Quick Multi-Robot Motion Planning by Combining Sampling and Search
National Institute of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所（AIST））；University of Cambridge（剑桥大学）；Tokyo Institute of Technology（东京工业大学）
针对传统多机器人运动规划两阶段模式效率偏低的问题，提出同步采样-搜索规划算法SSSP，同步开展路线图构建与路径搜索，在多场景下显著优于标准方法，可支持密集场景32台地面机器人规划。
2023-05-05 cs.MA cs.RO
RobotFleet: An Open-Source Framework for Centralized Multi-Robot Task Planning
本文提出开源框架RobotFleet，利用LLM进行集中式多机器人任务规划与调度，通过模块化自主技术栈和容器化服务抽象，降低构建可扩展异构多机器人系统的门槛。
2025-10-12 cs.AI cs.MA cs.RO
Controlling Robot Swarm Aggregation through a Minority of Informed Robots
University of Namur（那慕尔大学）；Université Libre de Bruxelles（布鲁塞尔自由大学）
自组织聚合是群体机器人中一个研究得很好的行为，因为它是发展更高级的群体级响应的先决条件。在本文中，我们研究了分散算法的设计一群异构的机器人，自我聚集在不同的目标网站。以前的研究表明，包括作为群体的一部分，一些知情的机器人可以引导动态的聚合过程中的群体之间的可用聚合站点的理想分布。我们已经复制了以前的研究结果，使用一种简化的方法：我们删除了与机器人的通信协议相关的约束，并简化了控制机制，调节概率控制器的状态之间的转换。结果表明，与以前的，更复杂的，控制器获得的性能可以复制与我们的简化方法，提供了明显的优势，在物理机器人的便携性和灵活性。也就是说，我们的简化方法可以产生自组织的聚合反应，在一个更大的一组操作条件比可以实现的复杂控制器。
2022-08-26 cs.RO
Distributing Collaborative Multi-Robot Planning with Gaussian Belief Propagation
Imperial College London（帝国理工学院）
当许多机器人必须在狭小的空间中一起工作时，前向时间窗口上的精确协调规划可以实现安全和高效的运动，但这通常需要对所有设备进行集中控制，这很难扩展。我们展示了GBP规划，一个新的纯分布式技术的基础上高斯置信传播的多机器人规划问题，制定了一个通用的因素图定义动态和碰撞约束在一个向前的时间窗口。在模拟中，我们表明，我们的方法允许高性能的协作规划，机器人能够在繁忙，复杂的场景中相互交叉。即使在通信故障的情况下，它们也比其他分布式规划技术保持更短，更快和更平滑的轨迹。我们鼓励读者在https://youtu.be/8VSrEUjH610上观看随附的视频演示。
2023-01-26 cs.AI cs.MA cs.RO
Multi-robot Path Planning in Well-formed Infrastructures: Prioritized Planning vs. Prioritized Wait Adjustment (Preliminary Results)
Peoples’ Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院“计算机科学与控制”联邦研究中心）；National Research University Higher School of Economics（高等经济学院国家研究大学）
研究了一类同质机器人的无碰撞路径规划问题。我们提出了一种新的方法，用于将机器人自我中心地规划的路径，例如，不考虑其他机器人的移动，变成无碰撞的轨迹，并根据经验进行评估。建议的算法比最先进的算法快得多（高达一个数量级），但这是以解决方案成本显著下降为代价的。
2018-07-05 cs.AI cs.MA cs.RO
Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
Rice University（莱斯大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；ITAM（墨西哥自治技术学院）
本研究针对多机器人任务规划复杂度高、难在线求解的问题，结合DaSH超图框架与抽象学习技术，将单机器人策略学习方法扩展至多机器人场景以提升规划效率。
2024-09-16 cs.AI cs.MA cs.RO
Multi-Robot Motions in Milliseconds: Vector-Accelerated Primitives for Sampling-Based Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign（帕索尔实验室，计算与数据科学学院，伊利诺伊大学厄巴纳-香槟分校）；Department of Computer Science at Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治理工学院（ITAM）计算机科学系）
本文扩展了Vector-Accelerated Motion Planning框架，开发了多机器人MotionValidation和FindFirstConflict原语，利用SIMD并行性实现多机器人运动规划的高效验证与冲突检测，显著提升规划效率。
2026-08-07 cs.RO
Scalable Multirobot Planning for Informed Spatial Sampling
University of Pennsylvania（宾夕法尼亚大学）；McGill University（麦吉尔大学）
本文提出了一种分布式可扩展多机器人规划算法的准静态空间场的知情采样。我们解决的问题，有效的数据汇集使用多个自动驾驶汽车，并考虑多个机器人之间的通信，独立行事，对团队的整体采样性能的影响。我们专注于分布式采样的问题，机器人独立于他们的队友，但有能力沟通他们的当前状态，在一个固定的通信范围内的其他邻居。我们提出的方法是可扩展的，并适应各种环境场景，不断变化的机器人团队配置，并实时运行，这是许多现实世界的应用程序的重要功能。我们比较了我们提出的算法的性能，通过模拟实验，利用来自合成和现场部署数据的模型的基线策略。结果表明，即使团队中的机器人在有限的通信范围内工作，我们的采样算法也是有效的，从而证明了我们的方法在大规模环境采样中的可扩展性。
2022-06-03 cs.LG cs.RO
Long-Horizon Multi-Robot Rearrangement Planning for Construction Assembly
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）；Bilkent University（比尔肯特大学）
针对建筑装配中大规模异构机器人团队的长时域协作问题，提出迭代分解子问题并结合优化与双向时空采样规划的多机器人重排规划系统，验证了鲁棒性、可扩展性和真实机械臂执行可行性。
2022-03-07 cs.RO
Learning Safe Unlabeled Multi-Robot Planning with Motion Constraints
University of Pennsylvania（宾夕法尼亚大学）；Nuro（Nuro公司）
在本文中，我们提出了一种学习方法的目标分配和轨迹规划的无标签机器人在2D，充满障碍的机器人。更具体地说，我们解决了无标记的多机器人运动规划问题的运动约束的多智能体强化学习问题与一些稀疏的全球奖励。与以前的作品，制定一个全新的手工制作的优化成本或轨迹生成算法不同的机器人动态模型相比，我们的框架是一个通用的方法，适用于任意机器人模型。此外，通过使用速度障碍，我们设计了一个平滑的投影，保证碰撞的自由轨迹的所有机器人相对于他们的邻居和障碍。我们的算法的有效性，通过不同的模拟证明。
2019-07-11 cs.RO
CAST: Collision-Aware Assembly with Construction Robots using Simultaneous Trajectory Estimation and Planning
Georgia Institute of Technology（佐治亚理工学院）
本文提出CAST框架，利用单一因子图同时进行轨迹估计与规划，处理施工多机器人系统中的碰撞避免和缆绳约束，并在柱梁结构建造中验证了其有效性。
2026-09-22 cs.RO
The Beatbots: A Musician-Informed Multi-Robot Percussion Quartet
MIT Media Lab（麻省理工学院媒体实验室）；Princeton University（普林斯顿大学）
本文提出了一种名为Beatbots的多机器人打击乐四重奏系统，通过结合音乐家反馈的知情原型制作过程设计，强调机器人在音乐制作中的独特优势，并通过现场表演评估验证了其趣味性与美学价值，提出了未来机器人音乐系统的设计原则。
2025-02-03 cs.HC cs.RO
Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems
UC Santa Barbara（加州大学圣芭芭拉分校）；Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；Cisco Research（思科研究）
本文提出了一种混合多机器人控制框架，通过引入路标和课程训练策略，解决多机器人任务和运动规划的联合优化问题，提升了任务成功率。
2026-04-22 cs.AI cs.RO
Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行，这提供了有关单个机器人行为的更详细信息，但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具，我们展示了如何生成一系列的多机器人策略，如果单个机器人失败，则迭代地改进它们以重新分配任务，并提供概率保证机器人团队的性能（和安全操作）。我们实现我们的方法，并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
Distributed Planning for Rigid Robot Formations using Consensus on the Transformation of a Base Configuration
Technical University of Denmark（丹麦技术大学）
针对杂乱环境中的刚性多机器人编队导航问题，提出一种基于基础构型变换一致性的去中心化分布式规划方法，可保证编队约束并具备反应式规划所需的运行时效率。
2023-07-14 cs.RO cs.SY eess.SY
Scalable Distributed Planning for Multi-Robot, Multi-Target Tracking
NASA Jet Propulsion Laboratory (JPL)（美国国家航空航天局喷气推进实验室）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
在多机器人多目标跟踪中，机器人协调监视在环境中移动的目标群。我们的做法规划这样的情况下，制定一个滚动时域，多机器人传感问题的互信息目标。这类问题一般都是NP难问题。然而，我们的目标是次模块化，使某些贪婪的规划，以保证常数因子次优。然而，这些贪婪的规划者要求机器人按顺序规划他们的行动，一次一个机器人，所以规划时间至少与机器人的数量成正比。对于大型团队来说，解决这些问题变得非常棘手，即使是分布式实现。我们以前的工作提出了一个分布式规划器（RSP），它减少了这个顺序步骤的数量为常数，即使是大量的机器人，通过允许机器人并行计划，而忽略一些其他的决定。虽然该分析是不适用于目标跟踪，我们证明了类似的保证，RSP规划方法的性能保证完全顺序的规划者，采用一种新的约束，利用目标运动的独立性，量化机器人的观察和行动之间的有效冗余。此外，我们提出的分析，明确占实际实施的功能，包括近似的目标和随时规划。仿真结果-可通过开放源代码发布-与测距传感器的目标跟踪表明，我们的规划者一贯的做法的性能顺序规划（在位置不确定性方面），只有2- 8规划步骤和多达96个机器人的顺序步骤的数量减少了24倍的规划。因此，这项工作使得规划多机器人目标跟踪易于处理，在更大的规模比以前，为实际的规划者和一般的跟踪问题。
2021-07-18 cs.RO cs.SY eess.SY
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering（先进科学与工程研究生院）；Hiroshima University（广岛大学）
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题，提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法，并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
Anytime informed path re-planning and optimization for robots in changing environments
University of Brescia（布雷西亚大学）；National Research Council of Italy（意大利国家研究委员会）
本文提出一种结合预计算路径切换与知情采样的随时路径重规划算法，使机器人在动态障碍环境中高效避碰并持续优化路径。
2023-11-30 cs.RO
TIE: Time-Informed Exploration For Robot Motion Planning
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）
基于任意时间采样的方法是解决Kino-dynamic运动规划问题的一种有吸引力的技术。这些算法可以很好地扩展到更高的维度，并可以有效地处理状态和控制约束。然而，需要一个智能的探索策略来加速它们的收敛并避免冗余计算。利用可达性分析的思想，本文定义了一个“时间信息集”，即在找到初始解后，集中搜索时间最优的Kino-dynamic规划，这样的时间信息集（TIS）包括所有可能改善当前最佳解的轨迹，因此在这个集合之外的探索是多余的。基准实验表明，基于TIS的探索策略可以加速基于采样的Kino-dynamic运动规划器的收敛。
2021-03-05 cs.RO
BLT*: Informed Belief Localization Trees for Uncertainty-Aware Planning on Digital Twins
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）
提出Informed BLT*算法，利用W_2度量扩展RRT*至信念空间，支持点云观测的数字孪生规划，实现高效引导与信息重用，实验显示更快初始解与竞争力成本收敛。
2026-10-02 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
Communication-aware planning for robot teams deployment
针对受障碍物、有限通信范围及基站通信需求约束的机器人群部署问题，提出含分布式路径规划器、部署规划器和聚类算法的方法，实现通信感知的部署规划与任务分配。
2025-03-24 cs.MA cs.RO
Cyber-Physical Testbed for Human-Robot Collaborative Task Planning and Execution
Rochester Institute of Technology（罗切斯特理工学院）
在本文中，我们提出了一个网络物理的测试平台，使人类机器人团队在一个共享的工作空间中执行一个共享的任务。该实验台适合于桌面操作任务的实现，这是一种常见的人机协作场景。该测试平台集成了物理和虚拟世界中存在的元素。在这项工作中，我们报告了我们在理解和实施人类-机器人团队的任务规划和执行方面的探索过程中收集的见解。
2019-05-30 cs.MA cs.RO
Effective Task Planning with Missing Objects using Learning-Informed Object Search
George Mason University（乔治梅森大学）；Brown University（布朗大学）
本文提出基于模型的LIOS动作框架，通过结合确定性规划与基于模型的成本计算，实现高效且完整的学习驱动任务规划，在不确定性环境下优于现有基线方法。
2026-02-13 cs.RO
Single-query Path Planning Using Sample-efficient Probability Informed Trees
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
在这项工作中，我们提出了一种新的基于采样的路径规划方法，称为SPRINT。该方法能够快速、鲁棒地求解高维路径规划问题。其效率来自于最大限度地减少冲突检查样本的数量。这种抽样的减少依赖于预测样本在搜索过程中有用的可能性的统计学。具体而言，算法（1）优先考虑更有希望的搜索区域;（2）从局部最小区域中挑选样本;（3）引导搜索远离先前观察到的碰撞状态。经验评估表明，我们的方法发现更短或相当长度的解决方案的路径在显着更少的时间比常用的方法。我们证明，这些性能的提高可以在很大程度上归因于我们的方法，以实现样本效率。
2021-05-31 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
Weakly-supervised Learning for Physics-informed Neural Motion Planning via Sparse Roadmap
Department of Computer Science, Purdue University（普渡大学计算机科学系）
本文提出H-NTFields，结合稀疏路图的弱监督与物理引导PDE正则化，提升复杂环境中运动规划的鲁棒性和推理速度。
2026-04-14 cs.RO
Neural Informed RRT*: Learning-based Path Planning with Point Cloud State Representations under Admissible Ellipsoidal Constraints
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对RRT*路径规划收敛效率问题，提出结合规则启发与学习优势的Neural Informed RRT*，通过点云表示、Neural Focus和Neural Connect模块提升性能，保留理论特性并在真实机器人导航中验证有效。
2024-03-07 cs.RO
GAIDE: Graph-based Attention Masking for Spatial- and Embodiment-aware Motion Planning
J. Mike Walker ’66 Department of Mechanical Engineering, Texas A&M University, College Station, TX 77843, USA（J. Mike Walker ’66 机械工程系，德克萨斯A&M大学，College Station, TX 77843, USA）；Zachry Department of Civil and Environmental Engineering, Texas A&M University, College Station, TX 77843 USA（Zachry 市政与环境工程系，德克萨斯A&M大学，College Station, TX 77843 USA）
GAIDE是一种基于图的神经指导采样器，通过结合空间结构和机械臂的具身性提升运动规划的效率和成功率。
2026-03-03 cs.RO
Adaptively Informed Trees (AIT*): Fast Asymptotically Optimal Path Planning through Adaptive Heuristics
基于知情采样的规划算法利用问题知识以获得更好的搜索性能。这些知识通常表示为解决方案成本的启发式估计，并用于排序搜索。这种知情搜索的实际改进取决于启发式的准确性。选择一个合适的启发式是困难的。适用于整个问题域的启发式方法通常定义简单，评估成本低，但对于特定的问题实例可能没有好处。特定于问题实例的启发式通常很难定义或评估成本很高，但会使搜索本身变得微不足道。本文提出了自适应信息树（AIT*），一个几乎必然渐近最优的基于抽样的规划器的基础上BIT*。AIT* 通过使用非对称双向搜索来同时估计和利用特定于问题的启发式，从而使其搜索适应每个问题实例。这使得它能够快速找到初始解并收敛到最优解。AIT* 与RRT-Connect一样快速地解决了测试问题，同时也向最佳方向收敛。
2020-03-05 cs.RO
Physics-informed Neural Networks to Model and Control Robots: a Theoretical and Experimental Investigation
Delft University of Technology（代尔夫特理工大学）；University of Plymouth（普利茅斯大学）；German Aerospace Center (DLR)（德国航空航天中心）
本文研究如何将物理信息神经网络扩展到非保守效应，并与基于模型的控制器结合，实现对复杂机器人的精确控制，同时给出理论稳定性证明，并通过软体机器人和Franka Emika机械臂实验验证。
2023-07-06 cs.RO
PiP: Planning-informed Trajectory Prediction for Autonomous Driving
The Hong Kong University of Science and Technology（香港科技大学）；University of Science and Technology of China（中国科学技术大学）
预测周围车辆的运动对于自动驾驶规划至关重要，特别是以社会兼容和灵活的方式。然而，由于驾驶行为的相互作用和不确定性，未来的预测是具有挑战性的。我们提出规划知情的轨迹预测（PiP）来解决多智能体环境中的预测问题。我们的方法不同于传统的预测方式，传统的预测方式仅基于历史信息，与规划脱钩。通过通知预测过程与规划的自我车辆，我们的方法实现了国家的最先进的性能的多智能体预测高速公路数据集。此外，我们的方法使一个新的管道耦合的预测和规划，通过调节PiP的自我车辆的多个候选轨迹，这是非常有益的自动驾驶在交互式场景。
2021-01-18 cs.CV cs.RO
A Physics-informed End-to-End Occupancy Framework for Motion Planning of Autonomous Vehicles
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
针对端到端占据预测缺乏显式物理约束的问题，提出融合APF物理引导与卷积、循环网络的统一框架，提升自动驾驶运动规划的安全性、效率和泛化能力。
2025-06-06 cs.RO
IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty
Georgia Institute of Technology（佐治亚理工学院）
本文提出IBBT算法，将不确定性运动规划分解为确定性采样建图与知情启发式信念树搜索，实现可收敛、可复用的任意时间增量规划，并在多环境中验证其更快且能找到非平凡规划。
2023-04-21 cs.AI cs.RO
RIT*: Riemannian Informed Trees for Cost-Adaptive Optimal Motion Planning
Center for Autonomous Robotic Systems, Khalifa University（哈利法大学自主机器人系统中心）；Institute of Industrial and Control Engineering, Universitat Politècnica de Catalunya（加泰罗尼亚理工大学工业与控制工程研究所）
该研究提出RIT*规划框架，以黎曼原语替代批量知情搜索的欧几里得原语，结合CARM优化度量，在高维各向异性运动规划中显著降低成本，性能优于BIT*等基准方法。
2026-08-04 cs.RO
Task and Motion Informed Trees (TMIT*): Almost-Surely Asymptotically Optimal Integrated Task and Motion Planning
Rice University（莱斯大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；University of Oxford（牛津大学）
高水平的自主性需要离散和连续的推理来决定采取什么行动以及如何执行这些行动。集成任务和运动规划（TMP）算法联合解决这些混合问题以考虑离散符号动作之间的约束（即，任务计划）和它们的连续几何实现（即，运动计划）。这种联合的方法解决了更困难的问题比方法，解决任务和运动子问题独立。TMP算法结合并扩展了任务和运动规划的结果。TMP主要关注计算性能和完整性，较少关注解的最优性。最优TMP是困难的，因为独立的最优子问题可能不是最优的集成解决方案，这只能通过联合优化两个计划。本文提出了任务和运动信息树（TMIT*），一个最佳的TMP算法，结合的结果，从最大完工时间最优的任务规划和几乎必然渐近最优的运动规划。TMIT* 交错不对称的前向和逆向搜萦，以延迟计算昂贵的操作，直到必要的，并直接在问题的混合状态空间中执行有效的知情搜索。这使它能够快速解决问题，然后收敛到最佳的解决方案与额外的计算时间，所证明的评估机器人操作基准问题。
2022-10-17 cs.RO
NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning
Purdue University（普渡大学）
神经运动规划（NMPs）已成为解决机器人导航任务在复杂环境中的一个很有前途的工具。然而，这些方法通常需要专家数据进行学习，这将其应用限制在数据生成耗时的场景中。最近的发展也导致了能够表示复杂动态偏微分方程（PDE）的物理学深度神经模型。受这些发展的启发，我们提出了神经时间场（NTFields）的机器人运动规划在混乱的情况下。我们的框架代表了一个波传播模型，生成连续的到达时间，以找到由一个称为Eikonal方程的非线性一阶PDE通知的路径解决方案。我们评估我们的方法在各种杂乱的3D环境中，包括吉布森数据集，并证明其有能力解决运动规划问题的4-DOF和6-DOF的机器人机械手，传统的基于网格的Eikonal规划者往往面临的灾难的维度。此外，结果表明，我们的方法具有较高的成功率和显着较低的计算时间比国家的最先进的方法，包括NMP，需要训练数据从经典的规划。
2023-03-01 cs.LG cs.RO
Batch Informed Trees (BIT*)
Utah State University（犹他州立大学）
通过复杂障碍空间的路径规划是许多移动机器人应用的基本要求。最近，一种快速收敛的路径规划算法，批通知树（BIT*），介绍了。这项工作作为一个简明的写作和解释BIT*。这项工作包括BIT* 的描述和BIT* 如何操作，BIT* 的图形演示，以及BIT* 与最优快速探索随机树（RRT*）相比的仿真结果。
2023-03-10 cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 cs.RO
Learning from Local Experience: Informed Sampling Distributions for High Dimensional Motion Planning
University of California, Berkeley（加州大学伯克利分校）；FANUC Advanced Research Lab（发那科高级研究实验室）
针对高维系统下基于经验的运动规划方法因查询差异大在随机环境性能受限的问题，提出通过工作空间分解与图搜索解耦子问题并利用各子问题先验经验的采样规划框架，经2D、6D机器人实验验证，其在规划时间和成本上优于现有算法。
2023-06-15 cs.RO
Autonomous search of an airborne release in urban environments using informed tree planning
Loughborough University（拉夫堡大学）；Defence Science and Technology Laboratory（国防科学技术实验室）
使用自动驾驶汽车进行化学品源定位是灾害响应团队安全有效地处理化学品紧急情况的关键工具。虽然已经进行了大量的工作，使用自主系统的源定位，大多数以前的作品都假设一个开放的环境或采用简单的避障，独立的估计过程。在本文中，我们探讨了耦合的路径规划任务的源项估计和避障的整体框架。所提出的系统智能地产生潜在的气体采样位置的基础上，当前估计的风场和本地地图。然后，执行树搜索以生成朝向估计的源位置的路径，该路径绕过任何障碍物并且仍然允许探索潜在的优越采样位置。建议的知情树规划算法，然后测试对Entrotaxis技术在一系列高保真度的模拟。所提出的系统被发现，以减少源位置误差更有效地比Entrotaxis在一个功能丰富的环境，同时也表现出更加一致和强大的结果。
2022-10-04 cs.RO
Robotic Interestingness via Human-Informed Few-Shot Object Detection
Carnegie Mellon University（卡内基梅隆大学）
在移动机器人的自主探索中，感知识别是决策的关键。以往的方法提出了一种无监督的在线学习方法，可以适应环境和快速检测有趣的场景，但缺乏适应人类已知的有趣对象的能力。为了解决这个问题，我们引入了一个人机交互框架，AirInteraction，它可以通过Few-Shot在线学习检测人类已知的对象。为了减少通信带宽，我们首先应用在线无监督学习算法的无人驾驶汽车的兴趣识别，然后只发送潜在的有趣的场景到一个基站的人检查。人类操作员能够绘制并提供特定感兴趣对象的限界框注释，这些注释被发送回机器人以通过少样本学习检测类似对象。仅使用少量人类标记的示例，机器人可以在任务期间学习新的有趣对象类别并检测包含对象的有趣场景。我们评估我们的方法在各种有趣的场景识别数据集。据我们所知，这是第一个人类知情的Few-Shot目标检测框架的自主探索。
2022-08-01 cs.RO
Designing Touch for Trauma-Informed Social Robots: A Design Space for Direct and Indirect Actuation
AI Ethics Research Hub（人工智能伦理研究中心）；Helmut Schmidt University（海姆-施密特大学）
研究如何设计社交机器人的触觉驱动以符合创伤知情护理原则，区分直接和间接触觉，提出包含驱动方式、目标、预期效果三维度的设计空间并分析，为开发创伤敏感社交机器人提供概念基础。
2026-07-07 cs.RO
Direction Informed Trees (DIT*): Optimal Path Planning via Direction Filter and Direction Cost Heuristic
Department of Informatics, Technical University of Munich（信息学院，慕尼黑技术大学）
本文提出方向信息树（DIT*），一种基于采样的最优路径规划算法，通过方向过滤器和方向成本启发式优化搜索方向，在R^4至R^16空间中比现有单查询规划器收敛更快，并在真实环境中验证。
2025-08-26 cs.RO
Flexible Informed Trees (FIT*): Adaptive Batch-Size Approach in Informed Sampling-Based Path Planning
Department of Informatics, Technical University of Munich（信息学院，慕尼黑技术大学）；Department of Technology & Innovation, KION Group Linde Material Handling GmbH（技术与创新学院，KION集团Linde物料处理 GmbH）
针对固定批量大小在初始路径寻找和最优性能上的低效问题，本文提出FIT*规划器，通过基于配置空间维度和超椭球超体积动态调整批量大小，提升初始路径收敛率，在多维度测试问题中表现优于现有方法。
2024-03-02 cs.RO
Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
针对自主赛车轨迹规划保守导致性能损失的问题，提出控制感知在线轨迹规划框架，通过动态调整约束补偿执行误差，在不增加计算负担的前提下缩短单圈时间1.8秒。
2026-08-17 cs.RO
Informed Sampling for Asymptotically Optimal Path Planning (Consolidated Version)
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Toronto（多伦多大学）；University of Waterloo（滑铁卢大学）；University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
任何时候几乎必然渐近最优规划器，如RRT*，递增地找到搜索域中每个状态的路径。一旦找到初始解决方案，这是低效的，因为然后仅需要考虑可以提供更好解决方案的状态。这些状态的精确知识需要解决问题，但可以近似与数学。本文正式定义了这些状态集，并演示了如何使用它们来分析任意规划问题。它使用众所周知的$L^2$规范（即，欧几里得距离）来分析最小路径长度问题，并表明现有方法的有效性在因子上降低（即，比指数更快）与状态维度。它提出了一种方法来解决这个灾难的维数直接采样长超球体（即，对称$n$ -维椭圆），其定义了$L^2$通知集。通过知情RRT* 证明了这种直接知情采样技术的重要性。RRT* 的这种扩展比现有技术对状态维数和问题大小的理论依赖性更小，并且允许在某些问题上线性收敛。实验表明，找到更好的解决方案比现有的技术更快的抽象规划问题和HERB，双臂操作机器人。
2018-08-17 cs.RO
Prioritized Planning Algorithms for Trajectory Coordination of Multiple Mobile Robots
自主多机器人系统的一个重要性能是防止机器人之间的碰撞。解决这个问题的一种方法是规划无冲突的轨迹，并让每个机器人遵循其预先规划的轨迹。多机器人轨迹规划的一种实用方法是优先规划法，该方法在实践中已被证明是有效的，但在一般情况下是不完整的。通过优先规划可证明可解决的实例的正式分析仍然缺失。此外，优先规划是集中式算法，这在许多情况下可能是不期望的。在本文中，我们a）提出了一个修订版本的优先规划和特征的类的实例，可证明可解决的算法和b）提出了一个异步分散的优先规划的变体，它保持了集中式版本的理想属性，并在同一时间利用分布式计算能力的个人机器人，这在大多数情况下，允许找到关节轨迹更快。在真实室内地图上进行的实验评估表明，a）优先规划的修订版本可靠地解决了经典优先规划和流行的反应式技术ORCA失败的广泛类别的实例，b）异步分散算法提供的解决方案比以前提出的同步分散算法更快。
2014-09-08 cs.AI cs.MA cs.RO
Effort Informed Roadmaps (EIRM*): Efficient Asymptotically Optimal Multiquery Planning by Actively Reusing Validation Effort
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；University of Oxford（牛津大学）
本文提出EIRM*多查询规划算法，通过非对称双向搜索主动识别并重用已有路径信息，在保证几乎必然渐近最优的同时，使初始解求解速度比现有最优算法快一个数量级。
2023-04-18 cs.RO
HIRO: Heuristics Informed Robot Online Path Planning Using Pre-computed Deterministic Roadmaps
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人类工程与机器人研究所）；Robotics and Autonomous Systems, Institute of Applied Research, Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学应用研究所机器人与自主系统部）
提出HIRO在线路径规划方法，利用静态环境预计算确定性路线图形成启发式下界，并结合模糊碰撞检查、闭环更新与回溯，在动态环境中显著加快无碰撞路径规划。
2024-10-26 cs.RO
Knowledge Isn't Power: The Ethics of Social Robots and the Difficulty of Informed Consent
University of Manitoba（曼尼托巴大学）
本文通过知情同意视角探讨社交机器人模仿人类行为引发的伦理问题，提出设计目标以促进更伦理的人机互动。
2025-09-09 cs.HC cs.RO
SIMPNet: Spatial-Informed Motion Planning Network
针对现有基于采样的运动规划器在高维空间及复杂环境中效率低的问题，提出SIMPNet，其通过GNN与交叉注意力机制生成知情采样，经UR5e评估，性能优于基准规划器。
2026-08-31 cs.RO cs.SY eess.SY
TIGRIS: An Informed Sampling-based Algorithm for Informative Path Planning
Carnegie Mellon University（卡内基梅隆大学）
信息化路径规划是机器人技术中一个重要且具有挑战性的问题，仍然需要以一种允许广泛实施和现实世界实际采用的方式来解决。其中的各种原因，一个是缺乏的方法，允许在高维空间和非平凡的传感器约束的信息路径规划。在这项工作中，我们提出了一个基于采样的方法，使我们能够应对大的和高维的搜索空间的挑战。这是通过在高维连续空间中执行知情采样并在奖励估计中沿边缘合并潜在信息增益来完成的。该方法快速生成一个全局路径，最大化的信息增益为给定的路径预算约束。我们讨论了我们的实现的一个例子使用情况下，搜索多个感兴趣的对象在一个大的搜索空间使用一个固定翼无人机与前向摄像头的细节。我们将我们的方法与基于抽样的计划者基线进行比较，并展示了我们的贡献如何使我们的方法始终超过基线18.0%。因此，我们提出了一个实用的和可推广的信息路径规划框架，可用于非常大的环境，有限的预算，和高维搜索空间，如机器人与运动约束或高维配置空间。
2022-10-11 cs.RO
Generalizing Informed Sampling for Asymptotically Optimal Sampling-based Kinodynamic Planning via Markov Chain Monte Carlo
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
渐进最优运动规划器（如RRT*）已被证明可以逐步逼近起始状态和目标状态之间的最短路径。一旦找到初始解，通过将后续样本限制到可能改善当前解的状态空间区域，可以显着改善其性能。当运动规划问题位于欧几里德空间中时，可以直接对该区域$X_{inf}$（称为信息集）进行采样。然而，当在非欧几里德状态空间中规划微分约束时，不存在直接采样$X_{inf}$的解析解。在这种域中对$X_{inf}$进行采样的现有技术方法（例如分层拒绝采样（HRS））在高维状态空间中可能仍然很慢。这可能会导致规划算法花费其大部分时间试图产生样本在$X_{inf}$，而不是探索it.In本文中，我们提出了一种替代方法来产生样本的通知集$X_{inf}$的设置范围很广。我们的主要见解是重铸这个问题作为一个采样均匀内的子水平集的隐式非凸函数。这种重新设计使我们能够应用蒙特卡洛抽样方法，在机器学习和优化社区中非常有效地使用，以解决我们的问题。我们表明，使用我们的采样器可以加快收敛速度，在高维问题的高质量的解决方案，在广泛的情况下。
2017-10-17 cs.RO
