More than a Manipulator: Planning Propellant-Free Attitude Maneuvers for Free-Floating Spacecraft
University of Southern California（南加州大学）
研究利用机器人操纵器运动进行自由漂浮航天器无推进剂姿态控制，通过制定带约束的轨迹优化问题求解，展示多种系统轨迹，经与反作用轮阵列比较，证明其可作冗余或主要姿态控制系统，为空间应用提供框架。
2026-11-02 cs.RO
From 2D to 3D terrain-following area coverage path planning
Findklein GmbH（Findklein公司）
本文提出了一种三维地形跟随区域覆盖路径规划算法，生成多个相邻路径，确保局部间距与工作宽度一致，同时投影距离与特定工作高度一致，并通过实际农业数据验证算法效果。
2026-03-23 cs.RO cs.SY eess.SY
Floating-base manipulation on zero-perturbation manifolds
Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）
本文提出将浮基动力学表示为关节速度上的普法夫约束，使机械臂在零扰动流形上运动，从而构建非完整RRT运动规划器，实现浮基系统在复杂环境中的高灵巧快速运动规划。
2023-07-05 cs.RO
Trajectory Planning for Teleoperated Space Manipulators Using Deep Reinforcement Learning
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Research Institute of Tsinghua University in Shenzhen（清华大学深圳研究院）；Department of Automation, Tsinghua University（清华大学自动化系）
针对遥操作空间机械臂的动力学建模与时延问题，提出融合 Mapping、Prediction 和 State Augmentation 的 DRL 框架，并基于 SAC 与 MuJoCo 验证其有效性。
2024-08-10 cs.RO
Optimal Multi-Robot Motion Planning via Parabolic Relaxation
NASA Jet Propulsion Lab（NASA喷气推进实验室）；California Institute of Technology（加州理工学院）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
多机器人系统提供了比它们的单片对应物更强的能力，但是它们以增加协调的复杂性为代价。为了降低复杂性，使问题易于处理，多机器人运动规划（MRMP）方法在文献中采用解耦的方法，牺牲最优性或动态可行性。在本文中，我们提出了一种凸化方法，即“抛物线松弛”，以产生最佳的和动态可行的轨迹MRMP在耦合关节空间的所有机器人。我们利用建议的放松，以解决问题的复杂性，并达到计算的易处理性规划超过100个机器人在非常集群的环境。我们采取多阶段优化方法，包括：i）数学上将MRMP表示为非凸优化，ii）将问题提升到更高维的空间，iii）通过提出的计算效率高的抛物线松弛使问题凸化，以及iv）用迭代搜索进行惩罚，以确保原始问题的可行性和接近最优的解决方案的可行性和恢复。我们的数值实验表明，所提出的方法是能够产生最佳的和动态可行的轨迹具有挑战性的运动规划问题，具有更高的成功率比国家的最先进的，但仍然计算上易于处理的超过一百个机器人在一个高度密集的环境。
2021-11-28 cs.RO cs.SY eess.SY
Optimal Trajectory Planning for Orbital Robot Rendezvous and Docking
Space Robotics Lab. (SRL) in the Department of Aerospace Engineering, Graduate School of Engineering, Tohoku University（空间机器人实验室（SRL）位于工程研究生院航空航天工程系，东北大学）
本文提出基于非线性优化的轨迹规划方法，用于安全接近并引导旋转碎片目标进入机械臂工作空间，为后续捕获提供基础。
2025-12-26 cs.RO cs.SY eess.SY
Autonomous Aerial Manipulation at Arbitrary Pose in SE(3) with Robust Control and Whole-body Planning
Department of Aerospace Engineering（航空航天工程系）；Automation and Systems Research Institute (ASRI)（自动化与系统研究所）；Seoul National University（首尔国立大学）
本文针对全向空中机械臂提出几何鲁棒控制与两步优化全身运动规划框架，使其能在SE(3)任意位姿下于障碍物附近自主完成抓取、拉拽等复杂操作，并通过接近90°和180°俯仰角实验验证了有效性。
2025-08-27 cs.RO
iDRM: Humanoid Motion Planning with Real-Time End-Pose Selection in Complex Environments
University of Edinburgh（爱丁堡大学）
在本文中，我们提出了一种新的逆动态可达性地图（iDRM），允许浮动基础系统找到有效的最终姿态在复杂和动态变化的环境中，在实时的【形】。末端位姿规划是一个重要的问题，有效的立场姿态和无碰撞配置的人形应用，如提供目标状态的步行和运动规划。然而，这在复杂的环境中是不平凡的，其中站立位置和到达姿势受到障碍物的限制。我们提出的iDRM自定义的机器人到工作空间的占用列表，并使用在线更新算法，使有效的可达性地图的重建，以保证所选择的最终姿态总是无碰撞。iDRM在各种达到任务中使用38自由度（DoF）的人形机器人Valkyrie进行了评估。我们的研究结果表明，该方法是能够找到有效的结束姿势在一秒钟的一小部分。值得注意的是，我们还证明，运动规划算法集成我们的最终姿态规划方法比那些不利用这种技术更有效。
2016-07-28 cs.RO
Path Planning and Reinforcement Learning-Driven Control of On-Orbit Free-Flying Multi-Arm Robots
University of Alicante（阿利坎特大学）；Cranfield University（克兰菲尔德大学）
本文提出一种结合轨迹优化与强化学习的混合方法，用于自由飞行多臂机器人在在轨服务场景中的路径规划与控制。通过实验验证，该方法在表面运动和自由浮动场景中均优于传统策略，提升了运动平滑度、安全性和效率。
2026-03-24 cs.RO cs.SY eess.SY
Pose-Parameterized Motion Planning and CBF-QP Self-Collision Filtering for a Long-Reach Drilling Boom
Faculty of Engineering and Natural Sciences, Tampere University（坦佩雷大学工程与自然科学学院）；Sandvik Mining and Construction Oy（山特维克采矿与建筑公司）
研究针对长距离钻臂从操作员监督控制向自主控制转变的需求，提出在测量状态逆运动学中集成姿态参数化规划与CBF-QP的方法，经两项钻孔任务评估，该方法效果良好，无逆运动学故障，位置误差小。
2026-07-22 cs.RO cs.SY eess.SY
Robust Task and Motion Planning for Long-Horizon Architectural Construction Planning
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在建筑和施工过程中集成机器人系统是提高建筑行业效率的核心兴趣。此类系统的自动规划使设计分析工具成为可能，并为设计师和工程师提供更快的设计迭代周期。然而，通用的任务和运动规划（TAMP）的长期建设过程是超出了目前的方法的能力。在本文中，我们开发了一个多智能体TAMP框架的长期问题，如建设一个全面的建设。为此，我们通过基于采样的运动规划，有限的地平线的方法，和特定于任务的结构稳定性优化，允许有效的任务分解的逻辑几何规划框架。我们表明，我们的框架是能够构建一个大型展馆从几百个几何独特的建筑元素从开始到结束自主。
2020-03-17 cs.RO
Downwash-Aware Trajectory Planning for Large Quadrotor Teams
University of Southern California（南加州大学）
我们描述了一种方法，形成变化的轨迹规划大型四旋翼团队在障碍物丰富的环境。我们的方法将规划问题分解为两个阶段：一个离散的规划器操作的工作空间的图形表示，和一个连续的细化，将非光滑的图形计划转换成一组C^k-连续的轨迹，局部优化的积分平方导数成本。我们考虑了下洗效应，使得在密集编队中能够安全飞行。我们展示了计算效率与多达200个机器人和物理兼容性与32纳米四旋翼实验模拟。我们的方法可以在几分钟内计算出数百个四旋翼在密集环境中的安全和平滑的轨迹。
2017-07-23 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
Projection based whole body motion planning for legged robots
ETHZ Zürich（苏黎世联邦理工学院）
提出了一种新的足式机器人动态运动规划方法。我们制定了一个轨迹优化问题的基础上，一个紧凑的形式的机器人动力学。这种形式是通过将刚体动力学投影到约束雅可比矩阵的零空间上而获得的。作为投影的结果，接触力从模型中删除，但其影响仍被考虑在内。这种方法允许解决浮动基础约束多体系统的最优控制问题，同时避免使用显式接触模型。我们使用直接转录数值求解优化。由于接触力不是决策变量的一部分，因此所得离散数学程序的大小减小，因此可以在易于处理的时间内获得解。使用预定义的接触配置（阶段）的序列，我们的方法解决了接触开关发生的运动。相位之间的转换是自动解决的，而无需使用切换动态模型。我们提出的结果，液压四足机器人（HyQ），包括单相（站立，蹲伏）以及多相（饲养，对角腿平衡和步进）的动态运动。
2015-10-06 cs.RO
RAMP: Reaction-Aware Motion Planning of Multi-Legged Robots for Locomotion in Microgravity
Tohoku University（东北大学）
微重力下的机器人机动性对于扩大人类对外层空间的利用和探索是必要的。生物启发的多腿足式机器人是安全和精确运动的一种可能的解决方案。然而，在微重力下的机器人的动态运动可能会导致故障，由于过度的运动反应所造成的夹持器分离。我们提出了一种新的反应感知运动规划（RAMP），以提高运动的安全性，在微重力环境下，通过减少机器人的动量变化，降低失去与地面接触的风险。RAMP通过低反作用力摆动轨迹（LRECT）最大限度地减少摆动动量，同时将此动量分配到整个身体，确保支撑夹持器的零速度并最大限度地减少运动反作用力。我们验证了所提出的方法与动态模拟表明RAMP的能力，以产生一个安全的运动，而不分离的支持抓手，导致机器人到达其指定的位置。我们在使用空气悬浮系统的实验中进一步验证了RAMP，证明反作用力显着降低，并提高了微重力下的移动性。
2023-01-19 cs.RO
SpaceOctopus: An Octopus-inspired Motion Planning Framework for Multi-arm Space Robot
Tsinghua University（清华大学）；Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）
受章鱼肢体分布式控制启发，提出多级分散式运动规划框架SpaceOctopus，集成多智能体强化学习，优于集中式训练，且具备强鲁棒性。
2024-03-13 cs.RO
Optimal Multi-Robot Path Planning on Graphs: Structure and Computational Complexity
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们研究了图上的最优多机器人路径规划问题（MPP）在四个不同的最小化目标：总到达时间，最大完工时间（最后到达时间），总距离，最大（单机器人行驶）距离。在结构方面，我们表明，这四个目标的每一对诱导帕累托前沿，并不能总是同时优化。然后，通过从3-SAT的减少，我们进一步建立了每个目标的计算是一个NP-难的任务，提供的证据表明，最佳地解决MPP通常是棘手的。尽管如此，在一篇相关论文中，我们设计了完整的算法和有效的算法来优化所有四个目标，能够在具有挑战性的设置中为数百个机器人最佳或接近最佳地解决MPP。
2015-07-12 cs.RO
A Convex Optimization Approach to Smooth Trajectories for Motion Planning with Car-Like Robots
Stanford University（斯坦福大学）
在最近的过去，已经提出了几种基于采样的算法来计算无碰撞和动态可行的轨迹。然而，这种算法的输出是众所周知的锯齿状。在本文中，通过专注于机器人与汽车一样的动力学，我们提出了一种快速，简单的启发式算法，命名为凸弹性平滑（CES）算法，轨迹平滑和速度优化。CES算法的灵感来自于弹性带规划的早期工作，并迭代地执行形状和速度优化。该算法的主要特点是，这两个优化问题都可以通过凸规划来解决，使得CES特别快。一系列的数值实验表明，CES算法返回高质量的解决方案，在几百毫秒的事情，因此似乎适合于实时实现。
2015-10-26 cs.RO
Robust Trajectory Planning for Spatial-Temporal Multi-Drone Coordination in Large Scenes
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
在本文中，我们描述了一个强大的多无人机规划框架，在大场景中的高速轨迹。它使用面向自由空间的映射来将优化从繁琐的环境数据中解放出来。设计了一个类似于胶囊的安全约束，以避免飞行器在扰动下偏离其标称飞行过程时发生相互碰撞。我们进一步展示了我们的无人机动力学与非线性阻力效应的最小奇异微分平坦性。利用平坦度图，在平坦输出上有效地进行轨迹优化，同时仍然受到考虑高速下的阻力的物理限制。我们的框架的鲁棒性和有效性都在大规模的模拟验证。它可以在几分钟内为数百架无人机计算满足高保真车辆约束的无碰撞轨迹。
2021-09-17 cs.RO
Streamlines for Motion Planning in Underwater Currents
University of Technology Sydney（悉尼科技大学）；Defence Science and Technology Group, Department of Defence（澳大利亚国防部国防科学与技术集团）
水下机器人的运动规划必须考虑海流的影响。我们提出了一种有效的方法来计算采样点之间的可达性和成本的采样为基础的运动规划，支持远程规划超过数百公里的复杂流。其思想是搜索由流函数组成的控制输入的缩减空间，流函数的水平集或流线最优地连接两个给定点。这种流函数是通过将控制输入叠加到底层电流上来生成的。流线表示车辆在给定控制输入的情况下被电流携带时将遵循的结果路径。我们提供了严格的分析，表明我们的方法如何避免穷举搜索的控制空间，并演示了模拟的例子，在复杂的流动，包括穿越澳大利亚东海岸，使用实际的电流预测，悉尼和布里斯班之间。
2019-01-28 cs.RO
Safe POMDP Online Planning among Dynamic Agents via Adaptive Conformal Prediction
School of Engineering and Applied Science, University of Virginia（弗吉尼亚大学工程与应用科学学院）；University of Oxford（牛津大学）
针对多动态智能体环境下 POMDP 在线规划的安全问题，提出利用 ACP 量化轨迹预测不确定性并即时构建安全屏障，在真实行人数据实验中兼顾回报与概率安全保证。
2024-09-06 cs.RO
Motions in Microseconds via Vectorized Sampling-Based Planning
Rice University（莱斯大学）
本文通过在基于采样的规划器中引入细粒度并行与矢量化关键子程序，将高自由度机器人运动规划提速500倍以上，实现微秒级、千赫兹级规划。
2023-09-28 cs.RO
Search-based optimal motion planning for automated driving
Delft University of Technology（代尔夫特理工大学）；Graz University of Technology（格拉茨工业大学）
本文提出了一种快速和强大的运动规划，旨在促进自动驾驶的框架。该框架允许实时计算，即使是几百米的视野，从而实现在城市条件下的自动驾驶。这是通过几个功能来实现的。首先，一个方便的几何表示的搜索空间和驾驶约束，使经典的路径规划方法的使用。因此，可以同时处理各种各样的约束（其他车辆、交通灯等）。其次，一个精确的成本去地图，通过解决一个放松的问题，然后使用基于A* 的算法与模型预测味，以计算最佳的运动轨迹。该算法同时考虑了距离和时间范围。该方法是在一个模拟研究与现实的交通场景进行验证。我们证明了该算法的能力，制定计划，在快速和缓慢的驾驶条件下，即使是完全停止是必需的。
2018-08-03 cs.RO
Experience-based Optimal Motion Planning Algorithm for Solving Difficult Planning Problems Using a Limited Dataset
针对有限数据集下短时间获取高质量运动规划解的难题，提出IERTC*算法，通过经验微路径变形、重连及知情采样结合环境复杂度调整策略，在困难场景下大幅提升规划成功率并降低解代价。
2025-03-19 cs.RO
A Hybrid Method for Online Trajectory Planning of Mobile Robots in Cluttered Environments
Intel Labs（英特尔实验室）；Intel Tecnología de México（英特尔墨西哥技术公司）
提出了一种已知环境下的在线轨迹规划方法。该算法是一个融合的采样为基础的技术和基于模型的优化，通过二次规划。前者用于有效地生成无障碍路径，而后者考虑到机器人的动力学约束，以生成时间相关的轨迹。这项工作的主要贡献在于制定一个凸优化问题的生成的无障碍路径，保证是可行的。因此，与先前提出的方法相比，不需要迭代公式。所提出的方法进行了比较，与国家的最先进的方法，成功率和计算时间显着改善。为了说明这种方法的有效性，在线规划，所提出的方法被应用到流体自主导航的四轴飞行器在多个环境中，包括多达200个障碍。下文中介绍的场景是迄今为止报道的在线规划和导航的一些最密集的混乱实验。观看视频https://youtu.be/DJ1IZRL5t1Q
2019-08-22 cs.RO
Int2Planner: An Intention-based Multi-modal Motion Planner for Integrated Prediction and Planning
COWAROBOT Co. Ltd.（酷哇机器人有限公司）；School of Electronic Engineering, University of South China（南华大学电子工程学院）
Int2Planner提出基于路线意图点的集成预测与规划方法，实现多模态规划，在私有数据和nuPlan基准上达到最先进性能，并已实车验证数百公里。
2025-01-22 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
Real-Time Stochastic Kinodynamic Motion Planning via Multiobjective Search on GPUs
Stanford University（斯坦福大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
在本文中，我们提出了并行不确定性感知的多目标规划算法，用于解决随机kinodynamic运动规划问题，其中一个寻求一个低成本的，动态可行的运动计划受到碰撞概率（CP）的约束。为了确保候选运动计划的详尽评估（根据需要权衡性能和安全性的竞争目标），ESTA增量地构建问题的帕累托前沿，考虑优化目标和CP的近似值。这是通过大规模并行多目标搜索来执行的，在这里重点实现GPU。在探索阶段结束时，ESTA搜索运动计划的帕累托集合，以确定被证明满足CP约束的最低成本解决方案（根据渐近精确估计）。我们引入了一种新的基于粒子的CP近似方案，设计用于高效的GPU实现，它占了轨迹执行的历史依赖关系。我们提出了四旋翼规划的数值实验，其中，在~100毫秒内，通过其探索阶段的过程中，评估超过10万个部分计划，确定解决方案。结果表明，这种多目标搜索实现了较低的运动计划成本，对于相同的CP约束，相比基于安全缓冲区的搜索启发式和重复RRT试验。
2017-02-23 cs.RO
Lifelong Path Planning with Kinematic Constraints for Multi-Agent Pickup and Delivery
University of Southern California（南加州大学）
多代理拾取和交付（MAPD）问题模型的应用程序中，大量的代理出席传入拾取和交付任务的流。令牌传递（TP）算法是近年来提出的一种高效的MAPD算法。我们使用一种新的组合搜索算法，称为安全间隔路径规划与保留表（SIPPWRT），单代理路径规划TP更高效和有效的。SIPPWRT使用高级数据结构，允许在线设置中快速更新和查找所有代理的当前路径。由此产生的MAPD算法TP-SIPPWRT考虑到实际机器人的运动学约束直接在规划过程中，计算连续的代理运动与给定的速度，工作在非完整的机器人，而不是离散的代理运动与均匀的速度，是完整的形式良好的MAPD实例。我们证明了它的好处，自动化仓库使用代理模拟器和标准的机器人模拟器。例如，我们证明了它可以在几秒钟内为数百个代理和数千个任务计算路径，并且比现有的MAPD算法更高效和有效，该算法使用后处理步骤以使其路径适应具有给定速度的连续代理移动。
2018-12-15 cs.AI cs.RO
Online On-Demand Multi-Robot Coverage Path Planning
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
针对多机器人覆盖大型未知工作空间时现有同步算法计算负担重的问题，提出按需计算部分机器人路径、其余复用的在线集中式规划算法，可保证完全覆盖，效率优于现有方法，且经仿真与实机验证可行。
2024-03-07 cs.RO
Optimal Multi-Robot Path Planning on Graphs: Complete Algorithms and Effective Heuristics
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们研究了最优多机器人路径规划问题的图MPP在四个不同的最小化目标：最大完工时间（最后到达时间），最大（单机器人行驶）的距离，总到达时间，总距离。在一篇相关的论文中，我们证明了这些目标是不同的，NP-难以优化。在这项工作中，我们专注于有效的算法解决方案，解决这些最佳MPP问题。为了实现这个目标，我们首先在MPP和网络流之间建立一个一对一的解决方案映射。基于这种等价性和整数线性规划（ILP），我们设计了新的和完整的算法优化的四个目标。特别是，我们的精确算法计算最佳的最大完工时间的解决方案是第一个这样的，是能够解决极具挑战性的问题，机器人顶点比率高达100%。然后，我们进一步提高这些精确算法的计算性能，通过引入原则性算法，在一些最优性损失的代价。基于ILP模型的算法和算法的组合被证明是非常有效的，允许计算包含数百个机器人的问题的1. x最优解，密集地分布在环境中，通常只需几秒钟。
2015-07-12 cs.RO
Conflict-Based Search and Prioritized Planning for Multi-Agent Path Finding Among Movable Obstacles
Shanghai Jiao Tong University（上海交通大学）
本文针对可移动障碍物场景下多智能体路径规划（M-PAMO）这一未充分探索的难题，首次融合CBS、PP两种MAPF方法与单智能体规划器PAMO*求解，并通过多组实验验证了不同方法的优劣。
2025-09-30 cs.RO
Forward Kinematics Kernel for Improved Proxy Collision Checking
University of California San Diego（加州大学圣地亚哥分校）
核函数可以在机器人技术中用于比较机器人的不同姿态，诸如在碰撞检查、逆运动学和运动规划中。这些比较通常基于联合空间测量提供距离度量，并且每秒执行数百或数千次，连续地用于变化的环境。很少有例子存在于创建新的内核，尽管它们在机器人控制和规划的计算性能和鲁棒性的显着影响。我们引入了一个新的核函数的基础上的正运动学（FK）比较机器人操作器的配置。我们将新的FK内核集成到我们的代理碰撞检查器Fastron中，Fastron以前在碰撞检查和运动规划方面表现出显着的速度改进。与以前使用的径向基函数内核相比，使用新的FK内核，我们实现了代理碰撞检查速度的两倍加速，内存减少了8倍，并将7自由度机器人手臂的分类准确率从75%提高到95%以上。与最先进的几何碰撞检查器相比，使用FK内核，碰撞检查现在快了9倍。为了展示该方法的广泛性，我们将Fastron FK应用于OMPL中的各种运动规划器，一致显示出更快的机器人规划。
2019-10-14 cs.RO
Simultaneous Ground Reaction Force and State Estimation via Constrained Moving Horizon Estimation
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对腿足机器人 GRF 与浮动基座状态受噪声和动力学耦合影响的问题，提出带接触互补约束的去中心化 MHE 凸优化融合框架，并在三款机器人上以 200Hz 实现准确估计。
2025-03-17 cs.RO
OCEAN: An Openspace Collision-free Trajectory Planner for Autonomous Parking Based on ADMM
Mach Drive, LLC（马赫驱动有限责任公司）；Hong Kong University of Science and Technology（香港科技大学）
本研究提出基于ADMM的自主泊车开放空间无碰撞轨迹规划器OCEAN，通过热启动、凸对偶重构与并行求解提升效率鲁棒性，经仿真与实场测试验证性能优于现有基准。
2024-03-08 cs.RO
VaPr: Variable-Precision Tensors to Accelerate Robot Motion Planning
NVIDIA Corporation（英伟达公司）；Harvard University（哈佛大学）
针对高维运动生成中内存瓶颈问题，提出可变精度张量搜索优化方法，在约400万组合中确定最优精度，实验表明4位FP格式足够，并在Jetson Orin和RTX2080 Ti上分别获得6.3%和9.9%以上的加速。
2023-10-11 cs.RO
PredictionNet: Real-Time Joint Probabilistic Traffic Prediction for Planning, Control, and Simulation
NVIDIA（英伟达）
预测交通人员的未来运动对于安全高效的自动驾驶至关重要。为此，我们提出了PredictionNet，这是一个深度神经网络（DNN），可以预测所有周围交通代理的运动以及自我车辆的运动。所有的预测都是概率性的，并以一个简单的自上而下的光栅化表示，允许任意数量的代理。在具有车道信息的多层地图上，网络输出未来的位置，速度和回溯向量，联合用于包括自我车辆在内的所有代理。然后从输出中提取轨迹。该网络可用于模拟真实的流量，并在流行的基准测试中产生有竞争力的结果。更重要的是，通过将其与运动规划/控制子系统相结合，它已被成功地用于控制数百公里的真实车辆。该网络在嵌入式GPU上的运行速度快于实时的【形】，并且由于输入表示的选择，该系统显示出良好的泛化能力（跨感觉模态和位置）。此外，我们证明了通过使用强化学习（RL）扩展DNN，它可以更好地处理罕见或不安全的事件，如攻击性机动和碰撞。
2022-05-19 cs.LG cs.RO
Path Planning and Navigation Inside Off-World Lava Tubes and Caves
University of Arizona（亚利桑那大学）；Arizona State University（亚利桑那州立大学）
月球和火星的详细表面图像揭示了数百个洞穴状的开口。这些洞穴状的开口理论上是熔岩管的残余，其内部可能处于原始状态。这些地点可能保存了月球和火星的地质记录，包括过去水流和可居住性的证据。使用轮式探测器探索这些洞穴仍然是一个艰巨的挑战。这些洞穴很可能有入口，天花板塌陷，就像亚利桑那州和新墨西哥州的熔岩管一样。因此，即使是有经验的人类徒步旅行者也几乎不可能穿越入口。我们的方法是利用SphereX机器人，这是一个3公斤，30厘米直径的机器人，带有计算机硬件和连接到火箭推进器的智能手机传感器。每个SphereX机器人都可以在低重力、无空气或低压环境中跳跃、滚动或短距离飞行。可能会部署几个SphereX机器人，以最大限度地减少单点故障，并利用合作行为穿越洞穴。在这些洞穴环境中，导航和路径规划面临一些重要挑战。定位系统，如全球定位系统是不可用的，也不容易安装，由于从岩石的信号阻塞。这些洞穴太暗，太大，传统的传感器，如相机和微型激光传感器，执行详细的测绘和导航。在本文中，我们确定了新的技术来映射这些洞穴进行本地化，合作映射和导航。
2018-03-07 cs.RO
Collaborative Object Transportation in Space via Impact Interactions
School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）；KTH Royal Institute of Technology（皇家理工学院）
提出一种基于碰撞交互的空间机器人协作运输规划与控制方法，利用STL规范和模型预测控制实现微重力环境下的物体运输，并通过仿真和实验验证其有效性。
2025-04-25 cs.RO
Safer Motion Planning of Steerable Needles via a Shaft-to-Tissue Force Model
University of Utah（犹他大学）；University of Tennessee（田纳西大学）；Huntsman Cancer Institute（亨茨曼癌症研究所）；Technion - Israel Institute of Technology（以色列理工学院）
可控针能够准确定位体内难以到达的临床部位。通过在敏感的解剖结构周围弯曲，可操纵针具有减少许多医疗程序的侵入性的潜力。然而，插入这些具有弯曲轨迹的针增加了组织损伤的风险，这是由于通过针的杆施加在周围组织上的垂直力，可能导致横向剪切穿过组织。这种力会对周围组织造成严重损伤，对患者的治疗效果产生负面影响。在这项工作中，我们推导出一个组织和针力模型的基础上Cosserat字符串制定，它描述了正常的力量和摩擦力沿轴作为一个功能的计划针路径，摩擦模型和参数，和尖端穿刺力。我们提出了这种新的力模型和相关的成本函数，作为比目前用于可控针运动规划的更安全和更临床相关的度量。我们通过凝胶体模中的物理针机器人实验来拟合和验证我们的模型。我们使用这个力模型来定义一个瓶颈成本函数的运动规划和评估它对常用的路径长度成本函数在数百个随机生成的3-D环境。使用我们的基于力的成本生成的计划显示，与使用规划中的路径长度成本相比，峰值建模组织力降低62%，平均长度仅增加0.07%。此外，我们证明了我们的力为基础的成本函数在肺肿瘤活检的情况下，从分段的计算机断层扫描（CT）扫描计划运动的能力。通过规划针的运动，旨在明确地最小化建模的针-组织力，我们的方法规划针路径，可以降低显著组织损伤的风险，同时仍然到达体内的期望目标。
2022-11-29 cs.RO
Sequential Manipulation Planning for Over-actuated Unmanned Aerial Manipulators
Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）；Peking University（北京大学）；Tsinghua University（清华大学）
本文针对无人机机械臂的序列操作规划问题，提出基于虚拟运动链的统一运动学与动力学规划方法，并在仿真与实验中首次展示过驱动UAM的多种序列操作能力。
2023-07-11 cs.RO cs.SY eess.SY
Learning Asynchronous Upper-body Task-space Trajectory Tracking Policy for Humanoid Robots
Zhejiang University（浙江大学）
针对规划与执行间的异步问题，提出异步上肢任务空间跟踪框架，通过教师-学生蒸馏初始化策略，结合滑动窗口全局奖励减少帧漂移，并利用MPC模块和自引导约束实现稀疏参考跟踪，仿真与硬件实验验证了低更新率下的优越性能。
2026-10-19 cs.RO
Think Fast, Plan Selectively: Adaptive Deliberation for Efficient Data-Driven MPC
本文提出Fast-TD-MPC，一个自适应路由框架，在快速策略执行与测试时规划间权衡，在103个连续控制任务中保持竞争力，推理加速约4倍，并在扰动下保持鲁棒性。
2026-11-09 cs.LG cs.RO
Adaptive Time Step Flow Matching for Autonomous Driving Motion Planning
HRI；Honda Research Institute（本田研究院）；Northeastern University（东北大学）；Princeton University（普林斯顿大学）；University of Maryland（马里兰大学）；Stanford University（斯坦福大学）
本文提出了一种基于条件流匹配的自适应时间步长框架，用于实时自动驾驶轨迹规划，通过在线调整推理步骤数和轨迹后处理提升性能。
2026-02-14 cs.RO
Planning and Execution of Dynamic Whole-Body Locomotion for a Hydraulic Quadruped on Challenging Terrain
Istituto Italiano di Tecnologia（意大利理工学院）；ETH Zurich（苏黎世联邦理工学院）
我们提出了一个框架，动态四足运动在具有挑战性的地形，选择适当的立足点是至关重要的行为的成功。我们建立了一个模型的环境在线和船上使用一个有效的占用网格表示。我们使用Any-time-Repairing A*（ARA*）来搜索可能的动作树，选择一个粗略的身体路径，并相应地选择局部最佳立足点。我们使用动态稳定性指标零力矩点（ZMP）对身体轨迹进行n步前瞻优化，该指标可生成自然的动态全身运动。浮基逆动力学和虚拟模型控制的组合在主动顺应系统上精确地执行期望的运动。实验测试表明，这个框架使我们能够以近6倍于我们以前工作的速度遍历地形，在同一组试验中进行评估。
2019-04-07 cs.RO
Planning in 8 Tokens: A Compact Discrete Tokenizer for Latent World Model
KAIST（韩国科学技术院）；POSTECH（POSTECH大学）；RLWRLD
本文提出CompACT，一种将观测压缩为8个标记的离散标记器，显著降低计算成本并提升规划效率，为潜在世界模型的实际应用提供可行方案。
2026-03-05 cs.AI cs.CV 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
TASKOGRAPHY: Evaluating robot task planning over large 3D scene graphs
University of Toronto（多伦多大学）；Université de Montréal（蒙特利尔大学）；Microsoft（微软）；Facebook AI Research（脸书人工智能研究院）；Vector Institute（向量研究所）
3D场景图（3DSG）是一种新兴的描述，统一了符号，拓扑和度量场景表示。然而，典型的3DSG包含数百个对象和符号，即使对于小环境也是如此;在整个图上进行任务规划是不切实际的。我们构建了TASKOGRAPHY，这是第一个超过3DSGs的大规模机器人任务规划基准。虽然这一领域的大多数基准测试工作都集中在基于视觉的规划上，但我们系统地研究了符号规划，将规划性能与视觉表示学习分离。我们观察到，在现有的方法中，无论是经典的还是基于学习的规划者都不能实时规划整个3DSG。实现实时规划需要在以下两个方面取得进展：（a）稀疏化3DSG以进行易于处理的规划;（b）设计更好地利用3DSG层次结构的规划器。为了实现前一个目标，我们提出了SCRUB，一种任务条件下的3DSG稀疏化方法;使经典规划者能够匹配，并在某些情况下超越最先进的基于学习的规划者。对于后一个目标，我们提出了SEEK，一个程序，使学习为基础的规划人员利用3DSG结构，减少了数量级的重新规划查询所需的最佳方法。我们将开源所有代码和基线，以促进机器人任务规划、学习和3DSGs交叉点的进一步研究。
2022-07-11 cs.AI cs.LG cs.RO
Graph-Based Multi-Robot Path Finding and Planning
Simon Fraser University（西蒙弗雷泽大学）
回顾的目的规划多机器人的无碰撞路径对于现实世界的多机器人系统是很重要的，并且已经被研究为图上的优化问题，称为多智能体路径查找（MAPF）。本文综述了不同类别的经典和最先进的MAPF算法和不同的研究尝试，以解决将MAPF技术推广到现实世界的情况下的挑战。最佳解决MAPF问题在计算上具有挑战性。最近的进展导致了MAPF算法，它可以在几秒钟的运行时间内为数百个机器人和数千个导航任务计算无碰撞路径。MAPF的许多变体已经被形式化以使MAPF技术适应不同的现实要求，例如考虑机器人运动学、实时系统的在线优化以及任务分配和路径规划的集成。MAPF问题的数学技术已经解决了几个多机器人应用的重要方面，包括自动化仓库履行和分拣，自动化训练调度，以及非完整机器人和四轴飞行器的导航。这展示了它们在大规模多机器人系统的实际应用中的潜力。
2022-06-22 cs.AI cs.MA cs.RO
MR. POP: Multi-Robot Parallel Optimizing Planner for Almost-Surely Asymptotically Optimal Planning
Columbia College, Columbia University（哥伦比亚大学哥伦比亚学院）；Department of Computer Science, Dartmouth College（达特茅斯学院计算机科学系）；Department of Computer Science, Purdue University（普渡大学计算机科学系）
提出MR. POP，一种基于GPU并行和dRRT的a.s.a.o.多机器人规划器，实现100%求解率且速度优于现有方法，并提升下游优化器成功率。
2026-09-28 cs.RO
