快速高质量运动规划的渐近近最优RRT

我们提出Lower Bound Tree-RRT (LBT-RRT)，一种渐近近最优的单查询采样算法。即，从LBT-RRT提取的解收敛到最优解近似因子$1+\epsilon$内的解。我们的算法允许在快速RRT算法和渐近最优的RRT*与RRG算法之间连续插值。当近似因子为1（即不允许近似）时，LBT-RRT行为类似RRG；当近似因子无界时，LBT-RRT行为类似RRT。介于两者之间时，LBT-RRT产生的路径质量高于RRT，运行速度快于RRT*。这是通过维护一个RRG路标图的子图树和一个辅助图（称为下界图）实现的。这两个路标图的组合比RRT*维护的路标图更快，有效保证了渐近近最优性。我们建议将LBT-RRT用于高质量、任意时刻运动规划。我们展示了算法在3到12自由度场景中的性能，并表明即使对于小近似因子，算法也能产生高质量解（与RRG和RRT*相当），且运行时间开销相比RRT很小。