快速探索随机森林：以广义多树运动规划自适应利用局部结构
机器人学
2021-03-09 v1
摘要
基于采样的运动规划器在作用于高维空间的机器人应用中表现极为出色。然而，大多数工作通常将规划工作空间约束于某些固定位置，无法在狭窄通道中自适应地推理策略，并忽略了有价值的局部结构信息。本文中，我们提出快速探索随机森林（RRF*）——一种广义多树运动规划器，它结合了基于树方法的快速探索特性，并自适应地学习在被视为瓶颈的区域内部署贝叶斯局部采样策略。局部采样通过马尔可夫链随机采样利用空间的局部连通性，并以贝叶斯提议分布顺序更新，从过去的观测中学习局部结构。树选择问题被表述为多臂老虎机问题，从而高效地将资源分配给最有希望的树以加速规划运行时间。RRF*学习难以进行树扩展的区域，并在这些区域中自适应部署局部采样，以最大化利用局部结构的收益。我们提供了完备性与最优收敛保证的严格证明，并通过实验证明RRF*的自适应多树方法的有效性使其能在广泛问题中表现良好。
引用
@article{arxiv.2103.04487,
title = {Rapidly-exploring Random Forest: Adaptively Exploits Local Structure with Generalised Multi-Trees Motion Planning},
author = {Tin Lai},
journal= {arXiv preprint arXiv:2103.04487},
year = {2021}
}