通过高效的近最优图搜索迈向渐近最优的巡检规划
机器人学
2019-07-02 v1
摘要
巡检规划是规划运动以使机器人检查一组感兴趣点的任务，在工业、野外和医疗机器人等领域有广泛应用。巡检规划在计算上具有挑战性，因为检查感兴趣点的运动规划搜索空间随检查点数量呈指数级增长。我们提出了一种新方法——增量随机巡检路线图搜索（IRIS），其计算的巡检规划的长度和检查点集合渐近收敛于最优巡检规划。IRIS 使用基于采样的算法增量致密化运动规划路线图，并在生成的路线图上执行高效的近最优图搜索。我们在模拟的平面 5DOF 机械臂巡检任务和基于患者 CT 数据分割解剖结构中的连续体并联手术机器人医疗内窥镜巡检任务上展示了 IRIS 的有效性。结果表明，IRIS 计算出更高质量的巡检路径的速度比先前最先进的方法快数个数量级。
引用
@article{arxiv.1907.00506,
title = {Toward Asymptotically-Optimal Inspection Planning via Efficient Near-Optimal Graph Search},
author = {Mengyu Fu and Alan Kuntz and Oren Salzman and Ron Alterovitz},
journal= {arXiv preprint arXiv:1907.00506},
year = {2019}
}
备注
RSS 2019