基于图像的深度角A*搜索路径规划

路径平滑性常被忽视在从专家演示中进行路径模仿学习中。本文提出一种新颖的学习方法，称为深度角A*（DAA*），通过将提出的路径角自由度（PAF）纳入A*算法来提高路径相似性，以实现自适应路径平滑。PAF旨在通过在其最小和最大价值之间寻找平衡点来探讨移动角度对路径节点扩展的影响，从而实现高度的自适应性以适应模仿学习。DAA*通过联合优化路径缩短和平滑来提高路径最优性，后者分别对应于启发式距离和PAF。我们在包括4个迷宫数据集、2个视频游戏数据集以及一个包含2个场景的真实世界无人机视图数据集在内的7个数据集上进行了全面评估，结果表明我们的DAA*相对于神经A*在预测路径与参考路径之间的路径相似性方面具有显著的改进，无论是否存在可行的最短路径，改进幅度分别为9.0% SPR、6.9% ASIM和3.9% PSIM。此外，在联合学习路径规划以及路径损失和路径概率图损失的情况下，DAA*相对于最先进的TransPath性能显著优于6.3% SPR、6.0% PSIM和3.7% ASIM。我们还讨论了在适用情况下路径最优性与搜索效率之间的轻微权衡。我们的代码和模型权重可在 https://github.com/zwxu064/DAAStar.git 获取。