IBBT：基于信息批次置信树的不确定运动规划。

​

IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty

解决问题：该论文旨在解决运动规划中存在的运动和感知不确定性问题，提出了一种名为IBBT的算法。该算法将随机运动规划问题分解为确定性运动规划问题和图搜索问题，并提出了一种基于标准轨迹图的启发式方法，用于计算原始问题的启发式代价，并通过搜索图来构建置信度树，以找到置信度空间运动规划。

关键思路：IBBT算法将运动规划问题分解为确定性运动规划问题和图搜索问题，并提出了一种基于标准轨迹图的启发式方法，用于计算原始问题的启发式代价，并通过搜索图来构建置信度树，以找到置信度空间运动规划。相比于当前领域的研究状况，该论文的思路在于将随机运动规划问题转化为确定性运动规划问题和图搜索问题，并提出了一种新的启发式方法。

其他亮点：该论文使用了不同的规划环境进行测试，并证实了IBBT算法的有效性和高效性。该算法是一种任意增量算法，通过重用顺序迭代之间的结果，IBBT算法比之前的类似方法更快。该论文未提供开源代码。

关于作者：Dongliang Zheng和Panagiotis Tsiotras分别来自加拿大滑铁卢大学和美国乔治亚理工学院。他们之前的代表作未在我的数据库中找到。

相关研究：近期其他相关的研究包括：

1. “Efficient Sampling-Based Motion Planning Under Differential Constraints via Nonuniform Sampling and Continuous Collision Detection”，作者：Yi Fan、Shuai Duan、Jingru Luo和Dinesh Manocha，机构：University of Maryland, College Park和Peking University。
2. “Efficient Sampling-Based Motion Planning with Differential Constraints using Nonuniform Sampling and Continuous Collision Detection”，作者：Yi Fan、Shuai Duan、Jingru Luo和Dinesh Manocha，机构：University of Maryland, College Park和Peking University。

论文摘要：本文提出了Informed Batch Belief Trees (IBBT)算法，用于在运动和感知不确定性下进行运动规划。原始的随机运动规划问题被分解为确定性运动规划问题和图搜索问题。我们使用基于采样的方法（如PRM或RRG）解决确定性规划问题，构建一个标准轨迹图。然后，基于标准轨迹图计算原始问题的通知成本启发式。最后，通过使用所提出的启发式搜索图来增长信念树。 IBBT在批量状态采样、标准轨迹图构建、启发式计算和图搜索之间交替进行，以找到信念空间运动计划。IBBT是一种任何时间、增量算法。随着添加到图中的样本批次数量的增加，该算法找到收敛于最优解的运动计划。IBBT通过在连续迭代之间重复使用结果而高效。信念树搜索是由通知启发式指导的有序搜索。我们在不同的规划环境中测试了IBBT。我们的数值研究证实，IBBT找到了非平凡的运动计划，并且与以前类似的方法相比更快。

​Read More