基于循环生成模型的机器人路径规划高效启发式生成
机器人学
2020-12-08 v1 人工智能
摘要
即使在二维环境中，由于结果最优性与算法复杂性之间的矛盾，机器人路径规划也难以求解。为找到最优路径，算法需要搜索整个状态空间，耗费大量计算资源。为解决此问题，我们提出一种新颖的循环生成模型（RGM），其生成高效启发式以减小路径规划算法的搜索代价。该 RGM 模型采用通用生成对抗网络（GAN）的框架，包含一个可通过循环细化输出生成启发式的新型生成器，以及两个检验启发式连通性与安全性的判别器。我们在多种二维环境中测试所提 RGM 模块以证明其有效性与高效性。结果表明，RGM 在以高准确率成功生成适用于已见与新未见地图的合适启发式，展示了该模型良好的泛化能力。我们还将带有生成启发式的快速扩展随机树星（RRT*）与常规 RRT* 在四种不同地图中比较，表明所生成启发式能以更快更高效的方式引导算法找到初始与最优解。
引用
@article{arxiv.2012.03449,
title = {Efficient Heuristic Generation for Robot Path Planning with Recurrent Generative Model},
author = {Zhaoting Li and Jiankun Wang and Max Q. -H. Meng},
journal= {arXiv preprint arXiv:2012.03449},
year = {2020}
}