该论文综述了目前与规划、调度和学习相关的最新研究，介绍了规划算法、神经网络、图神经网络、强化学习算法、基于神经网络的路径规划的成功方法，以及带不确定性的时间规划问题。

Jul, 2022

使用神经网络表示寻径问题并将路径的成本值转化为神经元的连接权重，结合网络学习机制，在线自适应更新权重以解决具有不同要求的任务。该算法复杂度与 Bellman Ford 算法相同，可用于寻找最优路径和路径增强。

Jan, 2022

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

本文提出了一种新颖的神经元 A * 算法，它是一种基于数据的搜索路径规划方法，通过将搜索算法经过改进后与卷积编码器相耦合，可以形成一个端到端训练的神经网络规划器。通过提供专家提供正确路径，通过学习与地面实况路径匹配，神经元 A * 可以精确高效地产生与实际路径一致的路径。实验证明，与最先进的基于数据驱动的规划器相比，神经元 A * 在搜索效率与最优性之间的权衡方面表现更好。此外，神经元 A * 成功地在自然图像输入上执行了基于搜索的人类运动预测。

Sep, 2020

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。

Jul, 2019

论文介绍了一种通过演示学习路径规划的方法，运用了全卷积神经网络来学习专家路径演示的地图，并使用 RRT* 算法来优化路径预测，本方法已在真实路径中进行试验并与逆强化学习算法进行了对比。

Mar, 2018

本文受大脑神经元连接和信息路由的启发，提出了一个计算框架，用于在图形结构中寻找源节点和目的节点之间的最佳路径，同时还能处理未知图形和找到替代的最佳路径。

Jun, 2022

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

该论文提出了一种名为 OracleNet 的基于神经网络的运动规划方法，通过使用递归神经网络来决定端到端轨迹，以更紧凑的方式隐含地生成最优运动方案，实现了简单高效的运动规划。

Apr, 2019

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