基于智能体的树生长：通过学习的多步情节探索加速RRT
机器人学
2025-07-23 v2
摘要
经典的基于采样的运动规划器如RRT因其依赖于无向、随机采样，在密集或高维空间中常常效率低下。本文引入了Episodic RRT，这是一种新型的混合规划框架，用由深度强化学习智能体生成的学习型、多步“情节探索”替换随机点的基本单元。通过将DRL智能体作为探索的引擎，ERT将搜索过程从扩散的体积扩展转化为有向的、分支状的生长。这种范式转变带来了关键优势：它通过聚焦的探索来抵消维度灾难，通过主动提议局部有效路径来最小化昂贵的碰撞检查，并通过生成本质上相连的路径段来提高连接性。我们通过在2D、3D和6D环境中的广泛实证评估表明，ERT及其变体在没有任何GPU加速的情况下，始终且显著地超越了其经典对应物。在一个具有挑战性的6D机器人臂场景中，ERT实现了98%的成功率，相较于RRT的19%，快了最高可达107倍，减少了碰撞检查超过99.6%，且找到的初始路径长度几乎缩短了50%。此外，其渐进最优变体ERT*在3D环境中比标准RRT*快达29倍，实现了对解决方案的快速优化。代码：https://xinyuwuu.github.io/Episodic_RRT/。
引用
@article{arxiv.2507.06605,
title = {Growing Trees with an Agent: Accelerating RRTs with Learned, Multi-Step Episodic Exploration},
author = {Xinyu Wu},
journal= {arXiv preprint arXiv:2507.06605},
year = {2025}
}