Informed RRT*：通过对容许椭球启发式直接采样实现聚焦的最优基于采样路径规划
机器人学
2014-12-01 v3
摘要
快速扩展随机树 (RRTs) 因能高效解决单次查询问题而在运动规划中广受欢迎。最优 RRT (RRT*) 将 RRT 扩展至寻找最优解的问题，但在此过程中会渐近地找到从初始状态到规划域中每个状态的最优路径。这种行为不仅效率低下，而且与其单次查询的特性不一致。对于旨在最小化路径长度的问题，能够改进解的状态子集可由一个长球超椭球体描述。我们表明，除非直接对该子集进行采样，否则在大世界或高状态维度下，改进解的概率将变得任意小。在本文中，我们提出了一种通过直接采样该子集来聚焦搜索的精确方法。新算法 Informed RRT* 展示了所提采样技术的优势。该方法保留了与 RRT* 相同的关于完备性和最优性的概率保证，同时提高了收敛速度和最终解的质量。我们将该算法表述为对 RRT* 的简单修改，并可由更先进的路径规划算法进一步扩展。实验表明，它在收敛速度、最终解成本以及寻找困难通道的能力方面优于 RRT*，同时表现出对状态维度和规划问题范围的较低依赖性。
引用
@article{arxiv.1404.2334,
title = {Informed RRT*: Optimal Sampling-based Path Planning Focused via Direct Sampling of an Admissible Ellipsoidal Heuristic},
author = {Jonathan D. Gammell and Siddhartha S. Srinivasa and Timothy D. Barfoot},
journal= {arXiv preprint arXiv:1404.2334},
year = {2014}
}
备注
8 pages, 11 figures. Videos available at https://www.youtube.com/watch?v=d7dX5MvDYTc and https://www.youtube.com/watch?v=nsl-5MZfwu4