Apr, 2014

基于信息的 RRT*：通过合法椭球启发式直接采样聚焦于最优采样路径规划

PDF
TL;DR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。
rapidly-exploring random treesoptimal rrtsinformed rrt*path-planningconvergence rate
发现论文，激发创造
  • 基于逐步采样的最优运动规划算法

    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

  • 基于采样的最优路径规划算法

    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

  • 多智能体 RRT*: 基于采样的合作路径规划（扩展摘要）

    提出了基于 MA-RRT * 算法的多智能体路径规划问题解决方案，该算法在解决真实世界中大型但稀疏环境的多飞机防撞等任务时性能很好，能够有效利用采样机制，比以往的正向搜索方法更具可扩展性。

    Feb, 2013

  • 批量通知树（BIT *）：通过启发式引导搜索隐式随机几何图的采样最优规划

    本文提出一种基于图形和采样基规划技术的易于操作的 Batch Informed Trees（BIT*）规划算法，展示了 BIT * 在模拟的随机环境和 CMU HERB 机器人的操作问题上的实用性，并证明了其概率上完备和渐近最优。

    May, 2014

  • 确定性采样式运动规划：最优性，复杂度，和性能

    该研究论文探究了将确定性的低离散度采样序列应用于机器人运动规划中的概率采样算法，并证明了其渐近最优性，并通过数值实验验证了其在路径成本和成功率方面表现出更高的性能。

    Apr, 2015

  • 可扩展渐进最优多机器人运动规划

    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

  • 基于顶点的网络加速路径规划算法

    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

  • 学习运动规划的隐式采样分布

    本论文提出了一种基于政策搜索的方法，通过利用类似环境中过去搜索的信息生成更好的分布来适应不同环境。该方法可与各种基于采样的计划程序结合使用，以提高性能，验证结果表明该方法在包括 7 自由度机械臂在内的多项任务中取得了显著改进，尤其在碰撞检查和扩展节点数量方面。

    Jun, 2018

  • 从前像样本中学习启发式函数以进行古典规划

    本文提出了一种基于回归的监督学习算法 (RSL)，用于学习每个实例的神经网络定义的启发式函数，以解决经典计划问题，并证明了它在覆盖率和训练时间方面优于以前的计划启发式功能。

    Jul, 2022

  • 机器人动作规划的学习式关键概率路图

    该研究提出了一种通过图论技术和本地环境特征来识别关键状态的方法，并通过分层图中的全局连接有效利用这些关键状态来提高采样规划效率的 “Critical Probabilistic Roadmaps” 的算法，达到比均匀采样高三个数量级的效率提升。

    Oct, 2019