动态环境中的规划.ppt

动态环境中的规划 路径规划 概要 规划经常是一个重复过程，且要求快速。 动态环境 不精确的初始模型 真体位置有误差 基于A*的规划器类型： ARA* 随时A*搜索 输出? 亚优解 能在有时间约束下使用 D*与D*精简版 递增A*搜索 通过复用前次搜索结果来计算最佳解 常常能显著加速重复规划 随时D*(AD*) 随时递增A*搜索 输出? 亚优解 能在有时间约束下使用 常常能显著加速重复规划 所有都基于ComputePathWithReuse函数 动态环境中的自动真体 规划（Planning） 规划 利用一个问题的结构来构造一个到达目的行动计划 是以研究理性行动为己任的AI的核心部分 路径规划：对求解问题的路径及其代价进行规划 基于搜索的规划 基于搜索的规划 基于高维搜索的规划 基于高维搜索的规划 实际规划 由于下面原因，需多次再规划 环境变化 导航时，有人在附近 自动驾驶时，有其它车辆在路上 环境模型不精确 位置估计有误差 需快速再规划 实际规划 由于下面原因，需多次再规划 环境变化 导航时，有人在附近 自动驾驶时，有其它车辆在路上 环境模型不精确 位置估计有误差 需快速再规划！ 实际规划 实际规划 随时规划算法，例如， A*的随时复用版，即ARA* 快速找到第一个可能的亚优解，然后用其余时间来改进它。 允许满足时间约束。 再规划算法，例如， A*递增版，也即D*与D*精简版 复用以前规划来加速再规划 很适合于动态和/或部分已知的环境。 随时再规划算法，例如，随时递增A*，即随时D* 结合上述两者的优点。 搜索最小代价路径 计算相关态的g值 g(s)：一条从sstart到s最小代价路径的代价估值。 最佳值满足： g(s)=mins”?pred(s)(g(s”)+c(s”,s)) 搜索最小代价路径 最小代价路经是由回溯（backtracking）获得的一条的贪婪路径 从sgoal开始，并且从任一状态s移向其前任状态s’，使得：s’=argmins”?pred(s)(g(s”)+c(s”,s)) A*搜索 计算相关态的最佳g值 在某一时刻： A*搜索 计算相关态的最佳g值 主函数： g(sstart)=0；所有其它g值是无穷；OPEN={sstart}； ComputePath()； 给出结果； ComputePath函数： while (sgoal没有被扩展) 从OPEN中移去f(s)( = g(s)+h(s))最小的s； 扩展s； A*搜索 计算相关态的最佳g值 ComputePath函数： while (sgoal没有被扩展过) 从OPEN中移去f(s)( = g(s)+h(s))最小的s； 把s插入CLOSED； 对s的每个不在CLOSED中的后续态s’ if g(s’)g(s)+c(s,s’) g(s’)=g(s)+c(s,s’)； 把s’ 插入OPEN； A*搜索：例子 计算相关态的最佳g值 ComputePath函数： while (sgoal没有被扩展) 从OPEN中移去f(s)( = g(s)+h(s))最小的s； 把s插入CLOSED； 对s的每个不在CLOSED中的后续态s’ if g(s’)g(s)+c(s,s’) g(s’)=g(s)+c(s,s’)； 把s’ 插入OPEN； A*搜索：例子 计算相关态的最佳g值 ComputePath函数： while (sgoal没有被扩展) 从OPEN中移去f(s)( = g(s)+h(s))最小的s； 把s插入CLOSED； 对s的每个不在CLOSED中的后续态s’ if g(s’)g(s)+c(s,s’) g(s’)=g(s)+c(s,s’)； 把s’ 插入OPEN； A*搜索：例子 计算相关态的最佳g值 ComputePath函数： while (sgoal没有被扩展) 从OPEN中移去f(s)( = g(s)+h(s))最小的s； 把s插入CLOSED； 对s的每个不在CLOSED中的后续态s’ if g(s’)g(s)+c(s,s’) g(s’)=g(s)+c(s,s’)； 把s’ 插入OPEN； A*搜索：例子 计算相关态的最佳g值 ComputePath函数： while (sgoal没有被扩展) 从OPEN中移去f(s)( = g(s)+h(s))最小的s； 把s插入CLOSED； 对s的每个不在CLOSED中的后续态s’ if g(s’)g(s)+c(s,s’) g(s’)=g(s)+c(s,s’)； 把s’ 插入OPEN； A*搜索：例子 计算相关态的最佳g值 ComputePath函数： while (sgoal没有被扩展) 从O