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
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
PRM-RL 是一种利用采样路径规划结合强化学习实现远程导航的分层方法,其中 RL 代理通过学习短距离点到点导航策略,采用面向特征和深度神经网络及 PRMs 进行构建,并通过采样计划器提供的规划路径实现机器人的控制。PRM-RL 的应用结果表明,在室内和城市环境下,比起单独使用 RL 代理或传统的采样路径规划方法,PRM-RL 实现了任务完成度的显著提升,在噪声传感器条件下成功完成长达 215 米的轨迹,且实现了对 1,000 米长的空中货运的无违约任务达成。
Oct, 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
PRM-RL 是一种层次机器人导航方法,其中用强化学习智能体学习解决短程避障任务,随后基于 PRM 建立可靠的仿真环境,最后在实际机器人上通过自动学习技术进行长距离室内导航,并且实验结果表明 PRM-RL 比其他基线算法更为成功并且具有鲁棒性。
Feb, 2019
随机抽样、机器人运动规划、引导空间、信息论方法、混合算法
Apr, 2024
本文采用新的 Branch-and-Cut 算法来修订传统的 Lazy Probabilistic Roadmaps 算法,通过在 PRM 选择的几何图上动态生成约束来阻止无法满足运动学约束的路径,评估了我们的方法在最近提出的 BARN 基准测试上的可伸缩性。
Sep, 2022
本文提出了一种适用于不确定环境下动态机器人避障的实时在线运动规划算法,通过将概率安全约束转化为风险轮廓的确定性约束,使用总和平方(SOS)编程验证管道的安全性,可保证系统状态与障碍碰撞的概率有限,该算法适用于多种长期任务。
Mar, 2023