以启发式采样增强 GRIPS 以规划类车机器人的可行轨迹
机器人学
2021-08-17 v1 人工智能
摘要
非完整移动机器人的运动动力学运动规划是一个缺乏通用解的难题。计算高效的解法之一是先构建几何路径，再将该路径转化为运动学可行路径。梯度引导路径平滑（GRIPS）是近来提出的一种用于此类转化的方法。GRIPS 迭代地变形路径并增删路径点，同时尝试通过所提供的遵循运动学约束的转向函数连接每对相邻路径点。该算法相对较快，但遗憾的是不提供任何成功保证。在实践中，它常未能为具有大转弯半径的类车机器人生成可行轨迹。在本工作中，我们引入一系列旨在提高 GRIPS 对类车机器人成功率的改进。主要增强是增加了一个沿几何路径瓶颈部分（如急转弯）启发式采样路径点的步骤。实验评估的结果清晰表明，所提算法的成功率较原始 GRIPS 最高高出 40% 并达到 90% 的门槛，同时其运行时间更短。
引用
@article{arxiv.2108.06789,
title = {Augmenting GRIPS with Heuristic Sampling for Planning Feasible Trajectories of a Car-Like Robot},
author = {Brian Angulo and Konstantin Yakovlev and Ivan Radionov},
journal= {arXiv preprint arXiv:2108.06789},
year = {2021}
}
备注
6 pages, 6 figures