椭圆型 k-最近邻 —— 基于库仑定律的路径优化及 C 空间障碍中的无效顶点

路径规划长期以来是机器人学中的重要且活跃的研究领域。为应对高维运动规划中的挑战，本研究引入了力方向信息树（FDIT*），这是一种基于抽样的规划器，旨在提高寻路的速度和成本效益。FDIT* 建立在最先进的受信息引导抽样规划器——受 effort 信息树（EIT*）的基础上，通过利用无效顶点中常被忽视的信息来实现这一目标。它融合了物理力的原理，特别是库仑定律。该方法提出了椭圆型 k-最近邻搜索方法，使导航快速收敛，同时避免高解答成本或不可行的路径，通过探索更多问题特定的搜索值得区域。它在搜索效率和成本降低方面具有优势，特别是在受限的高维环境中。它可以视为最近邻搜索技术的一个扩展。将无效顶点数据与物理动力学相融合，可实现基于力方向的搜索区域，从而提高收敛到最优解的速度。FDIT* 在 R^4 到 R^16 的测试问题上优于现有的单查询抽样-based 规划器，并已在实际的移动操作任务中得到验证。