Trajectory Planning for Safe Dual Control with Active Exploration
Department of Robotics, University of Michigan(密歇根大学机器人学系);Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系)
本文研究了一种受预算约束的双控问题,通过整合鲁棒规划与主动探索,在保证安全性和预算可行性的同时,平衡即时任务性能与长期不确定性降低。
2026-11-18 cs.RO
Communication-Aware Iterative Map Compression for Online Path-Planning
Georgia Institute of Technology(佐治亚理工学院);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
提出通信感知的迭代地图压缩框架,通过 Kalman 滤波解码器顺序选择压缩方案,在保持规划成本的同时减少 98% 通信量并降低计算时间。
2025-03-13 cs.RO
Estimation and Planning of Exploration Over Grid Map Using A Spatiotemporal Model with Incomplete State Observations
University of Nevada, Reno(内华达大学雷诺分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
时空模型上的路径规划可以应用于各种应用,如无人机搜索在山区蔓延的野火或部署在廉价的互联网服务的时变大气中的气球网络。这种应用中的一个值得注意的方面是动态变化的环境。然而,路径规划算法往往假设静态环境,只考虑车辆的动态探索环境。我们提出了一个时空模型,该模型使用互相关运算符来考虑时空依赖性。此外,我们提出了一个自适应状态估计器的路径规划。由于状态估计依赖于车辆的路径,路径规划需要考虑探索和利用之间的权衡。我们使用一个高层次的决策者来选择一个探索性的路径或一个剥削性的路径。整体提出的框架包括一个自适应状态估计器,短期路径规划器,和一个高层次的决策者。我们测试了框架的时空模型模拟,其中每个网格的状态从正常,潜在的,和火灾状态过渡。对于访问有火网格的任务目标,所提出的框架优于随机行走(基线)和一心一意的开发(或探索)路径。
2021-06-24 cs.RO
Finding a needle in an exponential haystack: Discrete RRT for exploration of implicit roadmaps in multi-robot motion planning
Tel-Aviv University(特拉维夫大学)
我们提出了一个基于采样的多机器人运动规划框架,它结合了一个隐式表示的路线图与一种新的方法,在几何嵌入式图形中的寻路量身定制我们的设置。我们的寻路算法,离散RRT(dRRT),是一个适应著名的RRT算法的离散情况下的图形,它使一个快速探索的高维配置空间仔细走过一个隐含的表示的张量积的路线图为个人机器人。我们证明了我们的方法实验上的情况下,高达60自由度,我们的算法是由一个因素,至少10倍,我们知道相比,现有的算法。
2014-03-30 cs.RO
Relevant Region Exploration On General Cost-maps For Sampling-Based Motion Planning
Georgia Institute of Technology(佐治亚理工学院)
渐近最优抽样为基础的规划者需要一个智能的探索策略,以加速收敛。在找到初始解之后,改进的一个必要条件是在所谓的“知情集”中生成新的样本。然而,如果所选择的启发式算法不能提供一个很好的估计的解决方案的成本,知情抽样可能是无效的集中搜索。这项工作提出了一种算法来采样的“相关区域”,这是一个子集的知情集。相关区域利用来自计划器的树结构的成本信息,减少对启发式的依赖,并进一步集中搜索。在统一和一般的成本空间设置的基准测试证明了相关区域抽样的有效性。
2021-03-19 cs.RO
OmniPlanner: Universal Exploration and Inspection Path Planning Across Robot Morphologies
Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)(工程 cybernetics 系,挪威科学与技术大学)
OmniPlanner是一种跨机器人形态的通用路径规划框架,通过统一架构实现探索与检查任务,适用于空中、地面和水下环境,提升了跨领域的适应性和效率。
2026-09-17 cs.RO
Communication-Aware Map Compression for Online Path-Planning: A Rate-Distortion Approach
Department of Aerospace Engineering of Georgia Institute of Technology(佐治亚理工学院航空航天工程系);Department of Electrical and Computer Engineering, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校电气与计算机工程系)
针对带宽受限的未知环境双机器人协同导航,提出基于率失真优化的通信感知地图压缩方法,利用逆注水法闭式解实现按任务相关性多级量化编码,有效降低通信开销并保障在线路径规划。
2025-06-25 cs.RO
Adaptive Coverage Path Planning for Efficient Exploration of Unknown Environments
California Institute of Technology(加州理工学院);Stanford University(斯坦福大学);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室);University of California Los Angeles(加州大学洛杉矶分校)
我们提出了一种方法来解决覆盖问题的目标自主探索任务时间约束下的未知环境。在这里,机器人的任务是规划一条地平线上的路径,使得其传感器足迹扫过的累积区域最大化。因为这个问题表现出一个递减的回报属性称为子模块,我们选择制定它作为一个基于树的顺序决策过程。这个公式使我们能够评估机器人的行动对未来世界覆盖状态的影响,同时考虑到机器人的可通行性风险和动态约束。为了快速找到接近最优的解决方案,我们提出了一个有效的近似覆盖传感器模型,适应当地环境。我们的方法在各种复杂的环境中进行了广泛的测试,并作为DARPA地下挑战赛的竞争项目的本地探索算法。
2023-02-06 cs.RO
TAPE: Tether-Aware Path Planning for Autonomous Exploration of Unknown 3D Cavities Using a Tangle-Compatible Tethered Aerial Robot
Createk Design Lab, University of Sherbrooke(谢布克大学Createk设计实验室)
提出一种两级分层路径规划方法,通过全局TSP最小化距离和局部可调决策函数平衡路径成本与系绳长度,实现未知三维空腔的自主探索,仿真和实地测试验证了有效性。
2026-07-01 cs.RO
Robotic Exploration of Unknown 2D Environment Using a Frontier-based Automatic-Differentiable Information Gain Measure
Carnegie Mellon University(卡内基梅隆大学)
自主机器人探索路径规划方法的核心是一种启发式方法,它鼓励探索环境中的未知区域。这种统计学通常使用基于前沿或信息理论的方法来计算。基于边界的方法将探索路径的信息增益定义为从路径可见的边界单元或边界的数量。然而,这种信息增益度量的离散和不可微性质使得难以使用基于梯度的方法进行优化。相比之下,信息论方法将信息增益定义为传感器的测量值与所探索的地图之间的互信息。然而,互信息的梯度的计算涉及有限差分,因此计算昂贵。本文提出了一种结合基于采样的路径规划和基于梯度的路径优化的探索规划框架。这个框架的主要贡献是一个新的重新制定的信息增益作为一个可微的功能。这使我们能够同时优化信息增益和其他可区分的质量指标,如平滑度。所提出的规划框架的有效性进行了验证,在仿真和硬件实验中使用的Turtlebot3汉堡机器人。
2020-11-10 cs.RO
Exploration, Path Planning with Obstacle and Collision Avoidance in a Dynamic Environment
Universidade da Beira Interior(贝拉内政大学)
如果我们给机器人一个任务,将物体从当前位置移动到未知环境中的另一个位置,机器人必须探索地图,识别所有类型的障碍物,然后确定完成任务的最佳路线。我们提出了一个数学模型,以找到一个最佳的路径规划,避免碰撞的所有静态和移动的障碍物,并具有最小的完成时间和最小的行驶距离。该模型不考虑障碍物和机器人周围的限界框,使机器人可以非常接近障碍物而不与其发生碰撞。我们考虑了两种类型的障碍物:确定性障碍物,包括所有静态障碍物,如不移动的墙壁和所有移动障碍物,其移动具有固定的模式,以及非确定性障碍物,包括所有障碍物,其移动可以在任何时间以某种概率分布在任何方向发生。我们还考虑了机器人的加速度和减速度,以提高避碰。
2022-08-19 cs.RO
Sampling-based Incremental Information Gathering with Applications to Robotic Exploration and Environmental Monitoring
College of Engineering, University of Michigan(密歇根大学工程学院);Centre for Autonomous Systems (CAS), University of Technology Sydney(悉尼科技大学自主系统中心)
在这篇文章中,我们提出了一个基于采样的运动规划算法配备了一个信息理论的收敛标准,增量信息运动规划。所提出的方法允许密集的地图表示,并将完整的状态不确定性纳入规划过程。该问题被公式化为一个约束最大化问题。我们的方法是建立在快速探索的信息收集算法,并受益于基于采样的最佳运动规划算法的优势。我们提出了两个信息函数及其变种的快速和在线计算。我们证明了一个信息理论的收敛,整个勘探和信息收集任务的平均地图熵的最小上界的基础上。收敛性分析的结果,信息驱动的运动控制的自然自动停止的标准。我们使用三种方案来演示所提出的算法的性能:建议的信息函数和传感器配置选择的比较,未知环境中的机器人探索,以及使用自主水面车辆收集的公开数据集在湖泊中的无线信号强度监测任务。
2017-09-23 cs.RO
GPU Accelerated Voxel Grid Generation for Fast MAV Exploration
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心)
体素网格是一种用于机器人运动规划的最小且有效的环境表示。许多最先进的规划算法使用由自由体素、被占用体素和未知体素组成的体素网格。在本文中,我们提出了一种新的GPU加速算法划分空间成一个体素网格占用,自由和未知的体素。所提出的方法是低延迟和适合于高速导航。
2022-08-16 cs.RO
Multi-Objective Global Path Planning for Lunar Exploration With a Quadruped Robot
ETH Zurich(苏黎世联邦理工学院)
针对非结构化月球探测环境的多目标路径规划需求,提出基于A*算法、可调整目标权重的全局规划器及配套统计分析工具,在阿里斯塔克斯高原测试中效果优于人工规划路径且已开源。
2024-06-24 cs.RO
Optimal Whole Body Trajectory Planning for Mobile Manipulators in Planetary Exploration and Construction
University of Salerno(萨勒诺大学);ALTEC S.p.A.(阿尔泰克公司);Trasys International(特拉西斯国际公司)
针对移动机械臂在行星探测中的基座与臂分离规划导致次优的问题,提出基于离散动态规划与最优插值的全身规划器OptiWB,利用运动学冗余规避碰撞并提升相机可见性,在ESA简化漫游车上验证。
2024-05-23 cs.RO
Safe Mission-Level Path Planning for Exploration of Lunar Shadowed Regions by a Solar-Powered Rover
University of Toronto(多伦多大学);Institute for Aerospace Studies(航空航天研究所);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院)
本文针对太阳能月球车在月球南极永久阴影区探索中受随机故障影响的问题,提出一种结合任务级路径规划与随机可达性分析的机会约束规划方法,在保证任务失败概率上限的同时最大化访问科学航路点数量,并通过Cabeus陨石坑模拟验证了其有效性。
2025-01-03 cs.RO
Planning for robotic exploration based on forward simulation
Tampere University of Technology(坦佩雷理工大学)
本文提出基于POMDP的探索规划方法,结合信息论目标函数和正向模拟算法,通过改进的互信息近似方法提升机器人在部分已知环境中的探索效率。
2016-06-29 cs.RO cs.SY eess.SY
Communication-Aware Map Compression for Online Path-Planning
Georgia Institute of Technology(佐治亚理工学院);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对移动机器人在线路径规划中的地图信息通信问题,提出由路径引导、权衡分辨率与通信成本的顺序压缩框架,并通过凸优化解码器和编码器实现约50%的平均信息减量。
2023-09-23 cs.MA cs.RO
Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
UC San Diego(加州大学圣地亚哥分校)
基于采样的运动规划是机器人技术中一种在连续空间中寻找路径的常用方法。碰撞检测是该过程中的主要计算瓶颈。我们提出了新的基于学习的方法,通过训练执行路径探索和路径平滑的图神经网络来减少碰撞检查以加速运动规划。给定从批量采样生成的随机几何图(RGG),路径探索组件迭代地预测无冲突边缘以优先考虑它们的探索。路径平滑组件然后优化从探索阶段获得的路径。该方法受益于GNN通过批量采样从RGG捕获几何图案的能力,并更好地推广到不可见的环境。实验结果表明,学习组件可以显着减少碰撞检查,提高整体规划效率,在具有挑战性的高维运动规划任务。
2022-10-17 cs.AI cs.RO
PBCS : Efficient Exploration and Exploitation Using a Synergy between Reinforcement Learning and Motion Planning
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Institut des Systèmes Intelligents et de Robotique(智能系统与机器人研究所)
探索-利用权衡是强化学习(RL)的核心。然而,最近RL研究中使用的大多数连续控制基准只需要局部探索。这导致了具有基本探索能力的算法的开发,并且在需要更多功能探索的基准测试中表现不佳。例如,正如我们的实证研究所证明的那样,最先进的RL算法(如DDPG和TD 3)无法在即使是小的2D迷宫中引导点质量。在本文中,我们提出了一种新的算法,称为“计划,回放,链技能”(PBCS),结合运动规划和强化学习,以解决困难的探索环境。在第一阶段中,使用运动规划算法来找到单个良好轨迹,然后通过组合Backplay算法的变体和技能链,使用从轨迹导出的课程来训练RL算法。我们表明,这种方法优于国家的最先进的RL算法在各种大小的2D迷宫环境中,并能够提高所获得的轨迹的运动规划阶段。
2020-04-24 cs.AI cs.LG cs.RO
Multi-Tree Guided Efficient Robot Motion Planning
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong(香港中文大学);Shenzhen Research Institute, The Chinese University of Hong Kong(香港中文大学深圳研究院)
运动规划是机器人完成不同任务所必需的。快速探索随机树(RRT)及其变体由于其在状态空间中的快速搜索而被广泛应用于机器人运动规划中。然而,它们在许多复杂环境中表现不佳,因为运动规划需要同时考虑几何约束和微分约束。在这篇文章中,我们提出了一种新的机器人运动规划算法,利用多树来指导探索和开发。该算法首先维护两棵以上的树来搜索状态空间。每棵树都会探索当地的环境。从根开始的树会逐渐收集其他树的信息并向目标状态生长。这种同时勘探和开采的方法可以快速找到可行的轨迹。我们比较了所提出的算法与其他流行的运动规划算法。实验结果表明,我们的算法实现了最好的性能在不同的评价指标。
2022-05-18 cs.RO
Application of LLMs to Multi-Robot Path Planning and Task Allocation
Ashish Kumar(独立研究者)
针对多智能体强化学习中因算法复杂性导致的高效探索难题,本研究提出将大型语言模型作为专家规划器,应用于多智能体规划任务以实现高效探索。
2025-07-09 cs.AI cs.RO
On Salience-Sensitive Sign Classification in Autonomous Vehicle Path Planning: Experimental Explorations with a Novel Dataset
University of California, San Diego(加州大学圣地亚哥分校)
自动驾驶中的安全路径规划是一项复杂的任务,由于静态场景元素和不确定的周围代理的相互作用。虽然所有静态场景元素都是信息源,但自我车辆可用的信息具有不对称的重要性。我们提出了一个数据集与一个新的功能,标志的显着性,定义为指示是否有明显的信息,自我车辆的目标,关于交通法规的标志。在裁剪标志上使用卷积网络,结合道路类型、图像坐标和计划机动的实验增强,我们以76%的准确率预测标志的显著性,使用标志图像的车辆机动信息找到最佳改进。
2021-12-02 cs.CV cs.RO
Where to Map? Iterative Rover-Copter Path Planning for Mars Exploration
Japan Aerospace Exploration Agency(日本宇宙航空研究开发机构);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室);Eindhoven University of Technology(埃因霍温理工大学)
除了常规的地面漫游车,火星2020任务还将向火星发送一架直升机。直升机的高分辨率数据有助于漫游者识别小的危险,如台阶和尖锐的岩石,以及提供丰富的文本信息,有助于预测感知性能。在本文中,我们考虑一个三代理系统组成的火星探测器,直升机和轨道器。我们的目标是提供良好的定位,以漫游车通过选择最佳的路径,最大限度地减少在漫游车的遍历过程中的定位不确定性积累。为了实现这一目标,我们量化的本地化作为一个良好的措施与地图,并进行联合空间搜索漫游者的路径和直升机的感知行动从轨道飞行器的先验信息。我们共同解决在哪里映射的直升机和在哪里驾驶的漫游车使用建议的迭代直升机漫游车路径规划。我们使用火星2020着陆点的地图进行了数值模拟,以证明所提出的规划器的有效性。
2020-08-17 cs.RO
Bridging Deep Reinforcement Learning and Motion Planning for Model-Free Navigation in Cluttered Environments
Department of Mechanical Engineering(机械工程系);University of California Riverside(加州大学河滨分校)
本文提出将基于图的运动规划与深度强化学习相结合,通过覆盖状态空间的图结构设计稠密奖励函数,以解决杂乱环境中无模型导航的探索不足问题,显著提升了探索效率和任务成功率。
2025-07-03 cs.RO
Robust Collision-free Lightweight Aerial Autonomy for Unknown Area Exploration
ETRI(韩国电子通信研究院);KAIST(韩国科学技术院);NASA-JPL(美国国家航空航天局喷气推进实验室);California Institute of Technology(加州理工学院)
无碰撞路径规划是在未知环境中进行自主探索的基本要求,特别是在受限空间或障碍物附近时。本研究提出了一种使用小型无人机的自主探索技术。设计了一种基于激光雷达测距的局部端点选择方法,并生成从当前位置到所选端点的路径。采用基于欧氏距离场的网格搜索方法,生成的路径实时显示一致的无碰撞路径。仿真结果一致表明了所提出的路径规划方法的安全性和可靠性。在三个不同的矿井中进行了真实世界的实验,展示了在各种结构条件的环境中成功的自主探测飞行。结果表明,所提出的轻型空中机器人系统的飞行自主框架的高性能。此外,我们的无人机在DARPA地下挑战赛的隧道赛道比赛(第一阶段)中执行自主任务。
2021-03-16 cs.RO
Perception-aware Autonomous Mast Motion Planning for Planetary Exploration Rovers
West Virginia University(西弗吉尼亚大学);Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院)
高精度的实时定位对于火星探测器的安全性和探测效率至关重要。火星漫游者的操作依赖于基于视觉的系统来避免危险并规划安全路线。然而,基于视觉的系统在场景中可见足够的视觉纹理的假设下操作。这对火星上基于视觉的导航提出了挑战,因为缺乏视觉纹理的区域很普遍。为了克服这一点,我们利用流动站的能力,积极引导视觉传感器,以提高容错和最大限度地提高感知性能。本文回答的问题,在哪里和什么时候看,提出了一种方法来预测传感器的轨迹,最大限度地提高定位性能的漫游车。这是通过使用从先前的场景观察创建的合成的未来相机视图对可能的轨迹进行在线评估来实现的。建议的轨迹进行量化和选择的基础上预期的定位性能。在这项工作中,我们验证了所提出的方法在喷气推进实验室(JPL)火星场的现场实验。此外,多个性能指标的识别和评估,以减少算法的整体运行时间。我们展示了如何积极转向的感知系统增加了定位精度相比,传统的固定传感器配置。
2019-12-14 cs.RO
POMDPs for Autonomous Science Exploration
该研究提出SHM-POMDP模型,解决高维观测下POMDP规划融入科学表征的难题,在RockSample域和Cuprite地质探测任务中,其性能优于传统POMDP与信息论基线方法。
2026-08-05 cs.RO
Effective Underwater Glider Path Planning in Dynamic 3D Environments Using Multi-Point Potential Fields
Purdue University(普渡大学);school of Mechanical Engineering(机械工程学院)
本文针对动态三维环境下水下滑翔机路径规划面临的流况和障碍挑战,提出并改进多点势场(MPPF)实时规划方法,经ROUGHIE原型验证,提升了路径规划的效率和鲁棒性。
2024-03-13 cs.RO
Toward Safety-Aware Informative Motion Planning for Legged Robots
University of Michigan(密歇根大学)
本文报道了一个集成的框架,安全意识的信息运动规划适合足式机器人。信息收集计划者考虑到环境的密集随机地图,而安全约束通过控制障碍函数(CBF)来执行。该规划器是基于增量探索信息收集(IIG)算法,并允许使用模型预测控制(MPC)的形式主义闭环kinodynamic节点扩展。机器人探索和信息收集问题本质上是路径依赖问题。也就是说,沿着路径收集的信息取决于状态和观察历史。因此,仅基于模块化成本的运动规划不会导致用于探索的合适规划。我们提出了SAFE-IIG,这是一种综合信息运动规划算法,它考虑到:1)经由在环境的随机地图上计算的子模块信息函数的机器人的感知视场,2)经由用于闭环多水平节点扩展的离散时间CBF和MPC的机器人的动力学和安全约束,以及3)通过设置信息论规划视野的自动停止准则。仿真结果表明,SAFE-IIG算法能够在稠密地图上规划出安全的、动态可行的路径。
2021-03-26 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
Risk-Aware Coverage Path Planning for Lunar Micro-Rovers Leveraging Global and Local Environmental Data
Tohoku University(东北大学)
本文提出一种面向月球微型巡视器的3D近视覆盖路径规划算法,结合全局与局部地形数据计算运动成本并集成定位建图,在仿真与实地测试中实现低能耗高覆盖率的自主探索。
2024-04-29 cs.RO
Multi-robot Path Planning with Rapidly-exploring Random Disjointed-Trees
Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院)
针对多机器人路径规划计算时间巨大导致应用效率低的问题,提出基于多树随机采样的MA-RRdT*算法,实验验证其在时间成本和空间探索效率上具有优越性能。
2023-08-03 cs.RO
Learning to Plan in High Dimensions via Neural Exploration-Exploitation Trees
Georgia Institute of Technology(佐治亚理工学院);Google Research, Brain Team(谷歌研究院大脑团队);Northwestern University(西北大学);Ant Financial(蚂蚁集团)
提出了一种Meta路径规划算法\emph{Neural Exploration-Exploitation Trees~(NEXT)},用于学习高维连续状态空间和动作空间中的经验,以解决新的路径规划问题。与更经典的基于采样的方法(如RRT)相比,我们的方法在高维中实现了更好的样本效率,并且可以受益于类似环境中的规划经验。更具体地说,NEXT利用了一种新的神经架构,可以从问题结构中学习有希望的搜索方向。然后将学习到的先验知识集成到UCB型算法中,以在解决新问题时实现\emph{exploration}和\emph{exploitation}之间的在线平衡。我们进行了彻底的实验,以表明NEXT完成新的规划问题,更紧凑的搜索树,并显着优于国家的最先进的方法在几个基准。
2020-02-23 cs.LG cs.RO stat.ML
SC-Explorer: Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning
ETH Zürich(苏黎世联邦理工学院);Technical University of Munich(慕尼黑工业大学);Google(谷歌)
未知环境的探索是机器人技术中的一个基本问题,也是自治系统许多应用中的一个重要组成部分。探索未知环境的一个主要挑战是机器人必须在每个时间步利用有限的信息进行规划。虽然大多数当前的方法依赖于基于这些部分观察的算法和假设来规划路径,但我们提出了一种新的方法,通过利用3D场景完成来将深度学习集成到探索中,以实现明智,安全和可解释的探索映射和规划。我们的方法,SC-资源管理器,结合场景完成使用一种新的增量融合机制和新提出的分层多层映射方法,以保证安全和效率的机器人。我们进一步提出了一个信息丰富的路径规划方法,利用我们的映射方法和一个新的场景完成感知信息增益的能力。虽然我们的方法是普遍适用的,我们评估它在微型飞行器(MAV)的用例。我们在高保真仿真实验中仅使用移动硬件彻底研究了每个组件,并表明与基线相比,我们的方法可以将环境的覆盖率提高73%,而地图精度的降低幅度很小。即使场景完成不包括在最终的地图,我们表明,它们可以用来引导机器人选择更多的信息路径,加快了35%的机器人的传感器的场景测量。我们在一个完全自主的MAV上验证了我们的系统,即使在复杂的混乱环境中也能显示出快速可靠的场景覆盖。我们将我们的方法作为开源提供。
2022-09-15 cs.CV cs.RO
Safely Probabilistically Complete Real-Time Planning and Exploration in Unknown Environments
UC-Philippine-California Advanced Research Institute(加州-菲律宾-加州高级研究机构);ONR MURI(国防高级研究计划局(ONR)MURI);SRC CONIX Center(SRC CONIX中心)
本文提出了一种新的运动规划框架,该框架围绕现有的动力学规划器构建,在事先未知的静态环境中保证递归可行性。通过利用来自可达性分析的鲁棒控制器,该方法对整体安全性和碰撞避免做出了强保证。运动计划始终保持在初始状态的安全后向可达集内,同时安全地探索空间。这保证了初始状态的安全性,并确保在安全探索过程中最终能找到目标。
2019-03-07 cs.RO cs.SY eess.SY
Generalizable Reinforcement Learning with Biologically Inspired Hyperdimensional Occupancy Grid Maps for Exploration and Goal-Directed Path Planning
George Mason University(乔治梅森大学);Columbia University(哥伦比亚大学);Neya Robotics(内亚机器人公司);US Army Futures Command(美国陆军未来司令部)
针对自主系统的感知与路径规划任务,本研究对比了基于生物启发超维计算的VSA-OGM与传统BHM方法,发现VSA-OGM在保持学习性能的同时提升未见过环境的泛化性约47%,为多样环境部署提供潜力。
2025-02-13 cs.NE cs.RO
Expected Free Energy-based Informative Path Planning for Robotic Mars Exploration
TU Eindhoven(埃因霍温理工大学);Cajal Centre for Neuroscience, Spanish National Research Council(西班牙国家研究委员会卡哈尔神经科学中心)
该研究提出将主动推理的期望自由能作为统一准则,用于预算约束下的机器人信息路径规划,其规划方法在火星探测场景中可同时实现精准地图构建与高价值区域定位,性能优于信息论基准方法。
2026-08-17 cs.IT cs.LG cs.RO
Provably Efficient Long-Horizon Exploration in Monte Carlo Tree Search through State Occupancy Regularization
Rutgers University(罗格斯大学)
针对蒙特卡洛树搜索长时程探索能力不足的问题,提出引入状态占用度量正则化的Volume-MCTS算法,可统一现有探索与规划方法,在机器人导航任务中性能优于AlphaZero,长时程探索效果显著提升。
2024-07-07 cs.LG cs.RO
Structural Induced Exploration for Balanced and Scalable Multi-Robot Path Planning
Department of Artificial Intelligence, School of Electronics Engineering, Kyungpook National University(人工智能系,电子工程学院,韩国庆北国立大学);Department of IT Convergence Engineering, Kumoh National Institute of Technology(IT融合工程系,木谷国立技术学院)
本文提出一种结构诱导探索框架,通过整合结构先验和负载感知目标,提升多机器人路径规划的效率与负载平衡能力。
2025-12-25 cs.AI cs.RO
Next-Best-Trajectory Planning of Robot Manipulators for Effective Observation and Exploration
TU Dortmund University(多特蒙德工业大学)
本文提出一种基于次优轨迹原理的机器人操纵器观察与探索策略,通过局部轨迹优化信息增益并避免碰撞,结合全局遍历规划与GPU并行射线投射,提升数据收集效率。
2025-03-28 cs.CV cs.HC cs.RO
Informative Path Planning for Extreme Anomaly Detection in Environment Exploration and Monitoring
Massachusetts Institute of Technology(麻省理工学院)
无人驾驶自主飞行器(UAV)被派去执行任务,根据贝叶斯优化收集的一系列测量数据来探索和重建未知环境。任务的成功与否取决于无人机忠实地重建环境中存在的任何异常特征的能力,重点是极端情况(例如,极端地形凹陷或异常化学浓度)。我们表明,通常用于确定无人机应该访问哪些位置的标准不适合这项任务。我们引入了一些新的标准,引导无人机对区域的强烈异常,利用以前收集的信息,在数学上优雅和计算易处理的方式。我们证明了所提出的方法在几个应用中的优越性,包括从现实世界的测深数据重建海底地形,以及跟踪动态异常。我们的方法的一个特别有吸引力的属性是它能够克服对抗性条件,即,在这种情况下,有关极端位置的先验信念是不精确或错误的。
2021-04-07 cs.LG cs.RO stat.ML
Hybrid Terrain-Aware Path Planning: Integrating VD-RRT* Exploration and VD-D* Lite Repair
The Grainger College of Engineering, Electrical and Computer Engineering Department, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院);The Grainger College of Engineering, Industrial and Enterprise Systems Engineering Department, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院)
提出融合Bekker压力-沉陷模型与坡度惩罚的连续代价度量,结合精确转向原语,采用VD-RRT*全局探索与VD-D* Lite局部修复,实现毫秒级重规划,硬件试验验证软土与坡度环境实时导航。
2025-10-15 cs.RO cs.SY eess.SY
Information-Theoretic Approach to Efficient Adaptive Path Planning for Mobile Robotic Environmental Sensing
Carnegie Mellon University(卡内基梅隆大学)
机器人探索和地图绘制的最新研究集中在采样环境热点领域。这种探索任务由Low,Dolan和Khosla(2008)在称为MASP的不确定性框架下的顺序决策理论规划中进行了形式化。求解MASP的时间复杂度近似依赖于地图分辨率,这限制了其在大规模、高分辨率勘探和填图中的应用。为了减轻这种计算困难,本文提出了一种信息理论的方法,MASP(iMASP)的有效的自适应路径规划,通过重新制定的成本最小化的iMASP作为一个奖励最大化的问题,其时间复杂度变得独立的地图分辨率和不太敏感,增加机器人团队的规模,理论和经验证明。使用奖励最大化对偶,我们得到了一个新的自适应最大熵采样的变体,从而提高了诱导探索策略的性能。它还使我们能够建立理论界限量化的性能优势,最佳自适应非自适应政策和性能质量的近似最优与最佳自适应政策。我们的分析和经验表明,iMASP为基础的政策采样的对数高斯过程的政策广泛使用的高斯过程中映射的热点领域的优越性能。最后,我们提供了充分的条件,当满足时,保证自适应性在假设的环境模型下没有好处。
2013-05-27 cs.AI cs.LG cs.MA
Integrated Exploration-Aware UAV Route Optimization and Path Planning
Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系);Department of Electrical Engineering, Brigham Young University(BYU 电子工程系);Department of Aerospace Engineering, Department of Civil and Environmental Engineering, and Department of Industrial and Operations Engineering, University of Michigan(密歇根大学航空航天工程系、土木与环境工程系和工业与运营管理工程系)
提出一种集成探索感知的无人机路径优化与轨迹规划框架,通过风险地图、不确定兴趣区域建模、B样条轨迹优化和在线重规划,在灾害监测中平衡报告点访问与新信息探索,实现平均KL散度降低15.9%。
2026-06-19 cs.RO cs.SY eess.SY
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
Active Markov Information-Theoretic Path Planning for Robotic Environmental Sensing
National University of Singapore(新加坡国立大学);Carnegie Mellon University(卡内基梅隆大学)
最近的研究在多机器人探索和地图集中在采样环境领域,这是典型的高斯过程(GP)建模。现有的信息理论的探索策略,学习基于GP的环境场地图采用非马尔可夫问题结构,因此规模差的历史观测的长度。因此,使用这些策略进行原位、实时主动采样在计算上变得不切实际。为了减轻这种计算负担,本文提出了一种基于马尔可夫的方法,有效的信息理论的路径规划主动采样的GP为基础的领域。我们分析了解决基于马尔可夫路径规划问题的时间复杂度,并分析表明,它的规模优于得出的非马尔可夫策略,随着规划范围的长度增加。对于一类称为样带采样任务的探索任务,我们提供了理论上的保证,我们的主动采样性能的马尔可夫为基础的政策,从理想的环境场条件和采样任务设置可以建立限制其性能下降,由于违反马尔可夫假设。对实际温度和浮游生物密度场数据的实证评估表明,我们的基于马尔可夫的政策通常可以实现主动采样性能相比,广泛使用的非马尔可夫贪婪政策在不太有利的现实条件和任务设置,同时享受显着的计算增益。
2011-01-28 cs.AI cs.LG cs.MA
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
GO-FEAP: Global Optimal UAV Planner Using Frontier-Omission-Aware Exploration and Altitude-Stratified Planning
Shenzhen University(深圳大学);Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东人工智能与数字经济实验室(深圳))
本文提出 GO-FEAP 无人机规划器,通过前沿遗漏感知模块综合评估前沿重要性,并结合高度分层策略解决三维空间探索问题,实现了优于现有方法的探索完整性。
2023-10-24 cs.RO
Multi-Objective Risk Assessment Framework for Exploration Planning Using Terrain and Traversability Analysis
Polytechnique Montreal(蒙特利尔理工学院)
针对未知非结构化环境勘探的路径规划低效与任务失败风险问题,提出动态调整风险权重、随任务推进逐步放宽风险阈值的多目标风险评估方法,经地下洞穴模拟实验验证可安全高效勘探且计算开销低。
2024-10-04 cs.RO
EDEN: Efficient Dual-Layer Exploration Planning for Fast UAV Autonomous Exploration in Large 3-D Environments
Institute of Robotics and Automatic Information System, College of Artificial Intelligence, Nankai University(机器人与自动信息系统研究所,人工智能学院,南开大学)
EDEN提出一种高效双层探索规划方法,通过近似算法和曲率惩罚成本优化,提升大规模三维环境中的无人机探索效率与计算性能。
2025-10-18 cs.RO
Graph-Based Topological Exploration Planning in Large-Scale 3D Environments
Carnegie Mellon University(卡内基梅隆大学)
目前,最先进的勘探方法保持高分辨率的地图表示,以优化每个步骤中的勘探目标,最大限度地提高信息增益。然而,在探索过程中,这些“最佳”的选择可能会很快变得过时,由于新信息的涌入,特别是在大规模的环境中,并导致高频率的重新规划,阻碍了整体的探索效率。在本文中,我们提出了一个基于图的拓扑规划框架,在三维(3D)空间中建立一个稀疏的拓扑地图,以指导探索步骤与高层次的意图,从而呈现一致的探索机动。具体来说,这项工作提出了一种新的方法来估计三维空间的几何形状与凸多面体。然后,利用几何信息将空间分组为不同的区域。这些区域作为节点添加到拓扑图中,指导探索过程。我们比较了我们的方法与最先进的模拟环境。实验表明,该方法具有更高的空间覆盖率,比传统方法的探测效率提高了40%以上。最后,进行了一个现场实验,以进一步评估我们的方法的适用性,使有效和强大的探索在现实世界的环境中。
2021-03-31 cs.RO
Autonomous Exploration Development Environment and the Planning Algorithms
Carnegie Mellon University(卡内基梅隆大学)
Autonomous Exploration Development Environment是一个开源存储库,旨在促进高级规划算法的开发和完整自主导航系统的集成。该存储库包含代表性的仿真环境模型、基本导航模块,例如,本地规划器、地形可通过性分析、航路点跟踪和可视化工具。结合我们的两个高级规划器版本-用于探索的TARE规划器和用于路线规划的FAR规划器,我们详细介绍了三个开源存储库的使用情况,并分享了集成自主导航系统的经验。我们使用DARPA Subterranean Challenge作为一个用例,其中存储库一起形成CMU-OSU团队的主要导航系统。最后,我们讨论了扩展应用程序中的一些潜在用例。
2021-10-27 cs.RO
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