基于经验驱动随机树的操纵路径规划

机器人系统可能频繁遇到相似的操纵规划问题，并产生相似的运动规划。相较于从零开始规划每个问题，更可取的做法是利用先前计算得到的运动规划（即经验）来简化规划。已有多种方法被提出以在新任务实例上利用先验信息。然而，这些方法依赖于庞大的经验库，且在无一经验与当前问题密切相关时失效。因此，一个开放性挑战在于如何将先验经验推广到未必与先验相似的任务是实例。本工作应对上述挑战，提出经验是“可分解”且“可塑”的，即经验的某些部分适用于在即便未经验的区域中相关地探索机器人-任务空间的连通性。由此见解产生两种新规划器：经验驱动随机树（ERT）及其双向版本 ERTConnect。这些规划器采用基于树采样的策略，逐步提取并调节单条路径经验的部分以组合出有效运动规划。我们在与先验经验显著不同的任务实例上演示了方法，并与相关的前沿基于经验的规划器比较。当它们的修复策略无法推广数十条经验先验时，我们的规划器仅凭单一经验，在成功率与规划时间上均显著优于它们。我们的规划器已实现并免费发布于 Open Motion Planning Library。