实时运动规划的快速收敛自适应方法 Kashif Khalid、 Yasar Ayaz、 Umer Asgher、 Vladimír Socha、 Sara Ali 以及 Khawaja Fahad Iqbal

《Robotics》：Fast Convergence Adaptive Approach for Real-Time Motion Planning Kashif Khalid, Yasar Ayaz, Umer Asgher, Vladimír Socha, Sara Ali and Khawaja Fahad Iqbal

　　

摘要

在杂乱且动态变化的环境中进行实时运动规划仍然具有挑战性，因为需要确保快速收敛、避免碰撞、提高计算效率，并在频繁变化的情况下保持对局部最小值的鲁棒性。尽管基于采样的规划器（如RRTX*和ABIT*）提供了坚实的理论保证，但它们在密集动态场景中的实际应用通常受到高采样开销和计算延迟的限制。本文提出了一种快速收敛自适应算法（FCAA），这是一种基于采样的确定性框架，它结合了自适应采样密度、温度控制的探索以及动态步长调节，这些功能都集成在一个统一的加热和退火机制中。温度参数控制着空间采样范围和增量扩展半径，使得在陷入停滞时可以实现目标导向的扩展与随机探索之间的可控切换。该算法通过包含内在验证和基准测试的两阶段协议进行评估。在36个不同环境中进行测试，障碍物密度范围从3%到20%，速度在?30到+30米/秒之间，FCAA在规定的实验设计中达到了100%的成功率，同时保持与RRTX*和ABIT*相当或更好的路径质量。与参考规划器不同，后者通常需要数万个样本和数秒的计算时间，FCAA的采样量大幅减少，通常只需要几十个节点，并且根据场景复杂度的不同，规划时间在0.1到320毫秒之间。在仿真框架中，结果表明，所提出的温度调节策略能够在动态约束下实现快速且计算效率高的运动规划，使得FCAA适用于时间敏感的机器人导航场景。