动作规划网络：弥合基于学习和经典动作规划器之间的差距

Jul, 2019

动作规划网络：弥合基于学习和经典动作规划器之间的差距

Motion Planning Networks: Bridging the Gap Between Learning-based and Classical Motion Planners

Ahmed H. Qureshi, Yinglong Miao, Anthony Simeonov, Michael C. Yip

TL;DR本文介绍了 Motion Planning Networks (MPNet)，这是一种计算效率高、基于学习的神经规划器，用于解决运动规划问题。 MPNet 使用神经网络学习通用的近似最优启发式路径规划，在已知和未知环境中生成可连接路径，并结合传统的采样规划器，形成了一种混合方法。为了培训 MPNet 模型，我们提出了一种主动的连续学习方法，使 MPNet 能够从流媒体数据中学习，并在需要时主动要求专家演示，大大减少了培训数据。在各种 2D 到 7D 机器人配置空间的问题中，我们进行了性能评估，并验证了 MPNet 的鲁棒性。

Abstract

This paper describes motion planning networks (MPNet), a computationally efficient, learning-based neural planner for solving motion planning problems. MPNet uses neural networks to learn general near-optimal heu

motion planning networks neural networks path planning computational efficiency continual learning

发现论文，激发创造

运动规划网络

Motion Planning Networks (MPNet) is a novel neural network-based algorithm that efficiently generates collision-free paths for robotics applications in various environments, and consistently remains computationally efficient in all presented experiments.

Jun, 2018

运动策略网络

该研究提出了一种名为 M$\pi$Nets 的端到端神经模型，用于从单个深度摄像头观察中生成碰撞自由、平稳的运动，经过在超过 500,000 个环境中进行的超过 3 百万次运动规划实验的训练，证明 M$\pi$Nets 比以前的神经规划器快 46％，比本地控制策略更具鲁棒性，并具有应对动态场景所需的反应性。

Oct, 2022

PPNet: 一种用于端到端近似最优路径规划的新型神经网络结构

路径规划研究中，由于对初始解敏感且收敛速度较慢，我们提出了一种分为路径空间划分和路径空间中的路点生成的两级级联神经网络，名为 PPNet，用于解决此问题。此外，我们提出了一种名为 EDaGe-PP 的有效数据生成方法，实验结果表明，与其他方法相比，由 EDaGe-PP 产生的数据集训练的 PPNet 的计算时间少于 1/33，成功率提高了约 2 倍。与最先进的路径规划方法相比，我们验证了 PPNet 的性能，结果表明 PPNet 可以在 15.3 毫秒内找到接近最优解，远远快于最先进的路径规划器。

Jan, 2024

在具有挑战性的环境中，将神经网络和树搜索结合用于任务和动作规划

利用深度神经网络和强化学习技术，结合蒙特卡罗方法和分层控制策略，解决了复杂动态环境下行车规划的问题，提出了一种用于道路自动驾驶的方案。该方案使用 LTL 约束条件和控制策略，训练神经网络，在规避交通事故、遵守交通规则的前提下，行驶到指定的终点。

Mar, 2017

利用强化学习进行神经运动规划

本研究通过比较监督式学习与强化学习算法，提出了一个适用于动作规划领域的 DDPG-MP 算法，该算法有助于解决运动规划中数据不足的问题，并在新领域的规划中实现了较快速度。

Jun, 2019

物理知识引导的神经运动规划的渐进式学习

提出了一种新的 Eikonal 方程组合方式和逐步学习策略，用于在复杂、杂乱、多高维机器人运动规划情境中训练神经网络。实现结果表明，该方法在计算规划速度、路径质量和成功率方面均显著优于最先进的传统 MP、数据驱动 NMP 和物理信息 NMP 方法，并且可缩放到多个复杂、杂乱情境以及狭窄通道的实际机器人执行情境。

Jun, 2023

自适应世界模型的自动驾驶规划

模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果，将测试误差从 6.4％降低到 4.6％，即使应用于以前未见的城市。

Jun, 2024

端到端可解释的神经运动规划器

本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

Jan, 2021

使用深度神经网络在约束流形上进行快速运动规划

本文介绍了一种新颖的学习规划框架，探讨了通过利用约束流形和神经规划方法来生成满足任意一组约束的规划，并以短常数时间计算它们的方法。

Jan, 2023

Intention-Net: 集成规划和深度学习的目标导向自主导航

该论文介绍了一种基于分层方法的导航系统，该系统采用无模型深度学习和基于模型的路径规划来帮助机器人在新环境下到达目标地点，通过预训练的意图网络来进行本地导航和与路径规划器的融合，实现在新环境和目标中的有效泛化。

Oct, 2017