arXiv最新發表的一篇研究論文（編號2607.02884）由Rayan Mazouz及其三位合作者共同撰寫，針對連續時間隨機系統下的運動規劃問題提出了一種創新方法。該方法能夠同時處理過程噪聲和測量不確定性，並在此基礎上提供關於安全性和效能的機率性保證。傳統取樣運動規劃通常基於離散時間步長進行節點級安全檢查，但這會忽略連續軌跡中相鄰取樣點之間的潛在不安全行為。例如，機器人在兩個離散時刻之間可能穿越危險區域，而節點級檢測無法捕捉到這種違規。為克服這一根本性侷限，研究團隊開發了連續時間高斯信念樹框架。
在該框架中，機器人的動力學被建模為一個連續時間線性隨機微分方程，而感測器測量僅在離散時間點獲得。為了融合這兩種時間特性，他們推導了一種離線混合信念傳播模型：在兩次測量之間，機器人的信念（即狀態的機率分佈）透過連續時間常微分方程演化；而在測量時刻，則透過離散卡爾曼濾波更新實現跳躍變化。這種混合模型能夠精確描述系統連續動態與離散觀測的互動作用。
安全性驗證是該框架的核心創新之一。論文引入了基於信念障礙函式的安全檢測器，用於對連續軌跡段進行機率驗證。與傳統的節點級檢查不同，該檢測器能夠評估整段連續軌跡上的機會約束違規情況，從而發現那些因取樣間不安全行為而被遺漏的風險。結合混合信念傳播和分段安全驗證，該方法為取樣信念規劃提供了從連續時間不確定性傳播到連續時間安全要求的完整且原則性的解決方案。
研究者將所提出的方法整合到了快速隨機擴充套件樹（RRT）和穩定稀疏樹（SST）兩種主流規劃器中，並在多個基準環境中進行了廣泛評估。實驗結果表明，該方法在不同場景下均實現了高成功率和魯棒的機會約束滿足。特別是在窄通道等具有挑戰性的任務中，離散時間方法因無法檢測取樣間的不安全行為而頻繁失敗，而新方法依然能夠成功規劃出安全軌跡。該工作為不確定性條件下的機器人運動規劃提供了堅實的理論基礎和實用的演算法框架。