PKE-RRT: 基于多任务学习模型驱动的高效多目标路径规划算法
摘要：多目标路径规划（MGPF）旨在找到一个封闭且无碰撞的路径，以有序地访问一系列目标。作为一个物理旅行推销员问题，一个有准确权重的无向完全图对于确定访问顺序至关重要。缺乏顶点之间本地路径的先前知识给算法的最优性和效率要求带来了挑战。在本研究中，设计了一种称为先前知识提取（PKE）的多任务学习模型，用于估计顶点对之间的本地路径长度作为图的权重。同时，预测一个有希望的区域和一个指导线作为启发式指导路径规划过程。利用PKE模型的输出，提出了一种称为PKE-RRT的Rapidly-exploring Random Tree（RRT）的变体。它通过包含优先访问顺序的局部规划器有效地解决了MGPF问题，该顺序是从完全图中获得的。此外，预测的区域和指导线有助于对树结构进行高效的探索，使算法能够快速提供一个次优解。大量的数值实验表明，PKE-RRT在具有不同目标数量的MGPF问题上展现出卓越的性能，包括计算时间、路径成本、样本数量和成功率等方面。
作者：Yuan Huang, Cheng-Tien Tsao, Kairui Gu, and Hee-Hyol Lee
论文ID：2308.07972
分类：Robotics
分类简称：cs.RO
提交时间：2023-08-17