基于降维启发与神经网络控制器的运动动力学 FMT*
机器人学
2023-06-06 v1
摘要
本文提出一种针对非线性系统的新型基于采样的运动动力学运动规划算法，称为 FMT*PFF。它利用了使用无偏终态（PFF）最优控制器进行降维的新思路。借助所提降维启发，搜索空间被限制在子空间内，因此相比常规运动动力学 FMT* 实现了更快收敛。降维启发可视为一种采样策略，在与均匀全态采样结合时保持渐近最优性。FMT*PFF 的另一特征是能处理具有不精确转向的转向函数，这在使用基于学习的转向函数时至关重要。基于学习的方法使我们能高效求解非线性系统的转向问题。然而，基于学习的方法常无法精确到达目标态。对于非线性系统，我们使用监督学习训练神经网络控制器以生成转向指令。我们表明带基于学习转向函数的 FMT*PFF 高效且能生成动态可行的运动规划。我们将算法与先前算法比较，并在多种仿真中展现出更优性能。
引用
@article{arxiv.2306.02524,
title = {Kinodynamic FMT* with Dimensionality Reduction Heuristics and Neural Network Controllers},
author = {Dongliang Zheng and Panagiotis Tsiotras},
journal= {arXiv preprint arXiv:2306.02524},
year = {2023}
}