神经路径规划：通过预言机模仿实现固定时间近最优路径生成
机器人学
2019-04-26 v1 人工智能
机器学习
摘要
快速高效的路径生成对于在复杂环境中运行的机器人至关重要。该运动规划问题通常在机器人的驱动空间或构型空间中执行，其中流行的寻路方法如 A*、RRT* 随着维度增加或空间变得更加杂乱复杂，其计算代价呈指数级增长。另一方面，如果事先保存构型空间中连接所有位置对的完整路径集合，内存将很快耗尽。在这项工作中，我们引入了一种利用步进神经网络方法（称为 OracleNet）为静态环境生成快速最优运动规划的新方式。OracleNet 使用循环神经网络以迭代方式确定端到端轨迹，以紧凑形式隐式生成性能损失最小的最优运动规划。该算法实现直接，同时在单次迭代端到端展开中持续生成近最优路径。在实践中，OracleNet 通常具有固定时间执行特性，与构型空间复杂度无关，同时在复杂环境和高维情况下优于流行的寻路算法。
引用
@article{arxiv.1904.11102,
title = {Neural Path Planning: Fixed Time, Near-Optimal Path Generation via Oracle Imitation},
author = {Mayur J. Bency and Ahmed H. Qureshi and Michael C. Yip},
journal= {arXiv preprint arXiv:1904.11102},
year = {2019}
}