.png){kind=icon}
返回
Incremental Generalized Hybrid A*
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2025.3643271.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们针对在从自动驾驶到飞行器等多种应用中出现的、针对超大树的搜索组织效率问题进行了研究。在此，我们的研究动机源于越野自主导航，其中实时规划至关重要。传统方法使用运动基元图，并利用支配关系来缓解维度灾难问题，从而高效地剪枝扩展。然而，对于复杂动力学系统，反复求解两点边值问题导致图构建过程过于缓慢，无法满足快速运动学动力学规划的需求。混合A*算法（HA*）通过搜索运动基元树并引入基于网格的支配性检查进行近似剪枝，解决了这一挑战。然而，网格分辨率的选取较为困难：过粗可能导致失败，而过细则会引发过多的扩展和缓慢的规划。我们提出了增量广义混合A*算法（IGHA*），这是一种能够动态组织顶点扩展且无需严格剪枝的任何时树搜索框架。IGHA*在理论上能够达到或超越HA*的性能。对于轮式机器人的道路运动学规划和无道路运动学动力学规划查询，IGHA*的变体相较于HA*的优化版本（HA*M，一种内部基准），在找到最优解时减少了6倍的扩展次数。在基于高保真模拟器的无道路仿真实验中，当IGHA*和HA*M均与模型预测控制器结合使用时，IGHA*表现出更优的性能。我们通过仿真和小型无道路车辆上的实验证明了其实时性能，实现了在复杂动力学条件下的快速、鲁棒规划。
Keyword:
Motion and path planning
field robots
autonomous vehicle navigation
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容