该研究提出了一种可扩展的多机器人路径规划方法 dRRT*，利用采样基规划器在所有机器人构型空间的复合配置空间中寻找渐近最优路径，实验表明 dRRT * 可以在高维多机器人问题中收敛到高质量路径。

Jun, 2017

通过与网络流的等价性和整数线性规划，我们设计了用于解决四个不同目标的新颖和完整算法，从而解决了最佳多机器人路径规划问题。采用基于 ILP 算法模型和启发式算法的组合方法，能够在几秒钟内计算出包含数百个机器人，环境密集的问题的 1.x - 最优解。

Jul, 2015

本文提出两种机器人路径规划算法：抽象化方法和优先级计划算法，证明了前者的完备性和正确性，并演示了将它们组合起来的单一算法的实际效果。

Oct, 2011

本研究介绍了第一个算法，使得多个机器人可以选择与少数其他机器人协调，并能够在中央集权和去中心化协调之间平衡权衡，从而实现高效有效的多机器人决策制定，而不必考虑机器人的资源限制或任务复杂度。为了提供封闭形式保证，本文关注于涵盖单调和 “双重” 子模型函数的权重最大化问题，并引入了非相邻信息的集中化（COIN）的概念，以捕捉去中心化成本。

Apr, 2022

本文研究基于图的多机器人路径规划问题，提出两种多流基于整数线性规划算法，计算最小到达时间和最小总距离的解决方案，其算法性能表现得到评估，并能够适应其他 MPP 问题变体。

Apr, 2012

该研究提出一种基于超图的多机器人任务和动作规划方法，将规划空间分解为互相独立的空间子集，使得规划时间相对于已有方法加速了三个数量级，并且展现了该方法在其他多机器人任务和动作规划问题上的有效性。

Oct, 2022

我们提出了一个通用的多机器人规划机制，它将最优任务规划器和最优路径规划器相结合，以提供可扩展的解决方案来解决复杂的多机器人规划问题。

Mar, 2024

本研究提出了一种基于超图的机器学习算法，一种数据结构驱动的维护方法，以及一种基于概率应用 Dijkstra 算法的规划算法，从而形成了一个目标不可知的自动化学习代理计划引擎，该引擎结合了经典机器学习和传统人工智能的有益特性。我们证明了该算法能够在问题空间内确定最优解，在数学上限制了学习性能，并提供了一种数学模型，分析了系统状态在时间上的进展，从而得出了学习曲线、目标实现率和抽象和不确定性响应的明确预测。为了验证性能，我们展示了将代理应用于三个典型的计划问题的结果，并突出了阐明的特性的实证结论。

Oct, 2021

我们提出了 EDMP，即基于代价引导的扩散运动规划集合，旨在结合经典规划与基于深度学习的运动规划的优势，通过在多样的有效运动轨迹集合上进行训练的扩散网络，计算特定场景的代价，如 “碰撞代价”，并引导扩散生成满足场景约束条件的有效轨迹，同时使用代价集合而非单一代价函数来指导扩散过程，显著提高了成功率，并保留了与经典规划器主要相关的泛化能力。

Sep, 2023

本文提出了一种混合在线部分可观察马尔可夫决策过程规划系统，针对多模态不确定性对自主导航的影响。通过使用多查询运动规划和在线 POMDP 求解器，我们实现了更加灵活和高效的实时方法，从而更好地解决了密集人群和障碍物之间的自主导航问题，并获得了更高的安全性和效率。

Jun, 2022