.png){kind=icon}
返回
BOW: Bayesian Optimization Over Windows for Motion Planning in Complex Environments
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2025.3604738.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本封信介绍了BOW Planner，一种可扩展的运动规划算法，旨在利用约束贝叶斯优化（CBO）引导机器人在复杂环境中导航。与通常难以处理速度和加速度限制等运动动力学约束的传统方法不同，BOW Planner通过专注于可达速度的规划窗口，并采用CBO高效采样控制输入，表现出色。该方法使规划器能够以极少采样量管理高维目标函数和严格的安全约束，确保快速且安全的轨迹生成。理论分析证实了算法在渐近情况下收敛至近最优解，而大量在拥挤和受约束环境中的评估表明，与现有技术相比，该算法在计算时间、轨迹长度和求解时间方面均实现了显著改进。BOW Planner已成功部署于各类实际机器人系统，通过其卓越的采样效率、安全感知优化和快速规划能力，彰显了其实际应用价值，成为推动机器人应用发展的宝贵工具。
Keyword:
Motion and path planning
collision avoidance
nonholonomic motion planning
期刊
I
IF:
5.3
论文数:
1.7K
被引数:
3.9W
机构
引用论文
分享收藏
Information-Theoretic Model Predictive Control: Theory and Applications to Autonomous Driving信息论模型预测控制: 理论和在自动驾驶中的应用
OAAI
OAAI分享收藏Rates of contraction of posterior distributions based on Gaussian process priors.png)
ANNALS OF STATISTICSOAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
查看更多内容