MP-RBFN：基于径向基函数网络的学习型车辆运动原语
机器人学
2025-07-15 v1
摘要
本研究引入 MP-RBFN，一种新型方法利用径向基函数网络（RBFN）高效学习由最优控制问题衍生的运动原语。传统基于优化的运动规划方法虽精准，但往往计算昂贵；而抽样方法虽性能卓越，但限制轨迹的几何形状。MP-RBFN 通过将抽样方法的高保真轨迹生成与车辆动力学的精确描述相结合，兼具两者优势。经验结果表明，MP-RBFN 在保持低推理时间的同时，比现有方法实现了显著的精度提升。与现有半解析方法相比，MP-RBFN 在生成优化运动原语方面精度提升了七倍。我们通过将该方法集成到抽样基轨迹规划器中，展示了 MP-RBFN 在实际应用中的可行性。MP-RBFN 已作为开源软件发布于 https://github.com/TUM-AVS/RBFN-Motion-Primitives。
引用
@article{arxiv.2507.10047,
title = {MP-RBFN: Learning-based Vehicle Motion Primitives using Radial Basis Function Networks},
author = {Marc Kaufeld and Mattia Piccinini and Johannes Betz},
journal= {arXiv preprint arXiv:2507.10047},
year = {2025}
}
备注
8 pages, Submitted to the IEEE International Conference on Intelligent Transportation Systems (ITSC 2025), Australia