RRT-CoLearn：迈向无需数值轨迹优化的运动动力学规划
机器人学
2017-10-30 v1 最优化与控制
摘要
基于采样的运动动力学规划器，如快速扩展随机树(RRTs)，提出了两个基本挑战：计算两个随机采样节点之间可靠的(伪)度量，以及计算连接节点的转向输入。这些挑战的核心是一个两点边值问题，已知其为NP-hard。近来，距离度量已使用监督学习来近似，大幅减少了计算时间。此类学习RRT的先前工作使用直接最优控制来生成监督学习的数据。本文提出改用间接最优控制，因为其提供两个好处：它减少了生成数据的计算代价，并且它提供了动作空间的低维参数化。后者允许我们同时学习距离度量和连接两个节点的转向输入。这消除了学习RRT中对局部规划器的需求。在摆起摆上的实验结果显示，离线数据生成和在线规划时间均实现了10倍加速，导致总体规划时间至少10倍加速。
引用
@article{arxiv.1710.10122,
title = {RRT-CoLearn: towards kinodynamic planning without numerical trajectory optimization},
author = {Wouter Wolfslag and Mukunda Bharatheesha and Thomas Moerland and Martijn Wisse},
journal= {arXiv preprint arXiv:1710.10122},
year = {2017}
}
备注
This paper is currently under review at IEEE RA-L