连续时间运动规划与引导的全局收敛方法
该论文提出 GlobMP（全局运动规划），将规划与引导统一为一个连续时间规划问题，用分段多项式曲线上的梯度投影方法，在代价降低与可行性恢复之间交替。作者证明：在温和假设下，从细网格起点出发，随着多项式段数增加，代价趋近全局最优，约束可满足任意容差或在稳定实例上精确满足。实验覆盖多达 200 台机器人的团队、Robotarium 测试平台多机器人规划与扩展基准、迷宫导航，以及在双臂人形机器人上引导触觉反应式策略，并报告优于强基线。
发布于 10-23 23:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Continuous-Time Motion Planning and Steering with Global Convergence》查看原链
运动规划是机器人领域的核心问题，并且越来越多地被用于修正学习型规划器和策略所提出的运动。 在这两种用途中，约束必须在运动的每一时刻都成立，而不仅仅是在采样时刻成立。 据我们所知，一旦将平滑代价与这类约束结合，还没有任何算法能够被证明收敛到全局最优运动。
我们将规划与引导表述为一个单一的连续时间规划问题：机器人之间相互避让，并避开静态或移动障碍物；学习型提议则通过让运动保持接近该提议来被引导。 该规划问题表述简单，但非凸。 我们提出 GlobMP（全局运动规划），一种在分段多项式曲线上的梯度投影方法；在该方法中，每个约束对应每一段上的一个多项式，且该多项式必须在整个运动过程中保持非负；算法在代价降低与可行性恢复之间交替进行。
在温和假设下，我们证明：从细网格起点出发，随着多项式段数增加，其代价趋近全局最优，且每个约束都能满足任意选定容差，或在稳定实例上精确满足。 我们在真实与合成实验中展示了其优于强基线的性能，包括多达 200 台机器人的团队、Robotarium 测试平台上的多机器人规划及扩展基准、迷宫导航，以及在双臂人形机器人上引导触觉反应式策略。