的Kinodynamic规划，即那些在状态空间中插入轨迹。我们提供了一个证明这些规划者的概率完备性的假设下，可以很容易地验证系统的运动方程和用户定义的插值函数。我们的证明关键依赖于插值轨迹的属性，称为二阶连续性（SOC），我们表明，这是密切相关的规划者的能力，以受益于更密集的采样。我们分析了这种属性在模拟低扭矩摆的影响。我们的研究结果表明，一个简单的RRT使用二阶连续插值迅速找到解决方案，而它是不可能的相同的计划使用标准贝塞尔曲线（这不是SOC）找到任何解决方案。
2015-11-20 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
Kinodynamic Motion Planning for Multi-Legged Robot Jumping via Mixed-Integer Convex Program
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出了一种基于混合整数凸规划（MICP）的多足足式机器人跳跃运动学运动规划框架，该框架同时考虑质心运动、接触点、扳手和步态序列。该方法将位形空间离散化和可行扳手多面体（FWP）的构造相结合，将运动学约束、执行器限制、摩擦锥约束和步态排序编码到一个MICP中。MICP可以有效地解决了全球最佳的现成的数值求解器，并提供高动态跳跃运动，而不需要初始猜测。仿真和实验结果表明，所提出的方法可以找到新颖灵巧的机动，直接部署在两足足式机器人平台上，以穿越具有挑战性的地形。
2020-11-03 cs.RO
A Genetic Approach to Gradient-Free Kinodynamic Planning in Uneven Terrains
Innopolis University（因诺波利斯大学）；University of Lincoln（林肯大学）
针对三角网格建模不平坦地形中类车机器人的运动动力学规划问题，提出基于遗传算法的GAKD算法，通过滚动时域内启发式变异遗传优化轨迹，相比MPPI等方法通行成本提升20%，为复杂环境路径规划提供实用方案。
2025-04-17 cs.RO
Kinodynamic Motion Planning via Funnel Control for Underactuated Unmanned Surface Vehicles
KTH Royal Institute of Technology（瑞典皇家理工学院）；Uppsala University（乌普萨拉大学）
针对欠驱动无人水面艇，提出基于漏斗控制的运动学运动规划算法，通过扩展预设性能控制解决欠驱动与输入饱和问题，保证稳定性并生成无碰撞轨迹，经真实水域实验验证有效。
2024-04-26 cs.RO cs.SY eess.SY
Geometric Gait Optimization for Kinodynamic Systems Using a Lie Group Integrator
Collaborative Robotics and Intelligent Systems (CoRIS) Institute at Oregon State University（俄勒冈州立大学协作机器人与智能系统研究所）
本文提出一种基于李群积分器的动力学系统步态优化与运动规划框架，通过拉格朗日约化推导通用动力学模型，实现多种步态及转换，仿真与硬件实验验证了其有效性及泛化潜力。
2025-04-27 cs.RO
MPC-MPNet: Model-Predictive Motion Planning Networks for Fast, Near-Optimal Planning under Kinodynamic Constraints
University of California San Diego（加州大学圣地亚哥分校）
Kinodynamic运动规划（Kinodynamic Motion Planning，KMP）是在运动学和动力学约束下，寻找机器人运动的方法。到目前为止，相当多的方法解决KMP问题和那些存在的斗争，找到接近最优的解决方案，并表现出高计算复杂性的规划空间维数增加。为了解决这些挑战，我们提出了一个可扩展的，模仿学习为基础的，模型预测运动规划网络框架，快速找到接近最优的路径解决方案，最坏情况下的理论保证实际欠驱动系统的kinodynamic约束。我们的框架介绍了两种算法建立在神经生成器，神经网络，和一个并行模型预测控制器（MPC）。生成器向给定目标输出各种通知状态，鉴别器从其中选择最佳可能子集进行扩展。MPC在满足给定约束的同时，局部地连接所选择的通知状态，从而得到可行的、接近最优的解决方案。我们评估我们的算法上的一系列混乱，kinodynamically约束，欠驱动的规划问题，结果表明显着改善计算时间，路径质量和成功率超过现有的方法。
2021-01-17 cs.AI cs.LG 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
Integrating Fast Regional Optimization into Sampling-based Kinodynamic Planning for Multirotor Flight
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；The University of Hong Kong（香港大学）
对于实时多旋翼运动动力学运动规划，基于采样的方法的效率通常受到难以采样的同伦类（如狭窄通道）的阻碍。在本文中，我们解决这个问题的混合计划。我们首先提出了一个快速的区域优化器，利用局部环境的信息，然后将其集成到一个全局采样过程，以确保更快的收敛。在不同的基于采样的方法上结合局部优化，在各种具有挑战性的环境中显着提高了成功率和减少了规划时间。我们还提出了一个细化模块，充分调查所产生的轨迹的全球采样，大大提高了其平滑性，可以忽略不计的计算工作。基准测试结果表明，与最先进的方法相比，我们提出的方法可以更好地利用以前的轨迹。应用该规划方法生成了一个仿真的四旋翼系统的轨迹，并在实时应用中验证了其能力。
2021-03-09 cs.RO
Kinodynamic FMT* with Dimensionality Reduction Heuristics and Neural Network Controllers
Georgia Institute of Technology（佐治亚理工学院）
提出 FMT*PFF 运动动力学规划算法，通过 PFF 最优控制器降维并结合神经网络处理不精确转向，在非线性系统仿真中实现更快收敛与更优性能。
2023-06-05 cs.RO
The Generalized Label Correcting Method for Optimal Kinodynamic Motion Planning
Massachusetts Institute of Technology（麻省理工学院）
几乎所有的自主机器人系统都使用某种形式的运动规划来计算通过其环境的参考运动。自主机器人在广泛的应用中的日益增加的使用产生了对适用于这些新应用领域中的任何一个的有效的通用运动规划算法的需要。本文提出了一种基于可容许输入信号集直接前向搜索的分辨率完全最优运动动力学运动规划算法。这种通用标签校正方法的优点是它不需要像相关方法那样的本地规划子程序。初步材料集中在新的拓扑性质的规范问题制定，用于显示连续性的性能目标。这些意见被用来推导出一个概括的贝尔曼的最优性原则的背景下，kinodynamic运动规划。然后提出了一种广义标签校正算法，该算法利用这些结果从搜索中修剪候选输入信号，当它们的成本大于相关信号时。本论文的第二部分讨论了运动动力学运动规划的可接受算法。推导出了一个可容许性条件，该条件可用于验证特定问题的候选算法的可容许性。这个条件也刻画了一个凸集的可容许算法。一个线性规划制定，以获得一个启发式，这是尽可能接近最佳的成本去，而其余的容许。这种优化是合理的，通过显示其解决方案与Hamilton-Jacobi-Bellman方程的解决方案相一致。最后，提出了一个平方和松弛的无限维线性规划，以获得可证容许的近似解。
2017-05-12 cs.RO
PINSAT: Parallelized Interleaving of Graph Search and Trajectory Optimization for Kinodynamic Motion Planning
The Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所）
PINSAT通过系统并行化INSAT中的图搜索与轨迹优化，降低规划时间并提高成功率，在6自由度障碍物环境下实现高效动力学运动规划。
2024-03-16 cs.RO
A Terrain-Adaptive epsilon-Constraint MPC for Uneven Terrain Kinodynamic Planning
Laboratório de Engenharia de Sistemas e Robótica, Universidade Federal da Paraíba（系统与机器人工程实验室，帕拉伊巴联邦大学）；School of Computer Science, University of Lincoln（计算机科学学院，林肯大学）
本文提出了一种适应地形的epsilon约束MPC方法，用于解决车辆在不规则地形上同时优化路径效率和姿态稳定性的规划问题，通过动态调整epsilon界限来实时探索帕累托前沿，并通过半参数模型结合分析车辆动力学和稀疏高斯过程来捕捉车辆-地形动力学。
2026-09-01 cs.RO
Kinodynamic Planning on Constraint Manifolds
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（工业机器人信息研究所，CSIC-UPC）
本文提出了一种运动学和动力学约束系统的运动规划器。前者出现在系统中存在运动学回路时，例如在并联机械手中，在合作完成给定任务的机器人中，或在涉及与环境接触的情况下。后者是必要的，以获得现实的轨迹，考虑到力作用在系统上。运动学约束使状态空间成为一个隐式定义的流形，这使得常用的运动规划技术的应用变得复杂。为了解决这个问题，规划器增量地构造状态空间流形的图集，并且使用该图集来生成随机状态并且动态地模拟系统朝向这些状态的转向。然后利用所得到的工具在状态空间上构建一个快速探索的随机树（RRT）。据我们所知，这是第一个随机kinodynamic规划隐式定义的状态空间。本文提出的测试案例验证了显着复杂的系统中的方法。
2017-05-22 cs.RO
Refined Analysis of Asymptotically-Optimal Kinodynamic Planning in the State-Cost Space
Tel-Aviv University（特拉维夫大学）；Rutgers University（罗格斯大学）；Stanford University（斯坦福大学）
我们提出了一种新的AO-RRT分析：一种基于树的计划器，用于具有运动动力学约束的运动规划，最初由Hauser和Zhou（AO-X，2016）描述。AO-RRT探索状态成本空间，并已被证明在实践中有效地获得高质量的解决方案，而不依赖于计算密集型两点边界值求解器的可用性。我们的主要贡献是单树版本的算法的最优性证明-一个以前没有分析过的变体。我们的证明只需要一个温和的和容易验证的问题和系统的假设：成本函数和动力学的Lipschitz连续性。特别是，我们证明，对于任何系统满足这些假设，任何轨迹具有分段常数控制功能和积极的清除障碍物可以近似任意以及由AO-RRT发现的轨迹。我们还讨论了实际方面的AO-RRT和目前的实验比较的算法的变体。
2020-03-09 cs.RO
Multi-Agent Motion Planning with Bézier Curve Optimization under Kinodynamic Constraints
IEEE Robotics and Automation Letters（IEEE机器人与自动化 letters）
本文提出PSB规划器，通过考虑智能体的动力学约束，生成平滑的速度剖面，提升多智能体路径规划的效率与实用性。
2024-03-09 cs.MA cs.RO
KDF: Kinodynamic Motion Planning via Geometric Sampling-based Algorithms and Funnel Control
Oden Institute for Computational Engineering and Sciences at the University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Rice University（莱斯大学）
我们将采样为基础的规划技术与基于漏斗的反馈控制开发KDF，一个新的框架，通过漏斗控制解决运动动力学运动规划问题。所考虑的系统发展受到复杂的，非线性的和不确定的动态（又名微分约束）。首先，我们使用一个几何规划器，以获得一个高层次的安全路径在用户定义的扩展自由空间。其次，我们开发了一个低层次的漏斗控制算法，保证系统的路径安全跟踪。规划器和控制算法都不使用关于系统的基本动态的信息，这使得所提出的方案易于分布到各种不同的系统和场景。直观地，漏斗控制模块能够隐式地适应系统的动态，从而允许部署纯几何运动规划器。大量的计算机模拟和6自由度机械臂的实验结果验证了所提出的方法。
2021-04-24 cs.RO
Probabilistic completeness of RRT for geometric and kinodynamic planning with forward propagation
Tel-Aviv University（特拉维夫大学）；Technion（以色列理工学院）；Rutgers University（罗格斯大学）
快速探索随机树（RRT）算法是近二十年来最流行的运动规划技术之一。令人惊讶的是，尽管它的中心地位，有一个积极的辩论，在何种条件下RRT是概率完整的。我们提供了两个新的证明的概率完备性（PC）的RRT减少了一组假设。第一个是纯几何设置，我们只要求解决方案路径与障碍物有一定的间隙。对于向前传播的随机控制和持续时间的kinodynamic的情况下，我们只考虑另外温和的Lipschitz连续性条件。这些证明填补了RRT本身研究的空白。他们也奠定了良好的基础，为各种最近的和替代的采样为基础的方法，其PC属性依赖于RRT。我们的原始出版物在分析运动动力学RRT病例时包含一个错误。在这里，我们通过修改定理2的证明来纠正这个问题，特别是需要修改引理3。简单地说，定理2的原始（和错误的）证明使用了一系列大小相等的球。校正使用一系列半径增加的球。我们强调的是，修正仅在引理3和定理2的证明中。主要结果保持不变。
2022-05-31 cs.RO
Kinodynamic Model Predictive Control for Energy Efficient Locomotion of Legged Robots with Parallel Elasticity
University of Michigan（密歇根大学）
本文提出利用单向并联弹簧的分层运动动力学MPC框架，通过热启动策略实现腿足机器人高能效动态跳跃，仿真和硬件实验分别降低运输成本38.8%和能耗14.8%。
2025-03-07 cs.RO cs.SY eess.SY
db-LaCAM: Fast and Scalable Multi-Robot Kinodynamic Motion Planning with Discontinuity-Bounded Search and Lightweight MAPF
本文提出db-LaCAM，结合现代MAPF算法的高效性和 kinodynamic 规划器的动态感知能力，通过预计算的运动原语生成运动序列，实现高效多机器人运动规划，实验表明其在50个机器人场景中运行速度提升十倍。
2026-03-24 cs.RO
Sampling-based Task and Kinodynamic Motion Planning under Semantic Uncertainty
Kevin T. Crofton Department of Aerospace and Ocean Engineering, Virginia Tech（弗吉尼亚理工大学凯文·T·克罗夫顿航空航天与海洋工程系）；Smead Department of Aerospace Engineering Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校斯米德航空航天工程科学系）
本文研究了在不确定环境中集成任务和运动学动态运动规划问题，提出了一种结合决策技术和采样运动规划的 anytime 算法，证明了算法的正确性和渐进最优性。
2026-04-01 cs.RO
db-A*: Discontinuity-bounded Search for Kinodynamic Mobile Robot Motion Planning
TU Berlin（柏林工业大学）
我们考虑时间最优的运动规划的动力系统是不变性的，许多移动机器人，如差分驱动器，汽车，飞机，和多旋翼的属性。我们的主要见解是，我们可以扩展图搜索算法的连续情况下，共生使用优化。对于图搜索，我们引入不连续有界A*（db-A*），A* 算法的推广，使用基于采样的规划器的概念和数据结构。Db-A* 重用短轨迹，即所谓的运动基元，作为边缘，并允许顶点处的最大用户指定不连续性。利用轨迹优化对这些轨迹进行局部修复，这也提供了新的改进的运动基元。我们的新的运动动力学运动规划器，kMP-db-A*，几乎肯定渐近最优的行为和计算接近最优的解决方案迅速。为了进行经验验证，我们提供了第一个基准测试，比较了不同设置中多个动力系统上基于搜索、采样和优化的时间最优运动规划。与基线相比，kMP-db-A* 始终能够解决更多问题实例，找到成本更低的初始解决方案，并且收敛速度更快。
2022-08-01 cs.RO
Online Time-Informed Kinodynamic Motion Planning of Nonlinear Systems
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）
本文提出结合深度可逆Koopman算子DIKU与可达性分析方法ASKU，在线近似非线性系统的时间信息集，并设计直接采样技术加速时间最优动力学运动规划，实验验证其近实时性能与优越规划效果。
2024-07-03 cs.RO
db-CBS: Discontinuity-Bounded Conflict-Based Search for Multi-Robot Kinodynamic Motion Planning
Technical University of Berlin（柏林工业大学）
提出 db-CBS，融合 CBS 与不连续性有界 A*，经三层冲突约束和轨迹优化实现异构多机器人动力学规划，成功率更高且成本更低。
2025-03-18 cs.RO
Kinodynamics-based Pose Optimization for Humanoid Loco-manipulation
University of Southern California（南加州大学）
本文提出一种结合运动动力学位姿优化与MPC的仿人机器人推物控制方法，能快速规划最优位姿并协调受力，实现重载推动与强抗扰恢复。
2023-07-25 cs.RO
${\tt KRAFT}$: Sampling-Based Kinodynamic Replanning and Feedback Control over Approximate, Identified Models of Vehicular Systems
Rutgers University（罗格斯大学）
针对近似动力学模型下复杂动力学机器人轨迹执行安全性不足的问题，提出KRAFT方法，整合采样式动力学重规划、反馈控制与安全机制，经SysId调优模型，实验验证了规划层反馈闭环与长时域推理的重要性。
2024-09-17 cs.RO
L4KDE: Learning for KinoDynamic Tree Expansion
The University of Sydney（悉尼大学）；University of Utah（犹他大学）；NVIDIA（英伟达）
本文提出 L4KDE 方法，利用神经网络批量预测状态间转移成本以改进运动动力学树扩展中的节点选择，在保持渐近最优性的同时显著提升规划性能。
2023-09-17 cs.LG cs.RO
Asymptotically Optimal Sampling-based Kinodynamic Planning
基于采样的算法被视为高维运动规划的实用解决方案。最近的进展已经利用随机几何图论来展示如何用这些方法也可以实现渐近最优性。实现这一理想的属性的动态系统需要解决一个两点边值问题（BVP）的基础动力系统的状态空间。这是困难的，但是，如果不是不切实际的，生成一个边界元法求解器的各种重要的动态模型的机器人或物理模拟的。因此，一个开放的挑战是，当规划系统而不访问BVP求解器时，是否有可能实现最优性保证。这项工作解决了上述问题，并介绍了如何实现渐进最优的Kinodynamic规划增量采样为基础的规划器，通过引入一个新的严格的框架。两种新的方法，稳定稀疏RRT（SST）和SST*，结果从这个分析，这是渐近接近最优和最优的，分别。该技术被证明是快速收敛到高质量的路径，而他们只保持一个稀疏的样本集，这使得他们的计算效率。使用动态系统基准的实验结果，以及物理模拟机器人的规划者的良好性能得到证实。
2016-02-05 cs.RO
Kinodynamic Motion Planning for a Team of Multirotors Transporting a Cable-Suspended Payload in Cluttered Environments
Faculty of Electrical Engineering and Computer Science, Technical University of Berlin（柏林工业大学电机工程与计算机科学学院）；New York University（纽约大学）
本文提出一种面向多无人机缆绳悬挂载荷运输的动力学运动规划方法，通过分层几何采样与约束轨迹优化，在杂乱环境中显著降低跟踪误差和能耗，并提升狭窄空间队形变换场景的成功率。
2024-10-01 cs.MA cs.RO
RRT* Based Optimal Trajectory Generation with Linear Temporal Logic Specifications under Kinodynamic Constraints
Centre for Cyber-Physical Systems, IISc（印度科学学院网络物理系统中心）
提出一种基于RRT*的轨迹生成方法，结合LTL鲁棒性度量与运动约束，通过递归成本函数平衡可行性与逻辑正确性，经仿真和实验验证，适用于复杂真实场景。
2024-11-09 cs.RO cs.SY eess.SY
Towards Learning Efficient Maneuver Sets for Kinodynamic Motion Planning
Rutgers University（罗格斯大学）
动态系统的规划是具有挑战性的，因为通常没有可用的本地规划器，并且探索状态空间的唯一原始方法是控制的前向传播。在这种情况下，树抽样为基础的规划已经开发出来，其中一些实现渐近最优传播随机控制在每次迭代。虽然对于分析是理想的，但随机控制导致在实践中缓慢收敛到高质量轨迹。这个简短的立场声明首先认为，如果一个kinodynamic规划者有机会适当地平衡开发探索权衡本地演习，规划者的每次迭代性能显着提高。在规划过程中生成这样的机动可以通过策划随机控制的大样本来实现。然而，这在计算上非常昂贵。如果这样的机动可以快速生成，规划器的性能也将作为计算时间的函数得到改善。为了客观，这个简短的立场声明主张将现代机器学习框架与最先进的，知情的和渐进最佳的Kinodynamic规划器相结合。所提出的方法涉及使用神经网络来推断机器人系统的动力学，适当地平衡上述开发探索权衡本地演习。特别是，提出了一个神经网络架构，它被训练，以反映在线策展过程中的选择，给定的局部障碍和启发式信息。规划器使用这些机动来有效地探索底层状态空间，同时仍然保持期望的属性。模拟环境和系统中的初步迹象是有希望的，但也指出了一些挑战，激励在这一方向上进一步研究。
2019-07-18 cs.RO
Differentiable Motion Manifold Primitives for Reactive Motion Generation under Kinodynamic Constraints
Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院）
针对高维系统运动动力学约束下的实时运动生成问题，提出DMMP神经网络，通过离线学习约束满足轨迹流形并在线快速搜索，实现连续可微轨迹生成，且在7自由度机械臂动态投掷中性能优于既有方法。
2025-07-24 cs.AI cs.RO
Multi-Objective Kinodynamic Motion Planning with Asymptotic Pareto Optimality
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对运动动力学约束下系统的多目标运动规划挑战，提出基于稳定稀疏RRT算法的统一框架，衍生出三种算法分别用于字典序最小化、约束优化和帕累托前沿逼近，提供理论保证并经实证评估验证有效性。
2026-07-29 cs.RO
Kinodynamic Motion Planning for Collaborative Object Transportation by Multiple Mobile Manipulators
Indian Institute of Technology Bombay（孟买印度理工学院）
本文提出了一种多移动机械臂协同运输物体的运动规划方法，通过全局路径规划和局部在线轨迹生成，结合运动动力学约束和障碍物处理，实现高效协同运输。
2025-12-07 cs.MA cs.RO math.OC
AURA: Asymptotically Optimal Uncertainty-Robust Replanning Algorithm for Kinodynamic Systems
Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯通理工大学）
提出AURA元规划框架，通过在线重规划和优化控制输入，在运动不确定性下实现渐近最优轨迹规划与跟踪精度提升。
2026-10-09 cs.RO
Zero-Shot Retargeting of Learned Quadruped Locomotion Policies Using Hybrid Kinodynamic Model Predictive Control
University of Notre Dame（圣母大学）；Robotics at Google（谷歌机器人部门）
强化学习（RL）在四足动物运动方面取得了长足的进步，并在策略的可靠仿真到现实迁移方面取得了持续的进展。然而，在另一个机器人上重用策略仍然是一个挑战，这可以节省重新训练的时间。在这项工作中，我们提出了一个框架zero-shot政策重定向，其中不同的运动技能可以在不同形状和大小的机器人之间转移。新的框架集中在一个规划和控制管道，系统地集成RL和模型预测控制（MPC）。规划阶段采用RL生成动态似然轨迹以及接触时间表，避免了接触序列优化的组合复杂性。然后，这些信息被用于播种MPC，以通过一个新的混合Kinodynamic（HKD）模型来稳定和鲁棒化政策推出，该模型隐式优化了立足点位置。硬件结果表明，能够将策略从A1和Laikago机器人传输到MIT Mini Cheetah机器人，而无需任何策略重新调整。
2022-09-28 cs.RO
Kinodynamic RRT*: Optimal Motion Planning for Systems with Linear Differential Constraints
我们提出了Kinodynamic RRT*，一种基于增量采样的方法，用于线性微分约束机器人的渐近最优运动规划。我们的方法扩展了RRT*，这是引入完整机器人（Karaman等。2011），通过使用一个固定的最终状态自由的最终时间控制器，精确和最佳地连接任何一对状态，其中的成本函数表示为一个权衡之间的持续时间的轨迹和所花费的控制工作。我们的方法概括了早期的工作扩展RRT* kinodynamic系统，因为它保证渐近最优的任何系统与可控的线性动力学，在任何维度的状态空间。我们的方法可以应用到非线性动力学，以及通过使用其一阶泰勒近似。此外，我们表明，对于具有幂零动力学矩阵的系统的丰富子类，可以导出最优轨迹的封闭形式的解决方案，这使得我们的算法的计算开销与传统RRT* 相比处于最低限度。我们证明了我们的方法的潜力，通过计算渐近最优轨迹在三个具有挑战性的运动规划方案：（i）一个平面机器人的4-D状态空间和双积分动态，（ii）一个飞行器的10-D状态空间和线性化四旋翼动力学，和（iii）一个车一样的机器人的5-D状态空间和非线性动力学。
2012-05-23 cs.DS cs.RO
