本文提出了一種基於風險感知模型預測路徑積分控制(MPPI)的隨機混合系統運動規劃方法,透過結合非自我主體的混合動力學模型和基於Unscented Transform的狀態預測方法,實現更安全、高效的機器人導航。
本文提出了一種基於採樣的運動規劃方法,透過引入新的邊緣成本度量和曲線規劃空間,以增強機器人在長距離路徑跟踪過程中避開障礙物的能力。
本文提出了一種名為平行高斯變分推斷運動規劃(P-GVIMP)的新方法,利用圖形處理單元(GPU)的平行計算能力,加速了高斯變分推斷(GVI)在不確定性下運動規劃中的應用,有效提高了計算效率。
本文提出了一種名為規劃神經算子 (PNO) 的新型神經網絡架構,用於學習求解與運動規劃問題相關的Eikonal 偏微分方程 (PDE) 的解算子,從而實現可泛化運動規劃。
本文提出了一種名為 PC-Planner 的新型物理約束自監督學習框架,用於在複雜環境中進行機器人運動規劃。該框架引入了單調性和最優性約束來解決傳統基於 Eikonal 方程的規劃方法中的局部最小值問題,並提出了一種新穎的形狀感知距離函數 (SADF) 來有效地進行碰撞檢查和生成訓練數據。實驗證明,PC-Planner 在成功率、效率和對不同機器人和環境的魯棒性方面優於現有方法。
本文提出了一種基於自動機矩陣運算元的運動規劃方法,利用梯度優化技術,高效地將符號自動機編碼為量化目標函數,解決了基於魯棒性優化和基於自動機方法在處理長期時序任務時面臨的挑戰。
本文提出了一種名為 INSATxGCS (IxG) 的新型運動規劃算法,它結合了圖搜索和軌跡優化的優點,能夠在由凸集構成的圖形上高效地規劃機器人的運動軌跡。
本文提出了一種名為 C-CLF-CBF-RRT 的新型運動規劃算法,該算法結合了快速探索隨機樹 (RRT)、控制李雅普諾夫函數 (CLF) 和控制障礙函數 (CBF) 的優點,以生成可由安全且動態可行的控制器執行的無碰撞路徑。
基於訊息傳遞蒙地卡羅演算法 (MPMC) 可以生成低差異點集,進而提升基於採樣的運動規劃效率,尤其是在高維度空間中。