The sampling-based motion planning algorithms can solve the motion planning problem in high-dimensional state space efficiently. This article presents a novel approach to sample in the promising region and reduce planning time remarkably. The RRT# defines the Relevant Region according to the cost-to-come provided by the optimal forward-searching tree; however, it takes the cumulative cost of a direct connection between the current state and the goal state as the cost-to-go. We propose a batch sampling method that samples in the refined Relevant Region, which is defined according to the optimal cost-to-come and the adaptive cost-to-go. In our method, the cost-to-come and the cost-to-go of a specific vertex are estimated by the valid optimal forward-searching tree and the lazy reverse-searching tree, respectively. New samples are generated with a direct sampling method, which can take advantage of the heuristic estimation result. We carry on several simulations in both SE(2) and SE(3) state spaces to validate the effectiveness of our method. Simulation results demonstrate that the proposed algorithm can find a better initial solution and consumes less planning time than related work.


翻译:以抽样为基础的运动规划算法可以有效地解决高维状态空间的动作规划问题。 本条提出了在有希望的区域进行抽样并显著缩短规划时间的新颖方法。 RRT#根据最佳前瞻性研究树提供的成本到收益分别对相关区域进行定义; 但是,它将目前状态与目标状态之间直接联系的累积成本作为成本到成本的计算法。 我们提议了一种批量抽样方法,在精细的相关区域进行抽样,根据最佳成本到收益和适应成本到成本确定。 在我们的方法中,一个特定顶端的成本到收益和成本到成本分别由有效的最佳前瞻性研究树和懒惰的反向研究树估算。新样本是用直接抽样方法生成的,这可以利用超常估计结果。 我们在SE(2)和SE(3)国家空间进行若干次模拟,以验证我们的方法的有效性。 模拟结果表明,拟议的算法可以找到更好的初步解决方案,消耗比相关工作少的规划时间。

0
下载
关闭预览

相关内容

【硬核书】树与网络上的概率,716页pdf
专知会员服务
71+阅读 · 2021年12月8日
专知会员服务
28+阅读 · 2021年8月2日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Viewpoint Estimation-Insights & Model
Arxiv
3+阅读 · 2018年7月3日
Arxiv
5+阅读 · 2018年4月13日
Arxiv
7+阅读 · 2017年12月26日
VIP会员
相关资讯
Top
微信扫码咨询专知VIP会员