XiaoMi-AI文件搜索系统
World File Search System光纤束
IDB-A 多级运动计划：光纤束配方
摘要 - 具有复杂动态的机器人系统的动态计划是一个具有挑战性的问题。最近基于抽样的算法通过传播随机控制输入来实现渐近最优性，但它们的经验收敛速率通常很差，尤其是在高维系统（如多电动器）中。另一种方法是使用简化的几何模型进行首先计划，然后使用轨迹优化来遵循参考路径，同时考虑真实动力学。但是，如果初始猜测不接近动态可行的轨迹，则此方法可能无法产生有效的轨迹。在本文中，我们提出了迭代的不连续性A*（IDB- a*），这是一种新型的运动动力运动计划者，可以迭代地结合搜索和优化。搜索步骤利用了有限的短轨迹（运动原语），这些轨迹是相互互连的，同时允许它们之间存在界限的不连续性。优化步骤在本地通过轨迹优化的不连续性进行了修复。通过逐步降低允许的不连续性并结合更多的运动原始性，我们的算法可实现渐近最优性，并在任何时候表现出色。我们提供了八个不同动力学系统的43个问题的基准，包括不同版本的独轮和多旋转器。与最先进的方法相比，IDB-A*始终如一地解决了更多的问题实例，并更快地发现了较低成本的解决方案。
IDB-A多级运动计划：光纤束配方
抽象的高维运动计划问题通常可以通过使用多级抽象来更快地解决。虽然有多种方式正式捕获多级抽象，但我们以纤维束的方式制定了它们。纤维束基本上使用本地产品空间来描述状态空间的低维投影，这使我们能够根据捆绑限制和捆绑截面来简化和得出新颖的算法。鉴于这种结构和相应的可允许约束函数，我们为高维状态空间开发了高度有效和基于最佳采样的运动计划方法。这些方法通过使用捆绑图来利用捆绑的结构。这些原语用于创建新颖的捆绑计划者，快速探索商的空间树（QRRT*）和商空间路线图计划者（QMP*）。两个计划者均显示出概率完整且几乎渐近地最佳。为了评估我们的捆绑计划者，我们将它们与四个低维情况的基准测试和基于经典的计划者进行了比较，以及八个高维场景，范围从21至100度的自由度不等，包括多个机器人和非健康的约束。我们的发现显示了多达2到6个数量级的改进，并强调了多级运动计划者的效率以及使用Fier Bundles的术语来利用多级抽象的有益。