学习何时停止：面向运动规划的元推理

随时运动规划器在机器人学中得到了广泛应用。然而，其解质量与计算时间之间的关系尚未被充分理解，因此，确定何时停止规划并开始执行并不明确。在本文中，我们解决了在有限计算能力下决定何时停止审慎思考的问题，即所谓元推理，用于随时运动规划。我们提出了数据驱动的学习方法，即基于模型与无模型的元推理，它们适用于不同的环境分布且对随时运动规划器的选择无关。作为该框架的一部分，我们设计了一个基于卷积神经网络的最优解预测器，该预测器从给定的 2D 工作空间图像中预测最优路径长度。我们在仿真中将所提方法的性能与基线进行了经验性评估。