从头重新规划：基于快速几乎必然渐近最优规划器的实时增量规划
机器人学
2026-03-11 v2
摘要
在变化环境中运行的机器人要么预测障碍物的变化，要么能够快速规划以作出反应。预测方法需要关于障碍物位置和运动的强先验条件。反应方法无需对其环境作出假设，但必须能够快速重新规划并找到高质量的路径以有效导航。反应方法通常会在查询之间重用信息以降低规划成本。这些技术是概念上是正确的，但当信息发生变化时更新密集的规划图可能是计算上昂贵的。也可能需要相当大的 effort 来检测某些应用程序中的更改。本文重新审视了反应式重新规划需要更新现有计划这一长期存在的假设。它表明，增量规划问题可以更有效地作为一系列独立问题来解决，使用快速几乎必然渐近最优(ASAO)规划算法。这些 ASAO 算法快速找到初始解，并趋近于最优解，这使它们能够在存在变化障碍物的情况下找到一致的全局计划，而无需显式地重用计划。这一点通过仿真实验得以演示，其中 Effort Informed Trees (EIT*) 比测试的反应式规划算法找到的中位数解路径更短，并在机械臂上的真实世界规划问题上进一步用 Asymptotically Optimal RRT-Connect (AORRTC) 进行验证。
引用
@article{arxiv.2510.21074,
title = {Revisiting Replanning from Scratch: Real-Time Incremental Planning with Fast Almost-Surely Asymptotically Optimal Planners},
author = {Mitchell E. C. Sabbadini and Andrew H. Liu and Joseph Ruan and Tyler S. Wilson and Zachary Kingston and Jonathan D. Gammell},
journal= {arXiv preprint arXiv:2510.21074},
year = {2026}
}
备注
IEEE International Conference on Robotics and Automation (ICRA) 2026, 8 pages, 5 figures, 1 table. A video of this work can be found at https://www.youtube.com/watch?v=XaZrFy8wGZs