NR-RRT：不确定非凸环境中的神经风险感知近优路径规划
机器人学
2022-10-26 v1
摘要
在不确定性下平衡安全性与效率的权衡对路径规划具有重要意义。许多风险感知路径规划器已被开发出来，以在不确定的环境中将碰撞概率显式限制于可接受范围内。然而，现有方法通常假设凸障碍或高斯不确定性以使问题可解。这些假设限制了路径规划器在真实世界应用中的泛化与实用性。本文中，我们提出将深度学习方法应用于基于采样的规划器，开发了一种名为神经风险感知 RRT（NR-RRT）的新型风险有界近优路径规划算法。具体而言，通过感知概率性非凸障碍维护一张确定性风险等高线图，并提出神经网络采样器以预测下一个最有希望的安全状态。此外，采用递归分治规划与双向搜索策略，加速收敛至具有有界风险保证的近优解。由于采用了利用均匀采样分布的备用安全保证规划器，最坏情况理论保证亦可证明。仿真实验表明，所提算法在具有不确定性和非凸约束的已见与未见环境中寻找风险有界低代价路径方面，显著优于 SOTA。
引用
@article{arxiv.2205.06951,
title = {NR-RRT: Neural Risk-Aware Near-Optimal Path Planning in Uncertain Nonconvex Environments},
author = {Fei Meng and Liangliang Chen and Han Ma and Jiankun Wang and Max Q. -H. Meng},
journal= {arXiv preprint arXiv:2205.06951},
year = {2022}
}