COAD：用于压缩库和在线适应的连续目标操作的常数时间规划
机器人学
2026-03-16 v1
摘要
在许多机器人操作任务中，机器人反复求解主要区别在于目标对象位置及其相关障碍物位置的运动规划问题，而周围工作空间保持固定。先前的工作表明，利用经验和离线计算可以加速重复的规划查询，但缺乏覆盖连续任务空间的保证且需要存储大型解决方案库。本文提出了 COAD 框架，提供了对连续目标参数化任务空间的常数时间规划。COAD 将连续任务空间离散化为有限个任务覆盖区域。虽然会为每个区域离线规划并存储解决方案，但它仅通过求解代表性根问题来构建压缩库。其他问题通过快速从这些根解中进行适应来处理。查询时，系统以常数时间检索根运动，并通过轻量级适应模块（如线性插值、动态运动原语或简单轨迹优化）将其适应到所需目标。我们在各种操作机械臂和环境中进行了仿真和实际测试，表明 COAD 在压缩运动库方面实现了显著的压缩，同时保持高成功率和亚毫秒级查询， 在效率和路径质量方面均优于基准方法。源代码可在 https://github.com/elpis-lab/CoAd 上获得。
引用
@article{arxiv.2603.12488,
title = {COAD: Constant-Time Planning for Continuous Goal Manipulation with Compressed Library and Online Adaptation},
author = {Adil Shiyas and Zhuoyun Zhong and Constantinos Chamzas},
journal= {arXiv preprint arXiv:2603.12488},
year = {2026}
}
备注
Adil Shiyas and Zhuoyun Zhong contributed equally to this work