使用多目标演化算法，在保证能量使用和覆盖率平衡的同时，规划机器人的路径，实现复杂三维结构的检测。

Jan, 2019

该研究提出了基于强化学习的、连续状态和动作空间下的在线覆盖路径规划方法，用于处理未知环境的大型区域，并且结合了全局地图和局部感知输入，以及多尺度地图输入表示的观测空间构建，通过提出的全变差奖励，实现了学习路径上无漏洞被覆盖的目标。

Jun, 2023

本文章提出了一种基于 ROS 框架的混沌路径规划应用程序，该程序通过提供避障技术、混沌轨迹分散和准确覆盖计算等技术，解决了对于限制目标的自主搜索与遍历任务的三大关键问题，其性能可与传统最优路径规划器相媲美，并在多种大小、形状和障碍物密度的真实环境与 Gazebo 模拟中进行了测试。

May, 2023

我们研究基于图的多机器人覆盖路径规划 (MCPP)，旨在计算多个机器人覆盖给定 2D 网格图 $G$ 的所有顶点的路径。我们提出了一种新的算法框架 LS-MCPP，利用局部搜索直接在图 $D$ 上操作，通过扩展 STC 实现 MCPP 在任何分解图上的完全覆盖，并结合三种新颖的邻域操作符来引导搜索过程。我们的实验结果表明，LS-MCPP 在优化 makespan 方面显著优于现有算法，并且在运行时间方面具有数量级的优势，对于大规模实际覆盖任务具有重要的好处。

Dec, 2023

本文提出了一种基于多机器人系统、强化学习与分布式规划相结合的方法，用于解决多机器人覆盖路径规划问题，并成功减少环境中随机干扰物的影响和避免碰撞，实现了任务完成时间的优化。

Aug, 2022

该研究探讨了在未知环境下运用深度强化学习对覆盖路径规划问题进行建模，并与流行的吸尘机器人 Roomba 内置算法进行性能比较。

Oct, 2022

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

本文介绍了一种改进版的优先规划算法及其分散式异步版本，这两种算法可以通过外部环境传感器以及在遇到优先级冲突时进行重新规划的方法实现无碰撞的多机器人路径规划，试验证明与经典的优先规划算法相比，在多种情况下能够更快速地找到机器人阵列的联合路径。

Sep, 2014

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

本文提出了一种全面去中心化的方法，用于社交小游戏中的实时非合作多机器人导航，使用新的实时双层优化算法来规划基于优先顺序的最优轨迹，并证明了该算法的有效性。

Jun, 2023