多智能体 RRT*: 基于采样的合作路径规划(扩展摘要)
本文介绍了一种新型的算法 —— 快速探索随机图(RRG)及其树形版本 RRT $ ^ * $ 算法,并证明这两个算法都可以在几乎确定地收敛到最优解。此外,文章还建立起采样运动规划算法和随机几何图理论之间的新联系,以证明所提出算法的复杂度与传统 RRT 算法相比是等价的。
May, 2010
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
本文介绍一种有效的路径规划方法 Informed RRT*,通过直接采样路径长度的子集来提高搜索的效率,达到更高的收敛速度和更好的最终解决方案质量。
Apr, 2014
本文介绍了一种新的算法 PRM * 和 RRT*,证明了它们是渐近最优的,并且在样本数增加的情况下,它们的解决方案成本几乎肯定收敛于最优值。这些算法的计算复杂度与传统的,但不是渐近最优的算法相当。
May, 2011
本文使用蒙特卡罗树搜索和核回归,基于马尔可夫决策过程和风险度量,采用震荡信念状态方法,分析自动驾驶车辆与人类交通合作的不确定性。结果表明,在不确定的环境下,整合风险度量在最终选择策略中始终优于基线,可以生成较为安全的车辆轨迹。
Mar, 2022
在本文中,我们考虑了连续空间下的多机器人路径规划(Multi-Robot Path Planning,MRPP)问题,以找到无冲突的路径。为此,我们提出了一个两级方法,其中低级是一个基于采样的规划器 Safe Interval RRT*(SI-RRT*),用于找到单个机器人的无碰撞轨迹。高级方法可以使用任何能够解决机器人间冲突的方法,我们采用了两种代表性方法,即优先级规划(SI-CPP)和基于冲突搜索(SI-CCBS)。实验结果表明,SI-RRT * 能够快速找到高质量解,且样本数量较少。SI-CPP 在可扩展性方面表现较好,而 SI-CCBS 相对于现有的连续空间规划器而言,能够产生更高质量的解。与最具可扩展性的现有算法相比,SI-CPP 在保持解质量的同时,成功率提高了多达 94%,并且不会造成显著妥协。SI-CPP 还能够将完成时间缩短 45%。SI-CCBS 相对于竞争对手,将完成时间减少了 9%,尽管成功率降低了 14%。
Apr, 2024
提出了一种结合启发式搜索、经验法则和多智能体强化学习的路径规划方法 MAPPOHR,将启发式搜索用于生成全局路径,用经验法则和奖励函数激励实时规划器,用多智能体强化学习算法实现实时规划,实验证明该方法比传统学习和启发式方法的规划性能更好且学习效率更高。
Jun, 2023
本论文提出了一种基于顶点网络的路径规划方法,该方法利用关键顶点来优化 RRT * 采样过程,提高了路径规划效率,实验结果表明相比基准模型提高了 400% 以上。
Jul, 2023
通过混合多智能体路径规划和无信号交叉口有序安排算法,本研究提出了一种性能显著优于现有算法、固定启发式以及基于 ARR 实施的优先规划的优化和完整算法 (OBS-KATS),并在不同车辆到达率、车道长度、交叉速度和控制范围下保持性能,具有直接适用于类似规模的交通和多机器人场景的特点。
Feb, 2024
通过基于 lidar 的多智能体探测,结合自适应和协作式规划,对子图合并的鲁棒性和探测效率进行智能平衡,提高了环境探测效率 50% 以上。
Sep, 2022