用于图结构高效路径规划的惰性滚动时域 A* 算法

运动规划问题，例如在杂乱环境中的机械臂操作，通常需要在给定路线图的情况下快速计算出无碰撞最短路径。通常，评估路线图边是否无碰撞的计算代价主导了搜索算法的运行时间。已有研究提出惰性加权 A*（LWA*）和 LazySP 等算法，通过采用惰性前瞻（分别为一步前瞻和无限步前瞻）来减少边评估次数。然而，这是以额外的图操作为代价的：前瞻越大，通常所需的图操作越多。我们提出惰性滚动时域 A*（LRA*），通过平衡边评估与图操作来最小化总规划时间。借助惰性前瞻，LRA* 代表了一类惰性最短路径图搜索算法，其推广了 LWA* 和 LazySP。我们分析了 LRA* 的理论性质，并通过实验证明，在许多情况下，为最小化总规划时间，算法需要采用中间程度的惰性前瞻。即，使用中间程度的惰性前瞻，我们的算法优于 LWA* 和 LazySP。这些实验涵盖了 $\mathbb{R}^2$ 和 $\mathbb{R}^4$ 中的模拟随机世界，以及使用 7 自由度机械臂的操作问题。