高斯信念空间中用于最小感知导航的基于采样最优运动规划

本文考虑高斯信念空间中用于最小感知导航的运动规划问题。尽管基于采样的算法及其在确定性设定下的严格分析已被广泛使用，但对于高斯信念空间中采样算法所返回解的质量尚缺乏形式化分析。本文旨在通过考察基于高斯信念空间的采样算法所获解代价的渐近行为（随样本数增加）来弥补该研究缺失。为此，我们提出一种称为信息几何 PRM*（IG-PRM*）的基于采样的运动规划算法，用于生成可行路径，最小化欧几里得代价与信息论代价的加权和，并证明所返回解的代价在样本数很大时保证逼近全局最优。最后，我们考虑无障场景，利用文献中的“移动并感知”策略计算最优解，进而验证所提算法的代价随样本数增加收敛于该最优解。