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

基于变分高斯过程的机器人运动规划算法，通过统一和概括各种基于概率推断的运动规划算法，平衡了路径的成功率和质量，并且提供了不确定性估计。

Sep, 2023

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

学习轨迹分布的先验信息可以帮助加速机器人运动规划优化，本工作提出了学习扩散模型作为先验信息的方法，并通过扩散模型的逆去噪过程在任务目标条件下直接从后验轨迹分布中进行采样，实验证明扩散模型是编码高维机器人运动轨迹分布的强先验。

Aug, 2023

通过学习方式自适应高斯过程运动规划算法参数的有效性研究

Jul, 2019

本文提出了使用机器学习的启发式搜索方法来实现城市道路自动驾驶的优化路径规划，以解决动态障碍物对路线规划的影响问题。

May, 2018

本文提出了一种快速、稳健的运动规划框架，通过几种特征实现了在城市条件下实现自动驾驶，其中包括了路径规划和基于 A * 算法的最优轨迹计算，并考虑了各种不同的约束条件和时间跨度进行了验证。

Mar, 2018

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

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

使用有限时间约束生成算法，将基于神经网络的观察到学习和规划过程中的潜在奖励函数上界计算建立为二层规划问题，并通过提前计算奖励潜力来强化混合整数线性规划模型的线性松弛度，以在长期视野下有效计算奖励潜力。

Apr, 2019