增强有希望区域的连通性以改进基于采样的路径规划

基于采样的路径规划算法通常采用均匀采样方法来搜索状态空间。然而，均匀采样在许多场景下会导致不必要的探索，例如存在少量死胡同的环境。我们之前的工作提出使用有希望区域来引导采样过程以解决该问题。然而，预测出的有希望区域常常是不连通的，这意味着它们无法连接起始与目标状态，导致缺乏概率完备性。本工作聚焦于增强预测有希望区域的连通性。我们提出的方法回归x与y方向上边的连通概率。此外，它在损失中计算有希望边的权重，以引导神经网络更多地关注有希望区域的连通性。我们进行了一系列仿真实验，结果表明有希望区域的连通性显著提升。进一步，我们分析了连通性对基于采样的路径规划算法的影响，并得出结论：连通性在维持算法性能方面起着至关重要的作用。