微分约束下无漂移系统优采样运动.pdfVIP

2015IEEE国际机器人与自动化会议（ICRA）州会议，西雅图，

，2015年5月26‑30日

最优采样基础规划在微分约束下的无漂移情况

爱德华·施默林，·，帕冯

—在微分约束下进动规划是机器人技术中的一个经关于这一的早期工作可以追溯到二十多年前[4],，

典问题。迄今为止，最先进的方法是由基于采样的技术代表的，但当考虑到最优性时，该问题在许多方面仍然未解决

其中Rapidly‑exploringRandomTree算法是一个主要的例子。[5,2],，包括具有实际收敛速度的算法、所获得解决方

然而，该问题在许多方面仍然开放，包括对所获得解决方案质量

案质量的保证以及可以处理的动力系统类别。迄今为止，

的保证。在本文中，我们了一个全面的理论框架来评估基于

最先进的是基于采样的技术，在这些技术中，避免了fi构

采样的算法在微分约束下规划的最优性保证。我们利用这个框架

设计和分析了两种新的基于采样的算法，这些算法可以保证随着形空间的显式fi构造，并通过采样方案对构形空间进行概

样本数量的增加而收敛到最优解（即Differential率“探测”。明确的

Probabilistic算法和DifferentialFast

MarchingTree算法）。我们的重点是无漂移控制仿射动力学模可以说，DMP最成功的算法是基于采样的快速探

型，这些模型准确地模拟了大量机器人系统。在本文中，我们使

用概率收敛的概念（而不是几乎必然收敛）：这种方法的额索树算法（RRT）[6],，该算法通过在构fi型空间中随机

外数学fl灵活性产生了收敛速率界—，这是在微分约束下的最采样点来逐步构建轨迹树。，几种RRT算法的变体，

∗

优基于采样的规划领域fi首次fi。数值实验验证并讨论了我称为RRT，源自[7]及其学扩展[8],，已被考虑用

们的理论结果。于确保计算出的轨迹成本随着采样点数量趋于无fi穷而收敛

I.引言到最优成本[8,9,10,11,12]。这些工作虽然了强有力

规划是机器人技术中的一个基本问题。它涉及的实验验证，但仅了证明草图，未能充分解决

计算一系列动作，使机器人从初始状态驱动到最终状态，将几何情况下的渐近最优性论证扩展到微分约束路径时

同时避免物，遵守学/动力学约束，并可能优化出现的许多复杂问题。例如，在包含（期望上）先前样

目标函数[1]。基本问题是在机器人没有约束的情况本对数比例的局部体积内重新连接RRT树本身不足以声

下，仅需要无碰撞解决方案，这一问题在大量实际场景中称最优性，如在[10,11]中所述。必须陈述并验fi证关于

得到了充分理解和解决[2]。另一方面，机器人通常在其所讨论的微分约束下轨迹可近性的额外假设。这些要

上存在严格的学/动力学（简称微分）约束，在求在[8],中有所讨论，但尚不清楚假设存向可达轨

大多数情况下需要适当考虑这些约束。主要有两种方法迹近是否足以进行需要后向近的“球到球”证明技术。

[2]：(i)解耦方法，将问题分解为计算几何无碰撞路径，STABLESPARSERRT提出了一种不同的渐近最优

（忽略微分约束）、平滑路径以满足约束，以及fi规划方法，该方法通过随机控制而不是使用转向子

最后重新参数化轨迹以便机器人可以执行；或(ii)直接程序连接现有样本来实现最优性