APT*：基于自适应扁长椭圆 R 近邻的渐近最优运动规划
机器人学
2025-08-28 v1
摘要
最优路径规划旨在确定从起点到目标的一系列状态，同时考虑规划目标。流行的方法通常整合固定的批量大小并忽略障碍物信息，这不具备问题特异性。本研究引入了自适应扁长树（Adaptively Prolated Trees, APT*），这是一种基于采样的新型运动规划器，它在力方向知情树（Force Direction Informed Trees, FDIT*）的基础上进行扩展，集成了自适应批大小和椭圆 近邻模块，以根据环境反馈动态调节路径搜索过程。APT* 根据知情集的超体积调整批量大小，并将顶点视为遵循库仑定律的电荷，通过邻居样本定义虚拟力，从而改进扁长最近邻选择。这些模块采用非线性扁长方法自适应地调整顶点的电荷以定义力，从而以更低的求解成本提高收敛速度。比较分析表明，APT* 在 到 维度中优于现有的单查询基于采样的规划器，并通过真实世界的机器人操作任务进行了进一步验证。展示我们实验结果的视频可在以下网址获取：https://youtu.be/gCcUr8LiEw4
引用
@article{arxiv.2508.19790,
title = {APT*: Asymptotically Optimal Motion Planning via Adaptively Prolated Elliptical R-Nearest Neighbors},
author = {Liding Zhang and Sicheng Wang and Kuanqi Cai and Zhenshan Bing and Fan Wu and Chaoqun Wang and Sami Haddadin and Alois Knoll},
journal= {arXiv preprint arXiv:2508.19790},
year = {2025}
}