Simultaneous Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出分层有限轨迹线性时序逻辑 H-LTL$_f$，并开发基于搜索的多机器人同时任务分配与规划方法，通过子空间近似和多种启发式在保证解质量的同时显著提升规划效率。
2025-06-05 cs.AI cs.FL cs.RO
HEHA: Bounded Suboptimal Planning for Constrained Routing and Its Use in Heterogeneous Multi-Robot Exploration of Unknown Environments
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）
针对异构多机器人未知环境探索的大规模约束路径规划难题，提出HEHA分层方法，通过新型PEAF路由算法实现有界次优全局规划并结合异构感知局部规划，最多可减少30%探索时间。
2026-10-22 cs.RO
Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出 Nl2Hltl2Plan 框架，利用 LLM 将自然语言指令转换为分层 LTL 规范并求解多机器人规划，实验表明其在复杂指令、成功率和成本上均优于现有方法。
2024-12-05 cs.AI cs.LO cs.RO
Hierarchical Temporal Logic Task and Motion Planning for Multi-Robot Systems
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文针对多机器人系统，提出基于分层时序逻辑规范和凸集图方法的乘积图框架，解决任务分配未预定的TAMP问题，在保证可靠性与完备性的同时提升了求解效率与最优性。
2025-04-29 cs.RO
Hierarchical Planning and Scheduling for Reconfigurable Multi-Robot Disassembly Systems under Structural Constraints
Department of Systems Innovation, Graduate School of Engineering Science, The University of Osaka（大阪大学工学研究科系统创新部门）；Manufacturing Innovation Division, Panasonic Holdings Corporation（松下电器控股公司制造创新部门）
本文针对可重构多机器人非破坏性拆解受约束结构问题，提出分层优化方法：用多目标遗传算法进行序列与任务规划并结合运动评估，再用约束规划调度，并通过定制染色体初始化降低局部最优风险，仿真验证了其有效性。
2025-09-18 cs.RO
LLM-Grounded Dynamic Task Planning with Hierarchical Temporal Logic for Human-Aware Multi-Robot Handover
The Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人社会研究院）；Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong-Shenzhen（香港中文大学（深圳））；Tsinghua Shenzhen International Graduate School（清华大学深圳国际 Graduate School）
本文提出基于分层时序逻辑的神经符号框架，实现动态任务规划以提升多机器人协作的效率和鲁棒性。
2026-07-30 cs.CV cs.RO
HOPHY: A Hierarchical Hypergraph Representation for Off-Road Path and Mission Planning
University at Buffalo（布法罗大学）
HOPHY提出一种层次超图地形表示，实现高效越野路径与任务规划，在公里级地图上达到100%规划成功率且代价偏差极小，计算量较像素A*降低79倍。
2026-09-18 cs.RO
HiMAP-Travel: Hierarchical Multi-Agent Planning for Long-Horizon Constrained Travel
Department of XXX, University of YYY, Location, Country（YYY大学XXX系）；School of ZZZ, Institute of WWW, Location, Country（WWW研究所ZZZ学院）；Singapore Management University（新加坡管理大学）
HiMAP-Travel通过分层多智能体框架提升长时域约束旅行规划效率，实现更高通过率和更低延迟。
2026-03-05 cs.AI cs.CL
Hierarchical Task Network Planning for Facilitating Cooperative Multi-Agent Reinforcement Learning
Jilin University（吉林大学）；Sun Yat-sen University（中山大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对稀疏奖励带陷阱的协作MARL中智能体易落陷阱、难达目标的问题，提出融合HTN规划与元控制器的两层SOMARL框架，利用符号知识引导探索，在两个基准上性能显著优于现有方法。
2023-06-14 cs.AI cs.LG
Task and Skill Planning: Hierarchical Robot Planning with Black-Box Skills
本文提出了一种基于通用技能的分层机器人规划框架，通过可组合交互原语整合运动规划与闭合回路控制器，实现在复杂长期任务中的高效执行。
2026-07-30 cs.AI cs.RO
Using Deep Learning to Bootstrap Abstractions for Hierarchical Robot Planning
Arizona State University（亚利桑那州立大学）
本文讨论了学习抽象的问题，提高机器人规划性能，同时提供强有力的可靠性保证。尽管最先进的分层机器人规划算法允许机器人有效地计算用于实现用户期望的任务的长期运动计划，但是这些方法通常依赖于需要由专家手工设计的环境依赖的状态和动作抽象。我们提出了一种新的方法，引导整个层次规划过程。这使我们能够使用深度神经网络预测的关键区域自动计算新环境的抽象状态和动作，该深度神经网络具有自动生成的机器人特定架构。我们表明，学习的抽象可以使用一种新的多源双向分层机器人规划算法，是健全的和概率完整的。使用完整和非完整机器人对20种不同设置进行的广泛的经验评估表明：（a）我们学习的抽象提供了有效的多源层次规划所需的信息;以及（b）这种学习、抽象和规划的方法在训练过程中没有看到的测试环境的规划时间方面比最先进的基线高出近10倍。
2022-04-24 cs.AI cs.LG cs.RO
Constrained Hierarchical Monte Carlo Belief-State Planning
Stanford University（斯坦福大学）
本文提出COBeTS方法，利用分层选项结构将在线CPOMDP规划扩展到大规模连续机器人问题，在满足约束预算时保证随时安全，并通过分层监控实现运行时安全。
2024-02-26 cs.AI cs.RO
A Prompt-driven Task Planning Method for Multi-drones based on Large Language Model
Guangdong Institute of Intelligence Science and Technology（广东智能科学技术研究院）
本文针对多无人机任务规划中远程操作复杂和人机交互不便的挑战，提出了一种基于大型语言模型的提示驱动任务规划方法，通过引入Prompt技术为系统提供适当提示信息。
2024-05-14 cs.AI cs.CL cs.RO
Hi-Drive: Hierarchical POMDP Planning for Safe Autonomous Driving in Diverse Urban Environments
Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）；SenseTime（商汤科技）
针对城市道路动态不确定性，提出层级式POMDP规划算法Hi-Drive，利用驾驶员模型推断驾驶风格并集成重要性采样轨迹优化，在真实基准上显著超越现有方法。
2025-10-15 cs.AI cs.RO
Behavior Planning at Urban Intersections through Hierarchical Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）
对于自动驾驶汽车来说，有效的行为规划对于确保自我汽车的安全至关重要。在许多城市场景中，很难创建足够通用的启发式规则，特别是对于一些新的人类驾驶员发现困难的挑战性场景。在这项工作中，我们提出了一种基于强化学习（RL）的行为规划结构，它能够在模拟城市环境中进行分层结构的自主车辆行为规划。分层结构的应用允许满足行为规划系统的各个层。我们的算法可以比基于规则的方法更好地执行选择性决策，例如何时在相反方向接近的车辆之间左转，或者由于车道阻塞或在自我汽车前面的延迟而接近交叉路口时可能变道。这种行为很难评估为正确或不正确，但对于一些积极的专家人类驾驶员来说，他们可以有效和快速地处理这种情况。另一方面，与传统的强化学习方法相比，由于在训练过程中使用了混合奖励机制和启发式探索，我们的算法具有更高的样本效率。结果还表明，该方法比传统的RL方法更快地收敛到最优策略。
2020-11-09 cs.AI cs.RO
DHP: Discrete Hierarchical Planning for Hierarchical Reinforcement Learning Agents
Department of Computer Science University of Bath（计算机科学系巴斯大学）；Department of Psychology University of Bath（心理学系巴斯大学）
DHP通过离散可达性检查和递归分解任务，提升分层强化学习代理在长距离视觉规划中的效率和泛化能力。
2025-12-19 cs.AI cs.LG cs.RO
DKPROMPT: Domain Knowledge Prompting Vision-Language Models for Open-World Planning
State Univeristy of New York at Binghamton（纽约州立大学宾汉姆顿分校）；Ford Research（福特研究院）
本文提出DKPROMPT框架，利用PDDL领域知识自动化提示VLM，解决开放世界中机器人任务规划问题，在任务完成率上优于经典规划、纯VLM及竞争基线。
2024-06-25 cs.AI cs.RO
Dynamic Real-time Multimodal Routing with Hierarchical Hybrid Planning
Stanford University（斯坦福大学）；Ford Greenfield Labs（福特Greenfield实验室）
我们介绍了动态实时的【形】多模式路由（DREAMR）的问题，这需要规划和执行的不确定性下的自主智能体的路线。代理人可以访问一个随时间变化的运输车辆网络，在该网络中，它可以使用多种运输方式。例如，无人机可以飞行或乘坐地形车辆的路线段。DREAMR是一个具有离散和连续变量的不确定条件下的序贯决策难题。我们设计了一个新的分层混合规划框架来解决DREAMR问题，利用其结构分解。我们的框架由一个全局开环规划层，调用和监控本地闭环执行层。额外的抽象允许规划和执行的高效和无缝交织。我们为DREAMR问题创建了一个大规模的模拟，每个场景都有数百条运输路线和数千个连接点。我们的算法框架显着优于滚动时域控制基线，在经过的时间到达目的地和能源消耗的代理。
2019-05-04 cs.AI cs.RO
An Anytime Hierarchical Approach for Stochastic Task and Motion Planning
Arizona State University（亚利桑那州立大学）
为了解决复杂的、长时间的任务，智能机器人需要结合运动规划进行高层次的、抽象的规划与推理。然而，抽象模型通常是有损的，并且使用它们计算的计划或策略可能无法执行。这些问题在机器人需要推理和计划多个意外事件的随机情况下会加剧。我们提出了一种新的方法，在随机设置的集成任务和运动规划。在这个方向的先前工作相比，我们表明，我们的方法可以有效地计算集成的任务和运动策略，其分支结构编码代理的行为，处理多个执行时间的突发事件。我们证明了我们的算法是概率上完整的，可以计算可行的解决方案的政策，在任何时候的方式，使遇到一个未解决的意外事件的概率随着时间的推移而下降。一组具有挑战性的问题的实证结果表明，我们的方法的实用性和范围。
2022-05-26 cs.AI cs.RO
Bidirectional Task-Motion Planning Based on Hierarchical Reinforcement Learning for Strategic Confrontation
School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学）；Advanced Research Institute of Multidisciplinary Sciences and State Key Laboratory of CNS/ATM, Beijing Institute of Technology（多学科科学先进研究院和 CNS/ATM 国家重点实验室，北京理工大学）
本文提出基于分层强化学习的双向任务-运动规划方法，通过层次间动态交互、交叉训练和轨迹预测模型，在战略对抗中实现超过80%胜率和低于0.01秒决策时间，优于现有方法。
2025-08-27 cs.AI cs.RO
Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning
University of Central Florida（中佛罗里达大学）；Pinterest；Rutgers University（罗格斯大学）；Baidu Research（百度研究院）；Beihang University（北京航空航天大学）
城市规划的基本任务是在目标区域产生最佳的土地利用配置。然而，传统的城市规划是耗时耗力的。深度生成学习给了我们希望，我们可以自动化这个规划过程，并提出理想的城市规划。虽然已经取得了显着的成就，他们表现出的局限性，缺乏意识：1）功能区和空间网格之间的层次依赖关系，2）功能区之间的对等依赖关系，3）人为的规定，以确保生成的配置的可用性。为了解决这些局限性，我们开发了一种新的人类指导的深层层次生成模型。我们从独特的功能角度重新思考城市规划生成任务，将规划要求总结为不同的功能预测，以更好地生成城市规划。为此，我们开发了一个三阶段的生成过程，从一个目标区域到区域到网格。第一阶段是标记具有潜在功能的目标区域的网格以发现功能区。第二阶段是感知规划需求，形成城市功能预测。我们提出了一个新的模块：功能化器将人类指令和地理空间上下文的嵌入投影到区域级规划以获得这样的投影。每个预测都包括土地使用组合的信息和特定城市功能方面的空间网格结构依赖性。第三阶段是利用多注意力对功能预测的区域-区域对等依赖关系进行建模，以生成网格级土地使用配置。最后，我们提出了广泛的实验来证明我们的框架的有效性。
2022-12-01 cs.AI cs.RO
Hierarchical Planning with Annotated Skeleton Guidance
Texas A&M University（德克萨斯农工大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术研究所）
我们提出了一个分层的机器人引导运动规划算法来指导移动机器人。一个好的骨架映射了包含重要自由度的c空间子空间的连通性，并且能够指导规划者快速找到所需的解决方案。然而，有时骨架并不紧密地代表自由c空间，这经常误导当前的骨架引导规划者。随着C空间被采样，分层的信标引导的规划策略逐渐放松其对工作空间骨架的依赖，从而递增地返回次优路径，这是标准信标引导算法中不能保证的特征。实验比较标准的导航规划器和其他懒惰的规划策略显示显着改善路线图建设运行时间，同时保持多查询问题在混乱的环境中的路径质量。
2022-06-23 cs.RO
Hierarchical Planning for Complex Tasks with Knowledge Graph-RAG and Symbolic Verification
University of Padova（帕多瓦大学）；University of Cambridge（剑桥大学）
本文提出一种神经符号方法，将知识图谱RAG、分层规划与符号验证器集成到LLMs规划器中，以提升复杂长时程机器人任务的规划可靠性，并通过实验验证其优势。
2025-04-06 cs.AI cs.LG cs.RO
HPHS: Hierarchical Planning based on Hybrid Frontier Sampling for Unknown Environments Exploration
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）；RAL, Baidu Research（百度研究院RAL）
提出HPHS方法，结合混合前沿采样与分层规划，降低规划复杂度并减少区域残留，提升未知环境自主探索的效率与效果。
2024-07-19 cs.RO
Acting and Planning with Hierarchical Operational Models on a Mobile Robot: A Study with RAE+UPOM
German Research Center for Artificial Intelligence (DFKI),Cooperative and Autonomous Systems（德国人工智能研究中心（DFKI））；Osnabrück University（奥斯纳布鲁克大学）；University of Maryland（马里兰大学）；LAAS-CNRS（拉劳斯-CNRS）；Fondazione Bruno Kessler (FBK-ICT)（布鲁诺·克瑟基金会（FBK-ICT））
本文首次物理部署了集成执行器-规划器系统 RAE+UPOM，共享分层操作模型进行执行与规划，在移动机械臂物体收集任务中验证了其在动作失败和传感器噪声下的稳健性。
2025-07-15 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
Efficient Hierarchical Any-Angle Path Planning on Multi-Resolution 3D Grids
本文提出了一种基于多分辨率表示的高效任意角度路径规划方法，兼顾最优性和完备性，克服了传统搜索方法的计算瓶颈，实验表明其在真实和合成环境中的优越性能。
2026-02-24 cs.AI cs.RO
Task and Motion Planning in Hierarchical 3D Scene Graphs
MIT（麻省理工学院）
本研究提出利用分层3D场景图构建稀疏规划域并增量添加对象，实现大规模任务与运动规划，在真实场景图和机器人上验证了有效性。
2024-11-08 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
Efficient Hierarchical Robot Motion Planning Under Uncertainty and Hybrid Dynamics
Department of Mechanical Engineering（机械工程系）；Department of Computer Science（计算机科学系）；University of Texas at Austin, USA（得克萨斯大学奥斯汀分校）
本文提出了一种分层POMDP规划器，用于在存在不确定性的情况下为混合动力学模型生成成本优化的运动计划，通过将非线性动力学分解为离散的局部动力学模型，从而有效减少状态不确定性。
2018-10-08 cs.AI cs.RO cs.SY
Hierarchical Trajectory Planning for Autonomous Driving in Low-speed Driving Scenarios Based on RRT and Optimization
The Hong Kong University of Science and Technology（香港科技大学）
虽然人们对城市道路和高速公路上的路径规划进行了大量的研究，但很少有研究低速驾驶场景下的驾驶策略和轨迹规划，例如，在大学校园内驾驶或在住宅区或工业区内驾驶。在这些情况下的规划研究是至关重要的，因为这些环境往往涵盖了日常旅行或物流系统的第一公里或最后一公里。此外，有必要区别对待这些场景，因为在大多数情况下，驾驶环境是狭窄的，动态的，并且充满障碍物，这也导致在这种环境中进行规划仍然是一项具有挑战性的任务。提出了一种将路径规划和时间规划分离的层次规划方法。通过改进的双向快速探索随机树（bi-RRT）方法生成满足运动学约束的路径。然后，通过序列二次规划（SQP）的安全区间（SI）定义的可行的搜索范围，优化的路径的每个节点的时间戳。不同驾驶场景下的仿真和实车试验证明了该方法的有效性。
2019-04-04 cs.RO
TDLE: 2-D LiDAR Exploration With Hierarchical Planning Using Regional Division
Beijing Institute of Technology（北京理工大学）
本文提出TDLE方法，通过动态划分子区域并分层规划访问顺序，在低计算资源下为二维激光雷达机器人提供全局探索引导，并通过仿真与实地测试验证其优于现有方法。
2023-07-06 cs.RO
SeqWalker: Sequential-Horizon Vision-and-Language Navigation with Hierarchical Planning
SeqWalker通过分层规划框架解决多任务视觉-语言导航中的信息过载问题，通过高层规划减少认知负荷，低层规划利用指令逻辑结构校正轨迹误差。
2026-01-08 cs.AI cs.RO
Compositional Foundation Models for Hierarchical Planning
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
本文提出组合基础模型HiP，联合语言、视频扩散和逆动力学模型，通过迭代优化实现长时程任务的分层规划与视觉-运动控制。
2023-09-21 cs.AI cs.LG cs.RO
Integrated Hierarchical Decision-Making in Inverse Kinematic Planning and Control
University of Cambridge（剑桥大学）
本文提出一种高效的非线性规划框架，整合分层决策与全身逆运动学规划控制，解决逆运动学规划中同时选择端效应器位置的问题。
2026-06-06 cs.RO
Knowledge-Based Hierarchical POMDPs for Task Planning
Instituto Nacional de Astrofísica, Óptica y Electrónica（国家天体物理、光学与电子学研究所）；Instituto Nacional de Enfermedades Respiratorias（国家呼吸系统疾病研究所）；University of Bristol（布里斯托大学）；Centro de Investigaciones en Matemáticas（数学研究中心）
任务规划的主要目标是建立一个动作序列，使智能体从初始状态到目标状态。在机器人技术中，这是特别困难的，因为动作通常有几种可能的结果，传感器容易产生误差的测量。部分可观测马尔可夫决策过程（POMDP）是常用的，由于他们的能力来模拟的不确定性的动作，修改和监控系统的状态。然而，由于求解POMDP在计算上是昂贵的，因此它们的使用对于大多数机器人应用来说变得令人望而却步。在本文中，我们提出了一个服务机器人的任务规划架构。在服务机器人设计的背景下，我们提出了一个计划来编码的机器人及其环境的知识，促进了信息的模块化和重用。此外，我们引入了一个新的递归定义的POMDP，使我们的体系结构，自主建立一个层次的POMDP，使它可以用来生成和执行计划，解决手头的任务。实验结果表明，与基线方法相比，通过遵循递归分层方法，该架构能够显着减少规划时间，同时在不确定性和大小不同的几种情况下保持（甚至提高）鲁棒性。
2021-04-09 cs.AI cs.RO
Leveraging Pre-trained Large Language Models with Refined Prompting for Online Task and Motion Planning
Hunan University（湖南大学）
提出预训练LLM辅助的闭环任务规划与执行系统LLM-PAS，通过将约束检查转移至执行阶段并引入FLP方法生成PDDL目标，提升了机器人在任务执行中处理异常的准确性与稳健性。
2025-04-30 cs.AI cs.RO
Learning hierarchical behavior and motion planning for autonomous driving
Zhejiang University（浙江大学）；Arizona State University（亚利桑那州立大学）
基于学习的驾驶解决方案是自动驾驶的一个新分支，它通过从数据中学习底层机制来简化驾驶建模。为了提高基于学习的驾驶解决方案的战术决策，我们引入分层行为和运动规划（HBMP）明确建模的行为，基于学习的解决方案。由于行为和运动的耦合行为空间，使用强化学习（RL）解决长时间驾驶任务的HBMP问题具有挑战性。我们通过整合一个经典的基于采样的运动规划器来转换HBMP问题，其中的最优成本被视为高级行为学习的奖励。因此，该公式减少了行动空间，并多样化的奖励，而不会失去HBMP的最优性。此外，我们提出了一种跨仿真平台和真实世界环境的输入传感数据的可共享表示，以便在基于事件的快速仿真器SUMO中训练的模型可以用于在基于动态的仿真器CARLA中初始化和加速RL训练。实验结果证明了该方法的有效性。此外，该模型被成功地转移到现实世界中，验证了泛化能力。
2020-05-08 cs.AI cs.RO
Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors
USC（南加州大学）；UPenn（宾夕法尼亚大学）；UC Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
预测和规划未来的能力是智能体在世界上行动的基础。为了达到一个遥远的目标，我们在多个时间尺度上预测轨迹，首先设计一个粗略的目标计划，然后逐渐填充细节。相比之下，目前用于视觉预测和规划的学习方法在长时间任务上失败，因为它们生成预测（1）不考虑目标信息，（2）以最好的时间分辨率，一次一步。在这项工作中，我们提出了一个框架，视觉预测和规划，是能够克服这两个限制。首先，我们制定的问题，预测到一个目标，并提出相应的类的潜在空间目标条件的预测（GCPs）。通过将搜索空间限制为仅到达目标的那些轨迹，GCP显著地提高了规划效率。此外，我们展示了如何GCPs可以自然地制定为分层模型，给定两个观测值，预测它们之间的观测值，并通过递归细分轨迹的每个部分生成完整的序列。这种分而治之的策略是有效的长期预测，并使我们能够设计一个有效的层次规划算法，优化轨迹在一个由粗到细的方式。我们表明，通过使用目标条件和层次预测，GCPs使我们能够解决视觉规划任务的时间比以前可能的要长得多。
2020-11-27 cs.AI cs.CV cs.LG
Object Search in Partially-Known Environments via LLM-informed Model-based Planning and Prompt Selection
Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系）
本文提出了一种基于LLM的模型规划框架和提示选择方法，用于部分已知环境中的物体搜索。利用LLM估计不同位置搜索目标物体的可能性，并结合环境地图提取的旅行成本，以实现有效的搜索性能。
2026-07-09 cs.AI cs.LG 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
Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning
The Hong Kong Polytechnic University（香港理工大学）；Carnegie Mellon University（卡内基梅隆大学）
在不确定和动态条件下规划安全轨迹使得自动驾驶问题变得非常复杂。目前基于采样的方法，如快速探索随机树（RRT）是不理想的，因为这个问题的高计算成本。模仿学习等监督学习方法缺乏通用性和安全性保证。为了解决这些问题，为了确保一个强大的框架，我们提出了一个分层强化学习（HRL）结构结合比例积分微分（PID）控制器的轨迹规划。HRL有助于将自动驾驶任务划分为子目标，并支持网络学习高级选项和低级轨迹规划器选择的策略。子目标的引入减少了收敛时间，并使学习到的策略能够重用于其他场景。此外，所提出的规划器是鲁棒的，保证平稳的轨迹，并通过处理嘈杂的感知系统的自我车。采用PID控制器跟踪航路点，保证了轨迹的平滑性，减小了抖动。不完整观测的问题通过在网络中使用长短期记忆（LSTM）层来处理。高保真CARLA模拟器的结果表明，所提出的方法减少了收敛时间，生成更平滑的轨迹，并能够处理动态环境和噪声观测。
2020-11-09 cs.AI cs.RO
Hierarchical Object-Oriented POMDP Planning for Object Rearrangement
Oregon State University（俄勒冈州立大学）
针对部分可观测多房间环境中多物体重排问题，提出分层面向对象POMDP（HOO-POMDP）规划框架及MultiRoomR基准数据集，通过子目标生成、低级策略和抽象系统提升适应性，实验验证其在复杂场景中的稳健性能。
2025-08-25 cs.AI cs.LG cs.RO
Hierarchically Consistent Motion Primitives for Quadrotor Coordination
University of Toronto（多伦多大学）
我们提出了一个层次结构的运动规划的一个大的代理集合。该框架从网格化工作空间上的低层运动基元开始，并提供了一组用于构造更高层运动基元的规则。我们的分层方法是高度可扩展性和鲁棒性，使其成为一个理想的工具，规划多智能体系统。实验结果表明，收集的四旋翼，必须导航混乱的环境，同时保持形成。
2019-05-01 cs.MA cs.RO
Hierarchical Planning for Long-Horizon Manipulation with Geometric and Symbolic Scene Graphs
NVIDIA（英伟达）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一个视觉接地的层次规划算法的长期地平线的操作任务。我们的算法提供了一个联合框架的神经符号的任务规划和低层次的运动生成的条件下指定的目标。我们的方法的核心是一个两级场景图表示，即几何场景图和符号场景图。这种分层表示作为一个结构化的，以对象为中心的抽象操作场景。我们的模型使用图神经网络来处理这些场景图，以预测高级任务计划和低级动作。我们证明了我们的方法可以扩展到长期任务，并很好地推广到新的任务目标。我们验证了我们的方法在厨房存储任务中的物理模拟和现实世界。我们的实验表明，我们的方法实现了超过70%的成功率和近90%的子目标完成率在真实的机器人，而四个数量级的计算时间比标准的基于搜索的任务和运动规划。
2021-03-30 cs.RO
FHT-Map: Feature-based Hierarchical Topological Map for Relocalization and Path Planning
Shanghai Jiao Tong University（上海交通大学）
针对拓扑地图在重定位和路径规划上的局限，提出基于特征的分层拓扑地图FHT-Map及实时建图算法，利用RGB和LiDAR信息构建主节点与支撑节点，有效提升了重定位与路径规划能力。
2023-10-21 cs.RO
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University（奥托·冯·格里克大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Darmstadt（达姆施塔特工业大学）
自动驾驶车辆的规划和控制通常是分层分离的。然而，不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划，并将控制和规划紧密集成，以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式，以增加灵活性和性能，而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性，但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性，而问题的分层分解降低了计算成本，并使实时实现。我们推导出递归可行性的条件，以确保约束满足和避障，以保证安全，并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO cs.SY eess.SY
Optimization-based Motion Planning for Autonomous Parking Considering Dynamic Obstacle: A Hierarchical Framework
Zhejiang University（浙江大学）
本文提出一种集成图搜索与模型预测控制的分层框架，用于自主车辆在受限环境中高效泊车，通过优化混合A*生成初始路径，并利用非线性模型预测控制规避动态障碍物，经148个场景和实时平行泊车模拟验证。
2023-11-14 cs.RO
Scalable Multi-robot Motion Planning via Hierarchical Subproblem Expansion and Workspace Decomposition Refinement
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Instituto Tecnológico Autónomo de México（墨西哥自治理工学院）
本文提出了一种多机器人运动规划方法，通过工作空间分解的离散搜索提高规划效率，核心方法是分层子问题扩展和工作空间分解细化，主要贡献是通过迭代优化工作空间表示来搜索更小的解耦配置空间。
2026-05-19 cs.RO
LOG-Nav: Efficient Layout-Aware Object-Goal Navigation with Hierarchical Planning
LOG-Nav通过层次化规划和大语言模型智能体实现高效布局感知导航，实验显示其在复杂室内环境中的导航成功率显著提升。
2025-12-08 cs.RO
Hierarchical Time-Optimal Planning for Multi-Vehicle Racing
Technical University of Munich（慕尼黑工业大学）
本文提出了一种多对手赛车的分层规划算法，通过结合离散和连续规划方法，实现全局时间最优，且无需粗粒度离散化。通过低分辨率时空可见图确定最快行为，并计算机动包络作为时间最优控制问题的约束，相比并行方法更高效且可单核执行。
2023-09-13 cs.RO
Fast Motion Planning for High-DOF Robot Systems Using Hierarchical System Identification
University of Maryland at College Park（马里兰大学帕克分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了一个有效的算法运动规划和控制的机器人系统具有高的自由度。这些包括高自由度软体机器人或与可变形环境交互的关节式机器人。我们的方法考虑到动力学约束，并提出了一种新的技术，使用数据驱动的方法来加速前向动力学计算。我们预先计算机器人系统的前向动力学函数的分层自适应网格。此外，我们利用欠驱动机器人系统的属性，并执行这些计算的几个自由度。我们提供我们的近似正向动力学计算的误差范围，并使用我们的方法为基础的优化运动规划和基于学习的反馈控制。我们的配方是用于运动规划的两个高自由度机器人系统：一个高自由度线驱动的弹性机器人手臂和水下游泳机器人在水中操作。与基于精确动态函数计算的现有技术相比，我们观察到性能上的一到两个数量级的改进。
2018-10-05 cs.RO
Dynamic planning in hierarchical active inference
Institute of Cognitive Sciences and Technologies（认知科学与技术研究所）；National Research Council of Italy（意大利国家研究委员会）；Sapienza University of Rome（罗马大学）
本文探讨主动推断中的动态规划，提出基于可供性利用和分层交互的分层混合表示方法，为复杂任务（如工具使用）建模提供了新方向。
2024-11-12 cs.AI cs.LG cs.RO
From proprioception to long-horizon planning in novel environments: A hierarchical RL model
Vicarious AI（Vicarious人工智能公司）
对于一个智能代理灵活，有效地在复杂的环境中运行，他们必须能够在多个层次的时间，空间和概念抽象的原因。在较低的层次上，智能体必须解释他们的本体感受输入并控制他们的肌肉，而在较高的层次上，智能体必须选择目标并计划如何实现这些目标。很明显，这些类型的推理中的每一种都适用于不同类型的表示、算法和输入。在这项工作中，我们介绍了一个简单的，三个层次的架构，反映了这些区别。低层控制器对连续的本体感受输入进行操作，使用无模型学习来获得有用的行为。这些又引起一组中级动态，其由中级控制器学习并用于模型预测控制，以选择在每个时间步激活的行为。高级控制器利用用于目标选择和路径规划的离散图形表示来指定中级控制器的目标。我们将我们的方法应用于Mujoco Ant环境中的一系列导航任务，与先前的无模型，基于模型和分层RL方法相比，始终证明了样本效率的显着提高。最后，作为一个说明性的例子，我们的架构的优势，我们将我们的方法应用到一个复杂的迷宫环境，需要有效的探索和长期规划。
2020-06-11 cs.AI cs.LG cs.RO
