用于加速基于采样的运动规划的引导式增量局部加密

基于采样的运动规划器依赖增量加密来逐步发现更短路径。在计算起点 $x_s$ 与终点 $x_t$ 之间的可行路径 $\xi$ 后，信息集（IS）通过保守地剔除无法产生更短路径的点来修剪配置空间 $\mathcal{C}$。从该信息集采样进行加密保留了从整个配置空间采样的渐近最优性。对于路径长度 $c(\xi)$ 与欧氏启发式 $h$，$IS = \{ x | x \in \mathcal{C}, h(x_s, x) + h(x, x_t) \leq c(\xi) \}$。依赖该启发式会使 IS 在高维或复杂环境中尤为保守。此外，IS 仅在发现更短路径时收缩。因此，若每次加密与规划迭代未能产生更短路径，即便改善了搜索树中顶点的到达代价，其计算努力也被浪费。我们的核心见解是，即便在此类失败中，到达搜索树中顶点（而非仅终点）的更短路径也能立即改进规划器的采样策略。引导式增量局部加密（GuILD）利用该信息从 IS 的局部子集中采样。我们表明，在模拟的 $\mathbb{R}^2$、$SE(2)$ 环境及 $\mathbb{R}^7$ 中的操作任务中，GuILD 显著优于信息集的均匀采样。