PPNet：一种用于端到端路径规划的两阶段神经网络
机器人学
2024-04-24 v2 人工智能
机器学习
摘要
经典路径规划器（如基于采样的路径规划器）可提供概率完备性保证，即若解存在，随着采样数趋于无穷，规划器无法返回解的概率衰减至零。然而，在自动驾驶车辆等许多应用中，在给定时间内找到近优可行解具有挑战性。为实现端到端近优路径规划器，我们首先将路径规划问题划分为两个子问题：路径空间分割和给定路径空间内的航点生成。我们进一步提出了一种名为路径规划网络（PPNet）的两阶段神经网络，其每个阶段分别解决上述一个子问题。此外，我们提出了一种名为 EDaGe-PP 的新型高效路径规划数据生成方法。EDaGe-PP 能够生成具有解析表达式的连续曲率路径数据，同时满足 Clearance 要求。结果表明，生成随机 2D 路径规划数据的总计算时间少于其他方法的 1/33，且由 EDaGe-PP 生成的数据集训练的 PPNet 成功率约为其他方法的 2 倍。我们将 PPNet 与最先进的路径规划方法进行了对比验证。结果显示，PPNet 能在 15.3ms 内找到近优解，远快于最先进的路径规划器。
引用
@article{arxiv.2401.09819,
title = {PPNet: A Two-Stage Neural Network for End-to-end Path Planning},
author = {Qinglong Meng and Chongkun Xia and Xueqian Wang and Songping Mai and Bin Liang},
journal= {arXiv preprint arXiv:2401.09819},
year = {2024}
}