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

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

通过训练图神经网络（GNN），我们提出了新的基于学习的方法来减少碰撞检查的计算量，加速采样空间中的路径规划，并通过随机几何图形（RGGs）和路径探索组件预测无碰撞的边来优化路径探索。

Oct, 2022

本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案，将自动驾驶车辆的预测和规划层紧密耦合，能够有效生成交互行为。

Apr, 2022

使用神经潜力场的模型预测控制方法在移动机器人平台上提供局部运动规划，通过神经网络模型基于机器人姿态、障碍地图和机器人足迹返回可微的避碰成本。实验证明该方法与现有的局部规划方法相当，提供的轨迹平滑性较好，并与障碍物保持安全距离，而且在 Husky UGV 移动机器人上能够实现实时和安全的局部规划。

Oct, 2023

使用特殊的神经网络，将 Social Force Model 嵌入结构，提高人类运动的预测精度和安全性，解释可行，且具有广阔的应用前景和实验支撑。

Jun, 2020

本研究提出了一种神经网络消息传递模型来模拟交通参与者之间的协作和交互，以及对行为建模的单个参与者。在两种设置下，模型都高效优于之前最先进的方法。

Mar, 2020

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

本文提出了一种高效的深度学习模型 MotionNet，通过 LiDAR 扫描的数据实现自动驾驶中的感知和运动预测，该模型基于一种新颖的时空金字塔网络，可以提取深层次的时空特征，并且通过空间和时间一致性约束进一步规范了模型的训练。实验证明，该方法的性能明显优于现有的基于场景流和 3D 目标检测的方法，有望在自动驾驶中提供备用方案和对运动规划员提供补充信息。

Mar, 2020

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