Robot Coverage Path Planning for General Surfaces Using Quadratic Differentials
Stony Brook University(石溪大学);Dalian University of Technology(大连理工大学)
机器人覆盖路径规划(即,通过一个或多个机器人提供给定域的完全覆盖)是机器人和运动规划领域中的经典问题。目标是提供几乎完全覆盖,同时尽量减少重复访问的区域。本文主要研究三维空间中一般曲面上的路径规划问题,包括复杂拓扑的平面域、复杂地形和一般曲面。其主要思想是采用一种自然的、内在的、全局的曲面参数化方法来进行机器人路径规划,即全纯二次微分。除了少量的零点(奇点),表面上的每个点都被赋予一个自然由复数表示的uv坐标。我们表明,自然,高效的机器人路径可以通过使用这样的坐标系。该方法是基于内在的几何形状,因此可以适用于一般的表面勘探在3D。
2017-01-26 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
Multi-UAV Coverage Path Planning for the Inspection of Large and Complex Structures
A*STAR Institute of Information Research (IR)(新加坡科技研究局信息研究所);A*STAR Institute of High Performance Computing (IHPC)(新加坡科技研究局高性能计算研究所);A*STAR Initiative for Artificial Intelligence and Analytics (AI)(新加坡科技研究局人工智能与分析计划);Department of Mechanical Engineering, Carnegie Mellon University(卡内基梅隆大学机械工程系)
我们提出了一个多无人机覆盖路径规划(CPP)框架的大规模,复杂的3D结构的检查。在所提出的基于采样的覆盖路径规划方法中,我们将多无人机检测应用归结为多智能体覆盖路径规划问题。将集合覆盖问题(SCP)和车辆路径问题(VRP)这两个NP难问题相结合,提出了一种集合覆盖车辆路径问题(SC-VRP),并采用改进的有偏随机密钥遗传算法(BRKGA)进行求解。我们测试我们提出的方法,几个复杂的3D结构与3D模型从OpenStreetMap中提取。所提出的方法优于以前的方法,通过减少高达48%的计划检查路径的长度
2020-07-26 cs.RO
TRACE: Coverage Path Planning for Unknown Environments Using Hierarchical Coverage Tree
Jinan University(暨南大学);University of Chinese Academy of Sciences(中国科学院大学);Shanghai Jiao Tong University(上海交通大学);Wuyi University(五邑大学);South China University of Technology(华南理工大学)
本文提出TRACE算法,利用分层覆盖树实现未知环境的在线覆盖路径规划,通过局部优化和全局路径引导,显著提升覆盖效率。
2026-09-21 cs.RO
Predictive Spray Switching for an Efficient Path Planning Pattern for Area Coverage
本文针对耕地区域覆盖任务提出一种与特定路径规划模式匹配的预测性喷嘴开关逻辑,通过多模式串联实现名义无损喷雾,并与Boustrophedon路径规划下的反应式开关逻辑对比,分析路径长度减少与开关次数增加之间的权衡。
2025-07-05 cs.RO
Corner Cases: Headland Coverage Path Planning for Autonomous Driving in Arable Farming
Technical University of Munich(慕尼黑工业大学);Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所)
该研究针对农田自动驾驶地头覆盖路径规划问题,提出修改多边形角落以实现倒车转向的新方法,在特定角度角落覆盖效果优于现有方法,适用性经真实田地图验证。
2026-09-04 cs.RO
Path Planning for Spot Spraying with UAVs Combining TSP and Area Coverages
Findklein GmbH(芬德克莱因有限公司)
针对农田杂草定点喷洒,本文融合TSP启发式与区域覆盖路径规划,通过三组真实实验验证算法,并发现区域覆盖长度对总航程影响显著。
2025-02-19 cs.RO
Edge Coverage Path Planning for Robot Mowing
Wayne State University(韦恩州立大学)
由于机器人技术的快速发展,机器人割草正在出现,以解放人类从繁琐和耗时的景观工作。传统上,机器人割草被认为是一个“覆盖路径规划”的问题,与简化,将非凸障碍转化为凸障碍。此外,通常通过机器人外接圆对转换后的障碍物进行扩张以避免碰撞。然而,当应用于机器人割草时,草坪中的障碍物通常是非凸的,想象一下草坪上的花园,使得所提到的障碍物处理方法将填充一些凹进区域,使得它们不再被机器人接近,并且因此沿着草坪边缘产生不可避免的未切割区域,这使景观的优雅变得暗淡并且引起返工。为了缩小草坪边缘周围的未切割区域,我们在此将该问题重新构建为一个全新的问题,命名为“边缘覆盖路径规划”问题,该问题专用于路径规划,目标是覆盖边缘。相应地,我们提出了两种规划方法,“大小盘”和“滑动盘”规划方法来解决这个问题,利用图像形态学处理和计算几何技能。通过验证,我们提出的方法可以优于传统的“外接圆膨胀”的方法。
2022-09-12 cs.RO
A Hierarchical Coverage Path Planning Algorithm for Unknown Environments
Jinan University(暨南大学);Beijing Institute of Technology(北京理工大学);University of Chinese Academy of Sciences(中国科学院大学)
本文提出一种未知环境下的在线分层覆盖路径规划算法,通过增量分解树组织子区域并动态更新全局覆盖路线,仿真验证其相比三种基线算法在路径长度和重叠率上提升了覆盖效率。
2026-09-14 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
Cooperative Aerial Coverage Path Planning for Visual Inspection of Complex Infrastructures
Luleå University of Technology(吕勒奥理工大学)
本文研究了利用多个无人机对复杂基础设施进行检测(离线三维重建)的协同覆盖路径规划(C-CPP)问题。该方案基于基础设施的先验3D模型,能够为无人机生成多条路径,以便在短时间内实现完整的合作覆盖。最初,被检查的基础设施被水平平面切片,其具有识别结构的分支的能力,并且这些分支将被处理为UAV的路径规划的断点,以基于UAV的当前飞行时间在更短的时间内协作地执行覆盖任务,并且更现实。通过利用SLAM和运动恢复结构方法,利用单目或立体传感器,将从覆盖范围收集的多个数据集合并用于基础设施的离线稀疏和密集3D重建。所提出的C-CPP的性能已经在多个室内和现实的室外基础设施检测实验中进行了实验评估。
2016-12-05 cs.RO
3D-CovDiffusion: 3D-Aware Diffusion Policy for Coverage Path Planning
IEEE
本文提出 3D-CovDiffusion,将覆盖路径规划转化为条件序列生成问题,采用几何条件扩散框架从三维点云合成轨迹,相比基线方法在轨迹平滑度、覆盖率等指标上实现显著提升。
2026-08-04 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));The Chinese University of Hong Kong(香港中文大学);The University of British Columbia(不列颠哥伦比亚大学)
在人口密集的动态环境中,机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地,移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑,分为全局路径规划和局部路径规划。在此框架内,路径规划方法的最新进展,在文件中,同时检查他们的优点和缺点。值得注意的是,最近开发的速度障碍法及其变种,作为当地的规划者进行了全面的分析。此外,作为当前机器人应用中广泛使用的无模型方法,本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley(加州大学伯克利分校)
多关节机器人的运动规划具有挑战性。由于问题的复杂性,大多数现有的工作分解运动规划作为更容易的子问题。然而,由于不一致的性能指标,只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题,提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Approximate Environment Decompositions for Robot Coverage Planning using Submodular Set Cover
University of Waterloo(滑铁卢大学);Avidbots Corp.(Avidbots公司)
针对机器人覆盖路径规划中的环境分解问题,提出基于子模集覆盖的重叠矩形扇区分解方法,并通过贪心算法给出扇区数量近似保证,实验表明其优于现有方法。
2024-09-04 cs.RO
Distributed area coverage path planning subject to the inclusion of a headland path
Findklein GmbH(芬德克莱因有限公司)
本文针对含地头路径约束的分布式区域覆盖路径规划问题,提出确定性方法,可结合多机器人及各类约束生成覆盖路径,还对比了Boustrophedon模式方法并凸显其优势。
2026-10-14 cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University(亚利桑那州立大学)
机器人运动规划涉及计算一系列有效的机器人配置,使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常,基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中,我们提出了一个基于深度学习的框架,该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布,以减少规划时间。我们的方法适用于一个统一的网络,并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明,显着改善运动规划时间相比,目前的采样为基础的运动规划。
2021-07-22 cs.RO
Coverage Path Planning for Autonomous Sailboats in Inhomogeneous and Time-Varying Oceans: A Spatiotemporal Optimization Approach
Institute of Deep-sea Science and Engineering, Chinese Academy of Sciences(中国科学院深海科学与工程研究所);Institute for Ocean Engineering, Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院海洋工程研究所);ZJU-Hangzhou Global Scientific and Technological Innovation Center, Zhejiang University(浙江大学 Hangzhou 全球科技创新中心);Department of Engineering, Faculty of Computing, Engineering and the Built Environment, Birmingham City University(伯明翰城市大学工程系);School of Ocean and Civil Engineering, Shanghai Jiao Tong University(上海交通大学海洋与Civil Engineering学院)
本文提出了一种专为自主帆船设计的时空优化方法,解决非均匀和时变海洋环境中的覆盖路径规划问题,通过空间拓扑约束和时间预测规划提升覆盖效率。
2026-02-13 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
Experience-based Subproblem Planning for Multi-Robot Motion Planning
Texas A&M University(德克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
提出基于经验的子问题规划方法,通过构建低维子问题解的数据库并应用于大规模场景,解决了多机器人运动规划在复杂任务中的可扩展性与效率问题。
2024-11-13 cs.RO
Trust-based Multi-Robot Symbolic Motion Planning with a Human-in-the-Loop
Clemson University(克莱姆森大学);Air Force Research Laboratory(美国空军研究实验室)
机器人符号运动规划是在离散空间中指定和规划机器人任务,然后在连续空间中以保持离散级任务规范的方式执行它们的过程。尽管在符号运动规划方面取得了进展,但仍存在许多挑战,包括解决多机器人系统的可扩展性以及通过结合人类智能来改进解决方案。在本文中,分布式符号运动规划的多机器人系统的发展,以解决可扩展性。更具体地说,组合推理方法的发展,以分解的全局规划问题,原子命题的观察,通信和控制提出了解决机器人之间的碰撞避免。为了提高解决方案的质量和适应性,一个动态的,定量的,和概率的人对机器人的信任模型的开发,以帮助这种分解。此外,提出了一种基于信任的实时切换框架,用于在自主和手动运动规划之间切换,以在任务安全性和效率之间进行权衡。无死锁和无活锁算法的设计是为了保证目标的可达性。一组非平凡的多机器人仿真与直接的人的输入和信任评估,证明了成功实施的信任为基础的多机器人符号运动规划方法。
2018-08-15 cs.RO
Coverage Path Planning for Redundant Manipulators using Generalized Spanning Trees
Center for AI & Robotics(人工智能与机器人中心);New York University Abu Dhabi(纽约大学阿布扎比分校)
针对冗余机械臂表面覆盖问题,提出基于广义生成树的离线与在线联合生成树覆盖算法,通过多IK解建模为广义最小生成树,实现无重复覆盖路径,仿真验证了其高效性。
2026-09-09 cs.RO
Optimal Smooth Coverage Trajectory Planning for Quadrotors in Cluttered Environment
Guangdong Power Grid Co. Ltd.(广东电力电网公司);Shenzhen Institute of Artificial Intelligence(深圳人工智能与机器人研究院)
针对电网场景下杂乱环境中的无人机覆盖任务,提出前端GA求解TSP、后端非线性最小二乘优化平滑性、耗时与避障的两阶段轨迹规划算法,并通过仿真验证其有效性。
2025-10-03 cs.RO
Energy Optimized Robot Arm Path Planning using Differential Evolution in Dynamic Environment
Jadavpur University(贾达沃普尔大学)
机器人由于其高效率和高精度的性能而广泛应用于工业中。在生产线的制造阶段,最有趣的问题之一是最大限度地减少这些机器人操作器消耗的能量的显着高的百分比。机器人的能量最优控制是一个复杂的问题,因为它需要深入了解机器人的运动学和动力学行为。提出了一种基于差分进化算法的工业机器人手臂在多障碍物工作空间中能量有效路径规划的新方法。路径规划问题被制定为一个优化问题,其目的是确定最短的和能量最优路径的机器人手臂从其给定的初始位置到预定义的目标位置,而不会碰到障碍物。这种进化算法在轨迹规划中的应用是有利的,因为路径规划问题的精确解并不总是预先可用的,并且必须动态地确定。实验表明,基于DE的路径规划算法优于其竞争者在一个显着的方式。
2018-06-23 cs.RO
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节,它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术,已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法,用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
Integrating Visual Foundation Models for Enhanced Robot Manipulation and Motion Planning: A Layered Approach
本文提出一种五层框架,融合视觉基础模型提升机器人操作与运动规划,实现实时调整和持续学习,并通过实验验证其在动态环境中的部署潜力。
2023-09-20 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
Adaptive grid-based decomposition for UAV-based coverage path planning in maritime search and rescue
针对海上搜救中无人机需快速完全覆盖搜索区域的问题,提出自适应网格分解(AGD)算法减少网格单元数,并结合混合整数规划(MIP)模型规划路径,实验显示其可减少最多20%的覆盖时间。
2024-12-01 cs.RO
Ray-based Interference Free Workspace Analysis and Path Planning for Cable-Driven Robots
The Chinese University of Hong Kong(香港中文大学)
本文采用基于光线的方法研究了任意缆索驱动机器人在缆索和障碍物作用下的无干涉工作空间。从这一点继续,点到点的路径规划和验证技术,以确保所产生的运动是在工作空间内进行了研究。
2022-09-23 cs.RO
Coverage Path Planning in Precision Agriculture: Algorithms, Applications, and Key Benefits
本文研究精准农业中的覆盖路径规划问题,分别提出基于波前覆盖算法的单机器人方法和包含凸多边形区域分配与最优路径生成的多机器人方法,以实现农田高效完整覆盖。
2025-01-08 cs.RO
Online Coverage Planning for an Autonomous Weed Mowing Robot with Curvature Constraints
University of Minnesota - Twin Cities(明尼苏达大学双城分校)
用于放牧的土地约占美国土地的三分之一。这些地区可能非常崎岖。然而,他们需要保持,以防止杂草接管营养草地。这可能是一项艰巨的任务,特别是在有机农业的情况下,因为不能使用除草剂。在本文中,我们提出了设计的牛机器人,自主除草机器人的牧场。Cowbot是一款电动割草机,设计用于奶牛牧场的崎岖环境,并为有机农场的杂草控制提供了一种具有成本效益的方法。牛机器人的路径规划是具有挑战性的,因为牧场上的杂草分布是未知的。在有限的视野范围内,在线路径规划是必要的,以检测杂草和规划路径割草。研究了具有曲率和视野约束的自动割草机的一般在线路径规划问题。我们开发了两个在线路径规划算法,能够利用新的信息杂草优化路径长度,并确保覆盖。我们部署我们的算法上的Cowbot和进行现场实验,以验证我们的方法的适用性,实时路径规划。我们还进行了广泛的模拟实验,结果表明,我们的算法相比基线boustrophedon和随机搜索的覆盖路径的路径长度减少了60%。
2021-11-19 cs.RO
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey(罗格斯,新泽西州立大学)
针对连续域中非完整约束机器人的终身路径规划难题,将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人,提出高性能集中式与去中心化规划器,实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Learning to Ground Objects for Robot Task and Motion Planning
SUNY Binghamton(纽约州立大学宾汉姆顿分校)
任务和运动规划(TAMP)算法已经被开发用于帮助机器人规划离散和连续空间中的行为。机器人面临复杂的现实世界场景,其中几乎不可能对所有对象或其物理属性进行建模以用于机器人规划(例如,在厨房或购物中心)。在本文中,我们定义了一个新的以对象为中心的TAMP问题,其中TAMP机器人不知道对象属性(例如,块的大小和重量)。然后,我们介绍了任务运动对象为中心的规划({ \bf TMOC}),一个接地TAMP算法,学习地面对象和它们的物理属性与物理引擎。TMOC对于那些涉及动态复杂机器人多对象交互的任务特别有用,这些任务很难事先建模。我们已经证明和评估TMOC在模拟和使用一个真正的机器人。结果表明,TMOC在累积效用方面优于文献中的竞争基线。
2022-02-15 cs.RO
An Effective Algorithmic Framework for Near Optimal Multi-Robot Path Planning
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一个集中的算法框架,解决多机器人路径规划问题,在一般的,二维的,连续的环境,同时最大限度地减少全球的任务完成时间。该框架获得高水平的有效性,通过组成的连续环境的最佳离散化和随后的快速,接近最佳的解决方案所产生的离散规划问题。这种原则性的方法在速度和支持的机器人密度方面实现了数量级的更好性能。对于各种各样的环境中,我们的方法被证明是计算全球接近最优的解决方案,为50个机器人在几秒钟内与机器人包装接近对方。在极端情况下,该方法可以始终如一地解决数百个机器人占用超过30%的自由空间的问题。
2015-07-13 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
Proactive Motion Planning for Human-Robot Cooperation
本文提出一种结合深度学习人体运动预测与静态路标图及时变A*算法的规划框架,用于UR5e机械臂的主动碰撞避免,以提升人机协作安全性。
2026-09-29 cs.RO
Hierarchically Accelerated Coverage Path Planning for Redundant Manipulators
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对冗余机械臂表面覆盖任务,提出基于广义旅行商问题与分层精简图规模的加速路径规划方法,通过引导路径分解求解,仿真与实体实验验证有效性。
2025-02-26 cs.RO
Chance Constrained Motion Planning for High-Dimensional Robots
Massachusetts Institute of Technology(麻省理工学院)
本文介绍了概率Chekov(p-Chekov),一个机会约束运动规划系统,可应用于高自由度(DOF)机器人运动不确定性和不完善的状态信息。给定过程和观测噪声模型,它可以找到可行的轨迹,满足用户指定的边界上的碰撞概率。利用我们以前在确定性运动规划中的工作,将轨迹优化集成到稀疏路线图框架中,p-Chekov在高维任务的规划速度方面表现出优越性。P-Chekov将线性二次高斯运动规划方法应用到机器人状态概率分布的估计中,将积分理论应用到航路点碰撞风险估计中,并采用风险分配方法来分配航路点之间的允许故障概率。与其他现有的风险感知规划器不同,p-Chekov可以应用于高自由度的机器人规划任务,而无需对环境进行凸化。本文的实验结果表明,该p-Chekov系统可以有效地降低碰撞风险,并满足用户指定的机会约束,在典型的现实世界规划场景的高自由度机器人。
2018-11-07 cs.RO
Robot Path Planning Algorithms: A Review of Theory and Experiment
这本书的目的是介绍不同的机器人路径规划算法,并建议一些最合适的,能够运行在各种机器人和抗干扰。实时性、自主性以及识别高风险区域和风险管理的能力是这些方法中提到的其他功能。
2018-11-13 cs.RO
Communication and Energy-Aware Multi-UAV Coverage Path Planning for Networked Operations
Department of Electrical Engineering, Indian Institute of Technology Kanpur(电子工程系,印度理工学院坎浦尔)
针对需持续通信的多无人机覆盖任务,提出通信与能量感知的mCPP方法,通过优化能量与连通半径组合生成路径,仿真与三机实验验证有效,通信范围匹配度达99%。
2025-04-21 cs.RO
k-Color Multi-Robot Motion Planning
Tel-Aviv University(特拉维夫大学)
我们提出了一个简单而自然的扩展的多机器人运动规划问题,其中的机器人被划分成组(颜色),这样,在每个组的机器人是可互换的。每个机器人不再需要移动到特定的目标,而是移动到分配给其组的某个目标位置。我们称这个问题为k-颜色多机器人运动规划,并提供了一个专门设计的基于采样的算法来解决它。在该算法的核心是一个新的技术,其中k-颜色问题减少到几个离散的多机器人运动规划问题。这些减少将基本样本放大为机器人的大量自由放置和路径集合。我们证明了该算法的性能的情况下,圆盘机器人和多边形机器人在平面上平移的实现。我们表明,该算法成功地和有效地应对了各种具有挑战性的情况下,涉及许多机器人,而该算法的简化版本,可以被视为一个普遍的基于采样的算法的K-颜色的情况下,即使在简单的情况下失败。有趣的是,我们的算法优于PRM的标准多机器人问题,其中每个机器人都有一个独特的颜色建立的实现。
2013-05-13 cs.RO
Coverage Path Planning For Minimizing Expected Time to Search For an Object With Continuous Sensing
Stony Brook University(石溪大学)
本文提出配额割草问题并给出常数因子近似算法,同时研究了连续感知下的期望检测时间最小化问题,提供了首个具可证明误差界限的伪多项式近似算法,并辅以启发式方法和仿真验证。
2024-11-18 cs.RO
A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
Southeast University(东南大学);Tongji University(同济大学)
运动规划是实现移动机器人自主操作的关键。随着机器人应用场景的复杂性和随机性的增加,经典的分层运动规划器的规划能力受到挑战。随着机器学习的发展,基于深度强化学习(Deep Reinforcement Learning,DRL)的运动规划器以其诸多优势逐渐成为研究热点。基于DRL的运动规划器是无模型的,并且不依赖于先前的结构化地图。最重要的是,基于DRL的运动规划器实现了全局规划器和局部规划器的统一。在本文中,我们提供了一个系统的审查各种运动规划方法。首先,我们总结了经典运动规划体系结构中各个子模块的代表性和最新研究成果,并分析了它们的性能特点。随后,我们集中总结了基于RL的运动规划方法,包括运动规划器结合RL的改进,基于地图的RL运动规划器,和多机器人协作规划方法。最后,我们详细分析了这些主流的基于RL的运动规划器所面临的紧迫挑战,回顾了一些最先进的工作,这些问题,并提出了未来的研究建议。
2022-02-23 cs.RO
Capability Iteration Network for Robot Path Planning
Shanghai Jiao Tong University(上海交通大学)
路径规划是机器人领域的一个重要课题。最近,基于值迭代的深度学习模型已经取得了良好的性能,例如值迭代网络(VIN)。然而,以前的方法收敛速度慢,精度低,在大地图上,因此限制在智能体与复杂的运动学,如足式机器人的路径规划。因此,我们提出了一种新的价值迭代的路径规划方法称为能力迭代网络(CIN)。CIN利用稀疏奖励映射,并使用状态-动作转移概率对代理的能力进行编码,而不是以前模型中的卷积核。提出了端到端训练和单独训练能力模块两种训练方法,大大加快了收敛速度。在不同的场景下,包括2D,3D网格世界和真实的机器人与不同的地图大小的路径规划实验进行。结果表明,CIN具有更高的精度,更快的收敛速度,和更低的随机种子的敏感性相比,以前的VI为基础的模型,因此更适用于实际的机器人路径规划。
2021-04-29 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
Robowflex: Robot Motion Planning with MoveIt Made Easy
Rice University(莱斯大学)
Robowflex是一个用于工业和研究应用中机器人运动规划的软件库,利用了流行的MoveIt库和机器人操作系统(ROS)中间件。Robowflex提供了一个增强的API,用于在单个程序中制作和操作运动规划查询,使使用MoveIt进行运动规划变得容易。Robowflex的高级API简化了许多常见用例,同时在需要时仍然提供对MoveIt库的低级访问。Robowflex对于1)开发新的运动规划器,2)评估运动规划器,以及3)使用运动规划作为子例程的复杂问题(例如,任务和运动规划)。Robowflex还提供可视化功能,与其他机器人库的集成(例如,DART和Tesseract),并补充其他机器人软件包。使用我们的库,用户不需要是ROS或MoveIt的专家,就可以设置运动规划查询,从结果中提取信息,并直接与各种软件组件进行交互。我们通过几个示例用例证明了其有效性。
2022-07-27 cs.RO
SHIFT Planner: Speedy Hybrid Iterative Field and Segmented Trajectory Optimization with IKD-tree for Uniform Lightweight Coverage
本文提出SHIFT Planner框架,集成语义建图与自适应覆盖规划,通过扩散场模型动态调整轨迹和速度,实现均匀轻量覆盖。
2025-04-24 cs.RO
MDCPP: Multi-Robot Dynamic Coverage Path Planning for Workload Adaptation
School of Electrical and Automation Engineering, Nanjing Normal University(南京师范大学电气与自动化工程学院);Computer, Electrical, and Mathematical Science and Engineering Division, King Abdullah University of Science and Technology(王国 Abdullah 科学与技术大学计算机、电气和数学科学与工程系)
针对多机器人覆盖路径规划恒速假设不适用于空间变化遍历速度的问题,提出MDCPP方法,经600次基准测试和3台UGV实验,验证其在强异质性下可改善总完成时间并实现空间速度自适应。
2026-08-25 cs.RO
Fast-Revisit Coverage Path Planning for Autonomous Mobile Patrol Robots Using Long-Range Sensor Information
Human-Centered Robotics Lab(以人为本机器人实验室);Ostfalia University of Applied Sciences(奥斯特法利亚应用科学大学)
针对工业场地UGV巡逻的覆盖与快速重访需求,提出FaRe-CPP算法,通过贪婪启发式航点生成和随机搜索路径优化,在Gazebo与TurtleBot3仿真中较现有算法分别将路径长度和重访时间降低至少21%和33%。
2025-07-25 cs.RO
Object Placement Planning and Optimization for Robot Manipulators
KTH Royal Institute of Technology(KTH皇家理工学院);Yale University(耶鲁大学);Örebro University(厄勒布鲁大学)
我们解决的问题运动规划的机器人机械手的任务,把一个掌握的对象在一个混乱的环境。在这个任务中,我们需要为物体定位一个无碰撞的姿势,a)便于物体的稳定放置,b)机器人操纵器可以到达,c)优化用户给定的放置目标。由于放置目标,该问题比从一开始就定义目标姿态的经典运动规划更具挑战性。为了解决这个问题,我们提出了一个随时算法,集成了基于采样的运动规划的机器人操作器与一个新的分层搜索合适的放置位姿。我们评估我们的方法在双臂机器人两个不同的放置目标,并观察其有效性,即使在具有挑战性的情况下。
2019-07-04 cs.RO
Deep Reinforcement Learning for Mobile Robot Path Planning
Northeastern University(东北大学);University of Michigan(密歇根大学);University of Washington(华盛顿大学)
针对移动机器人路径规划问题,本文设计含奖励函数与参数优化的DRL算法,并结合双向搜索混合A*算法,在嵌入式机器人平台上实现更优规划且占用更少计算资源。
2024-04-10 cs.RO
Robot Motion Planning in Learned Latent Spaces
Stanford University(斯坦福大学)
本文提出了基于潜在采样的运动规划(L-SBMP),一种通过学习可规划的潜在表示来计算复杂机器人系统运动规划的方法。最近的工作在控制机器人系统有效地利用本地,低维嵌入高维动力学。在本文中,我们将这些最新进展与基于采样的运动规划(SBMP)技术相结合,以设计一种能够规划传统方法(例如,类人机器人,甚至是在视觉空间中进行规划的系统)。具体来说,学习的潜在空间是通过一个自动编码网络,一个动态网络,和碰撞检查网络,这反映了SBMP的三个主要算法原语,即状态采样,本地转向,和碰撞检查。值得注意的是,这些网络可以只通过系统状态和动作的原始数据以及监督冲突检查器来训练。在这些网络的基础上,使用基于RRT的算法直接在潜在空间中规划运动-我们将这种探索算法称为学习潜在RRT(L2 RRT)。该算法全局地探索潜在空间,并能够推广到新的环境。整体的方法证明了两个规划问题,即视觉规划问题,规划发生在视觉(像素)空间,和一个人形机器人规划问题。
2018-11-06 cs.RO
Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning
Computational Robotics Lab ETH Zürich(机器人计算实验室ETH Zurich)
本文提出基于采样的多机器人多目标路径规划方法,解决多机器人协同任务中的路径规划问题,实现概率完备和渐进最优的规划算法。
2026-04-17 cs.RO
Planning Coordinated Human-Robot Motions with Neural Network Full-Body Prediction Models
University of Stuttgart(斯图加特大学);TU Berlin(柏林工业大学)
数值优化已经成为规划机器人平滑运动轨迹的一种流行方法。然而,当与人类共享空间时,适当平衡安全性,舒适性和效率仍然具有挑战性。这是值得注意的,因为人类会根据机器人的行为来调整自己的行为,这就需要进行复杂的规划和预测。在本文中,我们提出了一种新的优化为基础的运动规划算法,它产生的机器人运动,同时最大限度地提高人类的轨迹可能性下的数据驱动的预测模型。考虑规划和预测在一起,使我们能够制定目标和约束函数的联合人-机器人状态空间。该方法的关键是将潜在空间修改器添加到基于专用递归神经网络的可微分人类预测模型中。这些修改器允许在运动优化中改变人类预测。我们使用公开的MoGaze数据集对我们的方法进行了经验评估。我们的研究结果表明,所提出的框架优于目前的基线规划移交轨迹,避免机器人和人类之间的碰撞。我们的实验展示了协作运动轨迹,其中人类预测和机器人计划都相互适应。
2022-10-24 cs.RO