NAMR-RRT: 动态环境中移动机器人的神经自适应运动规划
机器人学
2024-11-04 v1
摘要
机器人正越来越多地部署于动态和拥挤的环境中，如城市区域和购物中心，其中高效且鲁棒的导航至关重要。基于风险的经典运动规划算法在此类场景中面临挑战，由于缺乏明确定义的搜索区域，导致在无关区域进行低效探索。虽然双向和多方向搜索策略可以提升效率，但仍会产生大量不必要的探索。本文提出神经自适应多方向基于风险的快速扩展随机树（NAMR-RRT）以解决这些局限性。NAMR-RRT 集成了神经网络生成的启发式区域，以动态引导探索过程，并在规划过程中持续优化启发式区域和采样率。这种自适应特性显著提升了性能，优于具有固定启发式区域和采样率的神经方法。NAMR-RRT 通过将搜索聚焦于有前景的区域并持续适应环境，提升了规划效率、缩短了轨迹长度并确保了更高的成功率。仿真和实际应用中的实验结果验证了所提方法在动态环境中导航的鲁棒性和有效性。相关网站：https://sites.google.com/view/namr-rrt。
引用
@article{arxiv.2411.00440,
title = {NAMR-RRT: Neural Adaptive Motion Planning for Mobile Robots in Dynamic Environments},
author = {Zhirui Sun and Bingyi Xia and Peijia Xie and Xiaoxiao Li and Jiankun Wang},
journal= {arXiv preprint arXiv:2411.00440},
year = {2024}
}