LTO：基于图搜索规划的懒轨迹优化用于杂乱环境中高自由度机器人

尽管轨迹优化（TO）是最强大的运动规划工具之一，但随着时间视界在杂乱环境中的增加，它面临昂贵的计算复杂度。它也可能无法收敛到全局最优解。在本文中，我们提出懒轨迹优化（LTO），它统一了局部短视界 TO 与全局图搜索规划（GSP）以生成长视界全局最优轨迹。LTO 在改进时间复杂度的同时，以与原长视界 TO 相同的约束求解 TO。我们还提出了一种 TO 感知代价函数，可平衡解代价与规划时间。由于 LTO 在路线图中求解许多近乎相同的 TO，它可为 TO 提供有信息的热启动以加速规划过程。我们还给出了 LTO 计算复杂度与最优性的证明。最后，我们在 2 自由度自由飞行机器人与 21 自由度腿式机器人的运动规划问题上展示了 LTO 的性能，表明 LTO 在运行时间与可靠性方面优于现有算法。