AORRTC：几乎必然渐近最优的RRT-Connect规划算法
机器人学
2025-12-29 v4
摘要
快速找到高质量解是运动规划中的重要目标，尤其对于高自由度机器人而言。满足型规划器传统上能快速找到可行解，但无法保证最优性；几乎必然渐近最优（a.s.a.o.）规划器则能对收敛至最优解提供概率性保证，但计算成本更高。本文使用AO-x元算法将满足型RRT-Connect规划器扩展为最优规划器。得到的渐近最优RRT-Connect（AORRTC）在初始解的寻找速度上与RRT-Connect相当，并在任何额外规划时间内以即时方式收敛至最优解。AORRTC被证明具有概率完备性和几乎必然渐近最优性。我们在MotionBenchMaker数据集上测试了AORRTC，使用7自由度的Panda机械臂和8自由度的Fetch机械臂。这些实验表明，AORRTC在初始解的寻找速度上与RRT-Connect相当，且比所测试的最先进a.s.a.o.算法更快；同时，AORRTC在收敛至更好解的速度上也更快。AORRTC能够在毫秒级找到难题高DoF规划问题的解，而其他a.s.a.o.规划器可能需要数秒才能稳定找到解。该性能在有无单指令/多数据（SIMD）加速的情况下均得到证实。
引用
@article{arxiv.2505.10542,
title = {AORRTC: Almost-Surely Asymptotically Optimal Planning with RRT-Connect},
author = {Tyler Wilson and Wil Thomason and Zachary Kingston and Jonathan Gammell},
journal= {arXiv preprint arXiv:2505.10542},
year = {2025}
}
备注
IEEE Robotics and Automation Letters (RA-L). 8 pages, 4 figures, 1 table. A video of AORRTC can be found at https://www.youtube.com/watch?v=j1itxP3KuiM . Information on the implementation of AORRTC is available at https://robotic-esp.com/code/aorrtc/