FM-Planner: Foundation Model Guided Path Planning for Autonomous Drone Navigation
School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学)
本文提出FM-Planner,利用基础模型(LLM和VLM)引导无人机路径规划,通过仿真基准测试和真实实验验证其可行性,为自主导航提供实际实现。
2025-05-27 cs.AI cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology(波兹南理工大学)
在本文中,我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外,规划者应该检查多个约束,如静态稳定性,自碰撞,与地形的碰撞,以及腿的工作空间。结果,检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中,我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后,我们提出了一种新的规划方法,提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
PriPG-RL: Privileged Planner-Guided Reinforcement Learning for Partially Observable Systems with Anytime-Feasible MPC
Stockholm University(斯德哥尔摩大学);Washington State University(华盛顿州立大学)
本文提出PriPG-RL方法,通过在训练期间独有的特权规划器代理,解决部分可观测系统的强化学习策略训练问题。方法结合了任何时间可行的MPC算法和P2P-SAC算法,提升样本效率和最终策略性能。
2026-04-09 cs.LG cs.RO
Neural-Guided RuntimePrediction of Planners for Improved Motion and Task Planning with Graph Neural Networks
Sanctuary Cognitive Systems Corp.(圣所认知系统公司);Simon Fraser University(西蒙弗雷泽大学)
过去的十年已经充分证明了通过学习复杂的输入/输出关系可以实现的卓越功能。从数学上讲,最重要和最不透明的关系之一是问题的结构和有效的解决方法之间的关系。在这里,我们定量连接的规划问题的结构的性能给定的采样为基础的运动规划(SBMP)算法。我们证明,运动规划问题的几何关系可以很好地捕捉图神经网络(GNNs)预测SBMP运行时间。通过使用一个算法组合,我们表明,GNN预测的运行时间对特定的问题,可以利用加速在线运动规划在导航和操纵任务。此外,问题到运行时的映射可以被反转,以识别更容易由特定SBMP解决的子问题。我们提供了一个激励的例子,如何使用这些知识来提高综合任务和运动规划模拟的例子。这些成功依赖于GNN的关系结构来捕获从低维导航任务到3D环境中的高自由度操作任务的可扩展泛化。
2022-07-29 cs.RO
Topology-Guided Path Planning for Reliable Visual Navigation of MAVs
Seoul National University(首尔国立大学)
视觉导航已广泛应用于微型飞行器(MAVs)的状态估计。为了稳定的视觉导航,MAV应该生成感知感知路径,以保证足够的可见地标。许多感知路径规划的工作集中在基于采样的规划器。然而,他们可能遭受的样本效率低下,这导致计算负担,以找到一个全局最优路径。为了解决这个问题,我们提出了一个感知感知路径规划器,利用拓扑信息的环境。由于路径的拓扑类与路径上的可见地标密切相关,该算法通过检查不同的拓扑类来选择具有丰富视觉信息的拓扑类。从环境的广义沃罗诺伊图中提取拓扑图,找到具有不同拓扑类的初始路径,并将初始路径划分为离散段,每段中的点共享相似的视觉信息,以评价不同拓扑类的感知质量.该算法首先选择感知质量高的最优类,然后利用基于图的规划器在类内生成路径。通过仿真和真实世界的实验,我们证实了所提出的方法可以保证准确的视觉导航相比,感知不可知的方法,同时显示出更高的计算效率比基于采样的感知感知规划。
2021-07-19 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
Unified Generation-Refinement Planning: Bridging Guided Flow Matching and Sampling-Based MPC for Social Navigation
University of Washington(华盛顿大学);NVIDIA(英伟达)
本文提出一种结合奖励引导条件流匹配与模型预测路径积分的统一生成-细化框架,以提升社交导航中安全、任务性能和计算时间的平衡。
2026-03-22 cs.RO
GPD: Guided Polynomial Diffusion for Motion Planning
Robotic Research Center, IIIT Hyderabad(印度国际信息技术研究院海得拉巴分校机器人研究中心);Carnegie Mellon University(卡内基梅隆大学);TCS Research(塔塔咨询服务公司研究院);University of Tartu(塔尔图大学)
本文提出在轨迹参数空间(表示为Bernstein系数)中进行扩散的GPD方法,结合新颖的拼接算法,显著提高了代价函数引导的有效性与推理速度,仅用单个引导模型即可生成无碰撞轨迹,性能优于现有SOTA方法。
2025-01-30 cs.RO
Denoising Diffusion Planner: Learning Complex Paths from Low-Quality Demonstrations
University of Twente(特温特大学)
本文提出去噪扩散规划器,利用DDPMs的泛化和条件采样能力,仅用低质量演示即可为机器人末端执行器生成避障复杂路径,并在Franka Emika Panda机器人上验证了其有效性。
2024-11-15 cs.RO
Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making
Harbin Institute of Technology(哈尔滨工业大学)
本文提出TEMP深度学习运动规划框架,通过EISE语义编码与MPT注意力引导采样提升路径质量、搜索效率及跨任务泛化能力。
2024-04-30 cs.AI 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
CLF-RL: Control Lyapunov Function Guided Reinforcement Learning
California Institute of Technology(加州理工学院)
CLF-RL通过结合基于模型的轨迹生成和控制李雅普诺夫函数,提升双足机器人运动策略的鲁棒性和性能。
2025-12-31 cs.RO
CogniPlan: Uncertainty-Guided Path Planning with Conditional Generative Layout Prediction
National University of Singapore(新加坡国立大学);Tongji University(同济大学);BITS Pilani(比什朋尼学院)
CogniPlan利用条件生成修复模型预测多个布局,结合图注意力路径规划,在未知环境中实现不确定性引导的探索与导航,性能优于现有方法。
2025-08-05 cs.RO
TGK-Planner: An Efficient Topology Guided Kinodynamic Planner for Autonomous Quadrotors
Zhejiang University(浙江大学)
在本文中,我们提出了一个轻量级的,但有效的拓扑引导Kinodynamic规划器(TGK规划器)的四旋翼侵略性飞行有限的机载计算资源。该系统遵循传统的层次规划工作流程,在寻路和轨迹优化两个子模块中采用了新颖的设计,提高了鲁棒性和效率。首先,我们提出了拓扑引导图,它粗略地捕获了环境的拓扑结构,并指导基于采样的Kinodynamic规划器的状态采样。通过这种方式,我们显着提高了寻找安全和动态可行轨迹的效率。然后,我们细化的光滑性和连续性的轨迹的优化框架,其中包括同伦约束,以保证轨迹的安全性。优化程序被配制成一个序列的二次规划(QP),可以在几毫秒内迭代求解。最后,所提出的系统集成到一个完全自主的四旋翼,并在各种模拟和现实世界的情况下进行验证。基准比较表明,我们的方法优于国家的最先进的方法方面的效率和轨迹质量。此外,我们将以开源软件包的形式发布我们的代码。
2020-11-08 cs.RO
Human-Guided Planner for Non-Prehensile Manipulation
University of Leeds(利兹大学)
我们提出了一个人引导的规划器在杂波中的非易失性操作。最新的方法来操纵杂乱采用随机规划,然而,该问题仍然是一个具有挑战性的,其中规划时间仍然是几十秒或几分钟的顺序,并且成功率低的困难的情况下的问题。我们建立在这些控制为基础的随机规划方法,但我们研究使用它们与人类操作员的输入。我们表明,以最少的人力投入,低层次的计划可以更快地解决问题,并具有更高的成功率。
2020-04-04 cs.RO
One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation
KTH Royal Institute of Technology(皇家理工学院);Zenseact AB(Zenseact公司);Chalmers University of Technology(查尔姆斯理工大学)
该研究提出单个扩散交通模型可同时承担自动驾驶开发中轨迹规划与安全关键场景生成两种角色,通过SSDS扩散-Transformer解码器和DAPSE方案提升规划性能,生成的场景可评估规划器鲁棒性并暴露其故障模式。
2026-09-07 cs.AI cs.CV cs.LG
Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments
George Mason University(乔治梅森大学)
针对部分建图环境中运动规划重规划开销大、易振荡的问题,提出结合高层离散层与历史解引导运动树扩展的增强型采样规划框架,有效提升规划速度与解的一致性。
2023-06-15 cs.RO
Probabilistically Safe Corridors to Guide Sampling-Based Motion Planning
Cornell Tech(康奈尔理工学院);University of Pennsylvania(宾夕法尼亚大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
在本文中,我们引入了一个新的概率安全的本地转向原语采样为基础的运动规划在复杂的高维配置空间。我们的本地转向过程是基于一个新的概念,凸概率安全走廊,构造周围的配置使用切线超平面的置信度椭球高斯混合模型从以前的碰撞历史。因此,我们建议扩展一个随机的运动规划图向一个样本目标使用其投影到概率安全走廊,有效地利用配置空间的局部几何形状选择适当的转向方向和适应转向步长。我们观察到,建议的本地转向过程产生有效的转向运动周围的困难区域的配置空间,如狭窄的通道,同时尽量减少碰撞的可能性。我们评估了建议的转向方法与随机运动规划器在一些规划方案,无论是在模拟和物理7自由度机械臂,证明了我们的安全指导本地规划器的有效性超过标准的直线规划器。
2019-01-01 cs.RO
Hierarchical Experience-informed Navigation for Multi-modal Quadrupedal Rebar Grid Traversal
Georgia Institute of Technology(佐治亚理工学院);School of Mechanical Engineering, Georgia Institute of Technology(佐治亚理工学院机械工程学院);SkyMul Inc(SkyMul公司);School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
本研究提出一种分层经验引导的多模态接触规划框架,结合高层接触序列规划与底层运动动力学轨迹优化,引入躯干路径引导启发式减少离线试验次数,实现四足机器人在受限钢筋环境中的敏捷导航,并通过仿真与真实硬件验证了有效性。
2024-04-13 cs.RO
Multimodal Classification Network Guided Trajectory Planning for Four-Wheel Independent Steering Autonomous Parking Considering Obstacle Attributes
本文提出基于多模态感知网络和混合A*搜索的轨迹规划框架,通过考虑障碍属性提升四轮独立转向车辆在狭窄环境中的导航效率和安全性。
2026-04-06 cs.RO
Safe and Stylized Trajectory Planning for Autonomous Driving via Diffusion Model
本文提出SDD Planner,通过结合多源风格感知编码器和风格引导动态轨迹生成器,实现自动驾驶中安全与风格化轨迹规划的平衡,实验表明其在多个基准测试中表现优异。
2026-03-12 cs.RO
Diffusion-Guided Multi-Arm Motion Planning
Massachusetts Institute of Technology(麻省理工学院)
针对多臂运动规划可扩展性差、依赖大数据集的问题,提出扩散引导的多臂规划器DG-MAP,利用条件扩散模型分解单臂轨迹生成与成对碰撞解决,实现高效扩展并验证有效性。
2025-09-09 cs.AI cs.MA cs.RO
Information-Guided Robotic Maximum Seek-and-Sample in Partially Observable Continuous Environments
Massachusetts Institute of Technology(麻省理工学院);Woods Hole Oceanographic Institution(伍兹霍尔海洋研究所)
我们提出了PLUMES,一个规划器定位和收集样本的先验未知和部分可观察的连续环境的全球最大值。“最大搜索和采样”(MSS)问题在环境和地球科学中普遍存在。专家们希望在环境最大限度内收集有科学价值的样本(例如,石油泄漏源),但没有关于这种现象的分布的先验知识。我们制定的MSS问题作为一个部分可观察的马尔可夫决策过程(POMDP)与连续的状态和观察空间,和一个稀疏的奖励信号。为了解决MSS POMDP,PLUMES使用信息理论奖励启发式与连续观察蒙特卡罗树搜索,以有效地定位和采样的全球最大值。在模拟和现场实验中,PLUMES在各种环境中收集了比最先进的规划者更有科学价值的样本,包括各种平台,传感器和具有挑战性的现实条件。
2019-09-26 cs.RO cs.SY eess.SY
Geometry-Aware Sampling-Based Motion Planning on Riemannian Manifolds
Institute for Aerospace Studies, University of Toronto(航空航天研究 institute,多伦多大学)
本文提出基于采样的运动规划框架,直接在黎曼流形上操作,利用黎曼几何距离近似和自然梯度引导局部规划,实验证明其在非欧几里得几何下能生成更优轨迹。
2026-08-06 cs.RO
dRVG: Quadtree-Guided, Resolution-Complete Online Motion Planning for Polygonal Robots in Unknown Environments
Rutgers, the State University of New Jersey(罗格斯大学新泽西州立大学)
提出动态旋转堆叠可见性图(dRVG),利用四叉树调度感知并融合局部路标图,实现未知环境中多边形机器人的分辨率完备在线运动规划,实验证明其高效性。
2026-09-28 cs.RO
Policy-Guided Lazy Search with Feedback for Task and Motion Planning
University of Toronto Robotics Institute(多伦多大学机器人研究所);University of BITS Pilani(Birla技术与科学学院皮拉尼大学);University of Toronto(多伦多大学)
针对PDDLStream方法求解任务与运动规划问题耗时久的问题,提出带策略引导与反馈的LAZY求解器,通过集成动作骨架搜索和自适应引导,在7自由度模拟操作任务中显著提升了求解速度。
2023-08-23 cs.AI cs.RO
Towards Contact-Aided Motion Planning for Tendon-Driven Continuum Robots
University of Toronto(多伦多大学);Technion(以色列理工学院)
针对单分段腱驱动连续体机器人在杂乱环境中的导航问题,本文提出一种利用环境接触实现多曲率的搜索式运动规划器,并通过专用启发式函数显著提升规划成功率至约80%。
2024-02-21 cs.RO
Topology-Guided ORCA: Smooth Multi-Agent Motion Planning in Constrained Environments
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出拓扑引导的ORCA,通过构建环境拓扑图并利用航点引导,解决ORCA在静态障碍物环境中易卡住的问题,实现更平滑自然的多智能体运动规划。
2024-08-20 cs.RO
Counterexample-Guided Repair for Symbolic-Geometric Action Abstractions
Cornell University(康奈尔大学)
集成任务和运动规划(TMP)为解决具有复杂符号和几何约束的机器人规划问题提供了一种很有前途的方法。然而,TMP规划者的实际用途是有限的,他们需要的机器人动作,这是很难构建,即使是专家的符号抽象。我们提出了一种方法来自动构建和不断提高机器人动作的符号抽象通过观察机器人执行的动作。这种方法称为自动抽象修复,允许符号抽象最初是不正确或不完整的,并随着时间的推移收敛到正确的模型。抽象修复使用约束多项式zonotopes(CPZs),一个有效的非凸集表示,模型的联合符号和几何状态的谓词,并执行一个优化搜索符号编辑操作的谓词公式,以提高对应的符号抽象的物理机器人控制器的行为。在这项工作中,我们描述了上述谓词模型,介绍了符号几何抽象修复问题,并提出了一个随时自动抽象修复算法。然后,我们证明了抽象修复可以提高现实的行动抽象的常见移动操作动作从少数观察。
2021-05-13 cs.RO
Informed Hybrid Zonotope-based Motion Planning Algorithm
TUM School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院);TUM School of Engineering and Design, Technical University Munich(慕尼黑工业大学工程与设计学院)
本文提出HZ-MP算法,通过分解无障碍空间并利用椭球otope启发式方法进行低维面采样,集中探索有潜力的过渡区域,从而提高在狭窄通道或封闭目标场景下的规划效率。
2026-04-10 cs.RO
Topology-Guided Path Integral Approach for Stochastic Optimal Control in Cluttered Environment
KAIST(韩国科学技术院)
本文将不确定性条件下的机器人运动规划与控制问题转化为连续时间、连续空间的随机最优控制问题,提出了一种拓扑引导的路径积分控制方法。的路径积分控制框架,它形成了所提出的方法的骨干,重写的Hamilton-Jacobi-Bellman方程作为一个统计推断问题,由此产生的推理问题是解决的采样过程,计算控制轨迹的分布轨迹周围的被动动力学。然而,对于高度杂乱的环境中的机器人的运动控制,这种采样可以很容易地被困在一个局部最小值,除非样本大小是非常大的,因为局部最小值的全局最优性取决于不确定性的程度。因此,同源嵌入式采样为基础的规划,确定许多(潜在的)本地最小轨迹在不同的同源类的开发,以帮助采样过程。结合滚动时域的最优控制,该方法产生了一个动态可行的和无碰撞的运动计划,而不会陷入局部最小值。合成玩具问题和复杂障碍物场中四旋翼飞行器控制问题的数值算例验证了该方法的有效性。
2018-08-01 cs.RO
EV-Planner: Energy-Efficient Robot Navigation via Event-Based Physics-Guided Neuromorphic Planner
Purdue University(普渡大学)
提出EV-Planner,结合事件相机与物理引导神经网络,利用浅层SNN检测目标并预测最优飞行时间,实现无人机节能避障导航。
2024-01-03 cs.RO
LASMP: Language Aided Subset Sampling Based Motion Planner
University at Albany(奥尔巴尼大学);GE Aerospace Research(GE航空航天研究院)
LASMP 利用 RoBERTa 语言模型解析自然语言指令来引导 RRT 采样,将节点数减少 55%、采样查询减少 80%,在复杂室内环境中实现更高效安全的机器人运动规划。
2024-10-01 cs.AI cs.HC cs.LG
Trajectory Planning without Trajectory Data: A Manifold-Guided Approach
Carnegie Mellon University(卡内基梅隆大学);National University of Singapore(新加坡国立大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室);Harvard University(哈佛大学)
提出流形引导的轨迹规划方法,仅用状态观测学习状态空间流形并利用其几何构造轨迹,实现对未见约束的泛化,在基准上表现优异且无需轨迹数据。
2026-10-08 cs.RO
CGD: Constraint-Guided Diffusion Policies for UAV Trajectory Planning
Massachusetts Institute of Technology(麻省理工学院)
针对传统优化规划器计算成本高且模仿学习策略难以处理动态可行性与约束变化的问题,本文提出约束引导扩散方法,将轨迹规划分解为无碰撞路径寻找与动态可行时间参数化,实现快速且可泛化的无人机轨迹生成。
2024-05-02 cs.LG cs.RO cs.SY
Occupancy Prediction-Guided Neural Planner for Autonomous Driving
Nanyang Technological University(南洋理工大学)
针对自动驾驶中环境联合预测与预测引导整合难题,提出融合占用预测的两阶段OPGP神经规划框架,经真实数据集训练验证,性能优于现有强基线学习方法。
2023-05-05 cs.RO
IPPON: Common Sense Guided Informative Path Planning for Object Goal Navigation
Robotic Systems Lab, ETH Zurich(苏黎世联邦理工学院机器人系统实验室);Google DeepMind(谷歌DeepMind)
本文提出 IPPON,一种结合语义分割、Bayes 滤波器、LLM 常识先验与信息路径规划的零样本 ObjectNav 方法,在 Habitat 2023 中以 SPL 和 Soft SPL 取得领先性能并完成真机验证。
2024-10-25 cs.AI cs.CL cs.RO
Learning Spatiotemporal Decision Priors for Efficient Path Planning under Partial Observability
College of Intelligent Robotics and Advanced Manufacturing, Fudan University(智能机器人与先进制造学院,复旦大学);School of Information Science and Technology, Fudan University(信息科学与技术学院,复旦大学);Department of Information Technology, Old Dominion University(信息技术系,老 Dominion 大学)
研究部分可观测性下的路径规划问题,提出ImiPath框架,从示范轨迹提炼时空决策先验,经局部时空观测表示和时空注意力策略网络转换为决策先验并纳入异构规划器,提升路径质量与搜索效率,验证了框架的适应性和实际部署潜力。
2026-07-27 cs.AI cs.RO
Graph-Guided Safe Diffuser: Topological Graph Guidance for Safe Diffusion Planning
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院电气工程学院)
该研究提出图引导的安全扩散器(G2SD)框架,用高层拓扑图规划器引导低层扩散模型,解决扩散规划器的流形破裂问题,在Maze2D导航等任务中大幅提升无碰撞目标到达率与任务性能。
2026-08-11 cs.RO
SCAN-Planner: Spatial Collision-Aware Local Planning for Route-Guided Long-Range Quadruped Navigation
Shanghai Jiao Tong University(上海交通大学)
提出SCAN-Planner框架,通过偏航感知双圆柱足迹和投影A*搜索实现空间碰撞感知的局部规划,在密集杂乱、3D非结构化环境和远程导航中生成安全平滑轨迹。
2026-06-19 cs.RO
Masked Generative Motion Planning with Geometry-Guided Token Search
University of Glasgow(格拉斯哥大学)
该研究提出MGMP算法,结合GGTS技术,在运动规划任务中大幅提升成功率,且具备良好泛化能力,优于现有基准方法。
2026-10-09 cs.AI cs.RO
PRISM: PRior-guided Imagination Sampling in world Models
Northeastern University(东北大学);University of California, Berkeley(加州大学伯克利分校);Qiyuan Lab(启元实验室);University of Florida(佛罗里达大学)
提出PRISM框架,通过从世界模型编码器提取状态条件高斯先验,并利用精度加权高斯乘积更新规划器的采样分布,在不增加架构复杂度的情况下显著提升基于模型的连续控制性能。
2026-10-27 cs.AI cs.RO
ADM-Planner: LLM-Guided Long-Horizon Planning for Mobile Manipulators with Attention-Enhanced Dynamic Memory
Nanyang Technological University(南洋理工大学)
针对移动机械臂长时程规划中场景动态变化导致计划失效的问题,提出ADM-Planner框架,通过注意力增强动态记忆分离持久知识与对象状态,有界检索关键信息,在模拟和实物实验中显著提升成功率并降低上下文开销。
2026-09-25 cs.RO
EDMP: Ensemble-of-costs-guided Diffusion for Motion Planning
Robotic Research Center(机器人研究中心);IIIT Hyderabad(印度信息技术研究所海得拉巴分校);Massachusetts Institute of Technology(麻省理工学院);University of Tartu(塔尔图大学)
EDMP结合经典与深度学习运动规划,利用成本集成引导扩散生成有效轨迹,显著提升成功率并保持泛化能力。
2023-09-20 cs.AI cs.LG cs.RO
A KL-regularization Framework for Learning to Plan with Adaptive Priors
LIACS, Leiden University, Leiden, The Netherlands(莱顿大学莱顿分校,荷兰);Google Deepmind, London, United Kingdom(谷歌DeepMind,英国伦敦);University of Oxford, Oxford, United Kingdom(牛津大学,英国牛津)
本文提出了一种基于KL正则化的学习规划框架,通过将规划器的动作分布作为先验整合到策略优化中,提升了在高维连续控制任务中模型驱动强化学习的样本效率和长期性能。
2026-05-20 cs.AI cs.LG cs.RO
LiloDriver: A Lifelong Learning Framework for Closed-loop Motion Planning in Long-tail Autonomous Driving Scenarios
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Horizon Robotics(地平线机器人)
LiloDriver通过结合大语言模型与记忆增强的规划生成系统,实现了在长尾自动驾驶场景中闭环运动规划的持续适应,优于传统规则和学习方法。
2026-04-09 cs.AI cs.RO
CAST: Alternating State-Value Targets and Expanded Policy Gradients for Model-Based Reinforcement Learning
University of Trento(特伦托大学);LAAS-CNRS(法国国家科学研究中心LAAS实验室);Université de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心);New York University(纽约大学);Artificial and Natural Intelligence Toulouse Institute (ANITI)(图卢兹人工与自然智能研究所)
CAST提出交替状态值目标与扩展策略梯度,利用规划器引导行为改进价值学习,在多个基准和真实四足机器人上验证了有效性。
2026-09-09 cs.RO
TAPOM: Task-Space Topology-Guided Motion Planning for Manipulating Elongated Object in Cluttered Environments
Collage of Control Science and Engineering, Zhejiang University(控制科学与工程学院,浙江大学);Department of Computer Science, ETH Zurich(计算机科学系,苏黎世联邦理工学院)
本文提出TAPOM方法,通过任务空间拓扑分析生成引导关键帧,结合低层规划器解决细长物体在狭窄低间隙环境中的运动规划难题,显著提升成功率和效率。
2025-11-07 cs.RO cs.SY eess.SY
LaViPlan : Language-Guided Visual Path Planning with RLVR
Electronics and Telecommunications Research Institute(电子通信研究院)
针对自动驾驶分布外场景规划器泛化性差的问题,本文提出LaViPlan框架,通过带可验证奖励的强化学习微调视觉-语言模型,提升了域内及分布外规划性能,验证了该后训练范式对齐语言推理与动作规划的潜力。
2025-08-20 cs.LG cs.RO
Large-Language-Model-Guided State Estimation for Partially Observable Task and Motion Planning
The University of Texas at Austin(德克萨斯大学);Nanyang Technological University(南洋理工大学)
本文提出CoCo-TAMP框架,利用大语言模型的常识推理能力,通过分层态估计提升部分可观测任务和运动规划的效率。
2026-03-06 cs.AI cs.RO
Tree-Guided Diffusion Planner
Department of Computer Science & Engineering(计算机科学与工程系);Interdisciplinary Program of AI(人工智能跨学科项目)
本文提出树引导的扩散规划器TDP,通过树搜索与双层采样在测试时实现零样本规划,有效解决非凸、不可微及多奖励场景下的引导控制问题,并在多个任务上超越现有方法。
2025-11-09 cs.AI cs.RO
Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning
University of Virginia(弗吉尼亚大学);University of California, Irvine(加州大学伊藤分校)
本文提出离散引导扩散(DGD)框架,将离散MAPF求解器与约束生成扩散模型结合,通过问题分解、时空依赖建模和约束修复,实现可扩展至100个机器人的高质量多机器人运动规划。
2025-08-27 cs.AI cs.LG cs.RO
Managing The Dynamics Of A Harmonic Potential Field-Guided Robot In A Cluttered Environment
Electrical Engineering Department, KFUPM(法赫德国王石油矿产大学电气工程系)
本文证明了谐波势场,HPF,规划方法产生一个良好的行为约束路径的机器人在混乱的环境中的二阶动力学的能力。结果表明,基于HPF的控制器可以开发完整以及非完整机器人,以有效地抑制惯性力对机器人轨迹的影响,同时保持一个纯粹的运动学HPF规划的所有有吸引力的功能。所建议的导航控制器的能力,证明使用仿真结果。比较还提供了用于转换的引导信号从一个纯粹的运动HPF规划器到导航控制信号的其他方法。
2016-08-21 cs.RO
Convex-Neural RRT*: Fast and Reliable Learning-Guided Sampling for High-Quality Robot Path Planning
提出Convex-Neural RRT*算法,通过神经网络预测高质量路径附近的凸候选区域来引导采样,在多种环境中相比神经引导变体减少30-75%计算时间,路径长度平均减少约5%,成功率超99%。
2026-05-24 cs.LG cs.NE cs.RO