×

兹马思-数学第一资源

D*Extra Lite:一个动态的a*搜索树砍伐和前沿缺口修复。(英语) Zbl 1367.93407
摘要:在未知或多变的环境中寻找最短路径是机器人学和电子游戏中的一个常见问题,在这些问题中,代理需要更新地图并执行重新规划以完成任务。D*Lite是一种流行的增量启发式搜索算法(即,它利用以前搜索的知识)。它的效率在于它只重新扩展与已注册更改和代理的当前状态相关的搜索空间部分。在本文中,我们提出了一种新的D*Extra-Lite算法,它通过搜索树的分支切割来重新初始化受影响的搜索空间。所提供的最坏情况复杂性分析强烈表明,D*Extra-Lite的重新初始化方法比D*Lite中使用的集中重新初始化方法更快。在大量典型二维路径规划问题的综合测试中,D*Extra-Lite的速度是优化版本D*Lite的1.08~1.94倍。此外,在证明它可以特别适用于困难的动态问题的同时,随着问题复杂性的增加,D*Extra-Lite的性能进一步超过D*Lite。算法的源代码是开放源码的。

理学硕士:
93C85型 控制理论中的自动化系统(机器人等)
49N90型 最优控制与微分对策的应用
90度59度 数学规划中的逼近方法和启发式方法
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] Aine,S.和Likhachev,M.(2016年)。截断增量搜索,人工智能234:49-77·Zbl 1351.68251
[2] Belter,D.,Łabecki,P.,Fankhauser,P.和Siegwart,R.(2016年)。腿式机器人的RGB-D地形感知和密集制图,国际应用数学与计算机科学杂志26(1):81-97,DOI:10.1515/amcs-2016-0006·Zbl 1336.93111
[3] Hart,P.E.,Nilsson,N.J.和Raphael,B.(1968年)。最小成本路径启发式确定的形式基础,IEEE系统科学与控制论汇刊4(2):100-107。
[4] Hernández,C.,Asín,R.和Baier,J.A.(2015年)。在动态地形中重新利用先前发现的A*路径进行快速目标导向导航,第19届AAAI人工智能会议,德克萨斯州奥斯汀,美国,第1158-1164页。
[5] Hernández,C.,Baier,J.A.和Asín,R.(2014年)。在部分已知地形中进行路径规划时,使A*运行速度比D*-Lite快,第24届自动规划和调度国际会议论文集,新罕布什尔州朴茨茅斯,美国,第504-508页。
[6] Hernández,C.,Meseguer,P.,Sun,X.和Koenig,S.(2009年)。路径自适应A*在未知地形中的增量启发式搜索,第19届自动规划与调度国际会议论文集,希腊塞萨洛尼基,第358-361页。
[7] Hernández,C.,Sun,X.,Koenig,S.和Meseguer,P.(2011年)。树形自适应A*,第十届自主智能体与多智能体系统国际会议,台北,台湾,第一卷,第123-130页。
[8] Koenig,S.和Likhachev,M.(2001年)。改进了未知地形下机器人导航的快速重新规划,技术报告GIT-COGSCI-2002/3,乔治亚理工学院,亚特兰大,佐治亚州。
[9] Koenig,S.和Likhachev,M.(2005a)。自适应A*,第四届自主智能体和多智能体系统国际联席会议论文集,荷兰乌得勒支,第1311-1312页。
[10] Koenig,S.和Likhachev,M.(2005b)。未知地形下导航的快速重新规划,IEEE机器人学报21(3):354-363。
[11] Koenig,S.,Likhachev,M.和Furcy,D.(2004年)。人工智能:终身规划·邮编:1085.68674
[12] Koenig,S.和Sun,X.(2009年)。实时状态智能体、自治智能体和多智能体系统的实时和增量启发式搜索比较18(3):313-341。
[13] Likhachev,M.,Ferguson,D.I.,Gordon,G.J.,Stentz,A.和Thrun,S.(2005年)。Anytime Dynamic A*:Anytime,replanning algorithm,Anytime,Replaning algorithm,Anytime,Replaning algorithm,Anytime,Repllaning algorithm,第15届自动化计划与调度国际会议论文集,加利福尼亚州蒙特利,美国,第262-271页·Zbl 1184.68474
[14] Podsędkowski,L.(1998年)。具有快速重规划程序的非完整移动机器人路径规划器,1998年IEEE机器人与自动化国际会议,比利时鲁汶,第4卷,第3588-3593页。
[15] Podsędkowski,L.,Nowakowski,J.,Idzikowski,M.和Vizvary,I.(2001年)。非完整移动机器人、机器人和自主系统在局部已知或未知环境下路径规划的新方法34(2):145-152·Zbl 1013.68257
[16] Przybylski,M.,Koguciuk,D.,Siemia˛tkowska,B.,Harasymowicz Boggio,B.和Chechli´nski,Ł。(2015),《服务机器人语义图中定性和定量空间数据的整合》,R.Szewczyk等人(编辑),《自动化、机器人技术和测量技术进展》。第二卷:机器人学,斯普林格,查姆,第223-232页。
[17] Przybylski,M.和Siemia˛tkowska,B.(2012年)。动态环境中基于CNN的新路径规划方法,见L.Rutkowski等人(编辑),《人工智能与软计算》,ICAISC 2012,计算机科学讲义,第7268卷,斯普林格,柏林/海德堡,第484-492页。
[18] Stentz,A.(1994年)。部分已知环境的最优和有效路径规划,1994年IEEE机器人与自动化国际会议论文集,加利福尼亚州圣地亚哥,美国,第4卷,第3310-3317页。
[19] Stentz,A.(1995年)。实时重规划的聚焦D*算法,第14届国际人工智能联席会议论文集,加拿大魁北克省蒙特利尔,第2卷,第1652-1659页。
[20] Sturtevant,N.R.(2012年)。基于网格的寻路基准,计算智能和AI在游戏4(2):144-148。
[21] Sun,X.和Koenig,S.(2007年)。边缘保存A*搜索算法——可行性研究,第20届人工智能国际联席会议论文集,印度海得拉巴,第2391-2397页。
[22] Sun,X.,Koenig,S.和Yeoh,W.(2008年)。广义自适应A*,第七届自主智能体和多智能体系统国际联席会议论文集,葡萄牙埃斯托里尔,第1卷,第469-476页。
[23] Trovato,K.I.(1990年)。微分A*:一种自适应搜索方法,以移动障碍物和目标以及不确定环境的机器人路径规划为例,国际模式识别与人工智能杂志4(2):245-268。
[24] Trovato,K.I.和Dorst,L.(2002年)。微分A*,IEEE知识与数据工程汇刊14(6):1218-1229。
[25] van Toll,W.和Geraerts,R.(2015年)。动态修剪A*用于导航网格的重新规划,IEEE/RSJ智能机器人和系统国际会议(IRO),德国汉堡,第2051-2057页。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。