PathBench：经典与学习型路径规划算法的基准测试平台
机器人学
2021-05-06 v1 机器学习
摘要
路径规划是移动机器人技术的关键组成部分。现有大量路径规划算法，但极少有尝试对算法进行整体基准测试或统一其接口。此外，随着深度神经网络近期的进展，迫切需要一个平台来促进此类基于学习的规划算法的开发与基准测试。本文提出 PathBench，一个用于开发、可视化、训练、测试和基准测试现有及未来经典与学习型 2D 和 3D 路径规划算法的平台，同时提供对机器人操作系统（ROS）的支持。其支持许多现有路径规划算法，例如 A*、wavefront、快速扩展随机树、值迭代网络、门控路径规划网络；且集成新算法简便并有着明确规范。我们通过在内置 PathBench 地图以及来自电子游戏和真实世界数据库的外部环境上，比较所实现的经典与学习算法在路径长度、成功率、计算时间和路径偏差等指标，展示了 PathBench 的基准测试能力。PathBench 是开源的。
引用
@article{arxiv.2105.01777,
title = {PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms},
author = {Alexandru-Iosif Toma and Hao-Ya Hsueh and Hussein Ali Jaafar and Riku Murai and Paul H. J. Kelly and Sajad Saeedi},
journal= {arXiv preprint arXiv:2105.01777},
year = {2021}
}
备注
The Conference on Robots and Vision (CRV2021), Supplementary Website: https://sites.google.com/view/pathbench/