arXiv cs.AI· Vin\'icius Ara\'ujo de Oliveira, Gabriel Ferreira Mendes Louren\c{c}o, Paulo L. J. Drews-Jr, Armando Alves Neto, Douglas G. Macharet·· 14 小时前AI 评分27
Reward-Guided RRT*：预算约束下的任务与运动规划新框架
Reward-Guided RRT* for Budgeted Task and Motion Planning
AI 导读
论文提出 Reward-Guided RRT*，一种基于采样的任务与运动规划框架，通过一系列局部联合的任务选择与运动规划阶段，直接在连续状态空间中构建满足预算约束的任务方案，无需预计算任务转移图。实验显示其解与 VNS-PRM* 相当，但所需采样状态大幅减少；框架还扩展至 Dubins 转向，并在 CoppeliaSim 中用缩比车型机器人平台验证了纳入车辆运动学约束的能力。
正文 · AI 翻译
摘要：涉及空间分布式任务的机器人任务通常需要在有限的旅行预算下，联合选择有收益的位置并规划可行的运动。本文提出 Reward-Guided RRT*，一种新的基于采样的框架，它通过一系列局部联合的任务选择与运动规划阶段来构建预算可行的任务，直接在连续状态空间中评估，无需预先计算任务转移图。该方法使用奖励引导的 RRT* 搜索增量式地构建任务，同时一个返回可行性过程确保每个选中的任务都能在不违反任务预算的情况下被访问。随着障碍复杂度和任务数量的增加，实验表明其解与 VNS-PRM* 相当，同时所需的采样状态显著更少。我们还将该框架扩展到 Dubins 转向，并在 CoppeliaSim 中用缩比的车式机器人平台进行评估，展示了其纳入车辆运动学约束的能力。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.35289 [cs.RO] |
| （或 arXiv:2610.35289v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35289 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Douglas G. Macharet [查看电子邮件]
[v1]
2026年10月26日星期一 12:00:13 UTC（7,214 KB）
来源：arXiv cs.AI · arxiv.org