学习加速的 A* 搜索用于风险感知路径规划
机器人学
2024-09-19 v1
摘要
安全性是无人机在城市空域自主飞行的关键关注问题。在人口稠密区域，必须考虑风险以产生有效且安全的路径，这被称为风险感知路径规划。风险感知路径规划可建模为受限最短路径 (CSP) 问题，旨在识别满足特定安全阈值的最短可能路径。CSP 为 NP-hard 类型，带来显著的计算挑战。虽然许多传统方法能够准确求解，但它们都非常缓慢。本方法在传统 A* 中引入额外的安全维度（称为 ASD A*），使其能够处理 CSP问题。此外，我们开发了基于 transformer 神经网络的自定义学习基准启发式方法，显著减少了 ASD A*算法的计算负担并提高其性能。该方法通过随机和现实模拟场景进行了充分验证。
引用
@article{arxiv.2409.11634,
title = {Learning-accelerated A* Search for Risk-aware Path Planning},
author = {Jun Xiang and Junfei Xie and Jun Chen},
journal= {arXiv preprint arXiv:2409.11634},
year = {2024}
}
备注
AIAA SCITECH 2024 Forum