动量约束的混合启发式轨迹优化框架，集成残差增强深度强化学习用于视觉受限场景
摘要
本文提出一种动量约束的混合启发式轨迹优化框架（MHHTOF），专为视觉受限场景中的辅助导航而设计，集成轨迹采样生成、优化与评估，以及残差增强深度强化学习（DRL）。在第一个阶段，使用三次插值以五次多项式和动量约束轨迹优化（MTO）约束生成 Frenet 坐标系中的启发式轨迹采样簇（HTSC），以确保轨迹的平滑性和可行性。在第一次阶段成本评估后，第二个阶段利用残差增强 actor-critic 网络，采用 LSTM 基于时间特征建模，来自适应地细化笛卡尔坐标系中的轨迹选择。采用权重迁移的双阶段成本建模机制（DCMM）对齐语义优先级跨阶段，支持以人为中心的优化。实验结果表明，所提出的 LSTM-ResB-PPO 达到了显著更快的收敛速度，在大约 PPO 基线所需的一半训练迭代次数内实现稳定的策略性能，同时提升了奖励结果和训练稳定性。与基线方法相比，所选模型将平均成本和成本方差分别降低 30.3% 和 53.3%，并将自身风险和障碍风险降低超过 77%。这些发现验证了该框架在增强鲁棒性、安全性和复杂辅助规划任务中的实时可行性方面的有效性。
引用
@article{arxiv.2509.15582,
title = {Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios},
author = {Yuting Zeng and Zhiwen Zheng and You Zhou and JiaLing Xiao and Yongbin Yu and Manping Fan and Bo Gong and Liyong Ren},
journal= {arXiv preprint arXiv:2509.15582},
year = {2025}
}
备注
Upon further internal evaluation, we found that the current version does not adequately represent the clarity and completeness that we intend for this work. To avoid possible misunderstanding caused by this preliminary form, we request withdrawal. A refined version will be prepared privately before any further dissemination