Apr, 2024

引导式运动规划框架

PDF
TL;DR随机抽样、机器人运动规划、引导空间、信息论方法、混合算法
randomized samplingrobot motion planningguiding spaceinformation theoretic methodhybrid algorithms
发现论文，激发创造
  • 评估引导空间用于运动规划

    本文提出了运动规划指导空间的概念，并使用信息理论方法评估引导式规划，为多种机器人动作规划算法的研究提供了新的应用框架。

    Oct, 2022

  • 高斯过程运动规划的统一变分框架

    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

  • 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

  • 机器人运动规划中的采样分布学习

    提出了一种基于条件变分自编码器的方法，通过学习演示数据中的采样分布，使用非均匀采样来加速规划过程并显著提高成功率和最优成本收敛速度，同时保持了采样策略理论保证的特性。

    Sep, 2017

  • 基于搜索算法的自动驾驶优化运动规划

    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

  • 几何任务与运动规划的表示、学习和规划算法

    该论文介绍了一种用于引导几何任务和运动计划（GTAMP）的学习框架，它通过引入新颖的 planner 来扩展启发式搜索与随机采样和启发式函数相结合，以解决 GTAMP 问题中的困难，并提出了两种学习算法以提高其效率。该框架在挑战性的 GTAMP 问题中进行了评估，显示它能够提高计划的效率和数据效率。

    Mar, 2022

  • 基于无监督学习的目标领域非赏值驱动探索

    本研究提出使用深度表示学习算法学习目标空间的方法，通过此方法可以发现探索算法，与工程化表示法相比性能表现相匹配。

    Mar, 2018

  • 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

  • 面向敏捷自主机器人在未知环境中的导航与恢复的基于 GP 的鲁棒运动规划框架

    提出了一种基于高斯过程（GP）的模型，用于主动检测未来运动规划失败的风险，并在风险超过阈值时触发恢复行为来从事实现目标的安全状态。该方法仅在仿真环境中进行训练，并可以泛化到不同机器人平台的实际环境中。仿真和物理实验证明了该框架既能预测规划器的失败，又能将机器人恢复到可能成功规划的状态，并以敏捷的运动方式进行操作。

    Feb, 2024

  • 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