arXiv cs.AI· Eran Iceland, Alexander Tuisov, Oren Gal, Ariel Barel, Alfred M. Bruckstein·· 9 天前AI 评分22
动态危险场中的实时运动规划：经典方法与学习方法对比
Real-Time Motion Planning with Dynamic Hazards: Classical vs. Learning-Based Methods
AI 导读
一项统一基准对比了经典规划器与学习方法在动态危险场中的实时运动规划表现。在确定性环境下经典规划器成功率接近完美且路径质量更高，但规划耗时较大；在随机障碍动态下，基于 PPO 的策略在延迟、成功率和路径质量上持续占优。结果表明，障碍演化的不确定性比部分可观测性更能决定哪种规划范式更有效。
正文 · AI 翻译
摘要：我们通过在经典规划与基于学习的方法之间进行受控比较，研究动态危险场中的实时运动规划。我们并非提出一种新的规划器，而是构建了一个统一的基准，让具有代表性的经典方法和基于学习的方法面对相同的环境、运动约束、信息假设和评估指标。测试环境由平面域组成，其中布满了旋转喷淋器式的危险物，它们通过扫掠的角扇区生成随时间变化的禁入区域。我们的结果显示出明显的状态转变。在确定性环境中，经典规划器实现了近乎完美的成功率和更高质量的路径，尽管有时需要付出大量规划或重规划时间的代价。然而，在随机障碍物动态下，在线搜索对预算高度敏感：低预算导致频繁失败，而高预算虽能提高成功率，却以延迟和更长的轨迹为代价。在同一场景分布下训练的基于 PPO 的策略，在这些随机情形中始终在延迟、成功率和路径质量方面表现更优。总体而言，结果表明，障碍物演化中的不确定性——而非部分可观测性——是决定哪种规划范式对所研究问题实际有效的首要因素。
| 评论： | 本文计划在 2027 年人工生命与机器人学国际研讨会（AROB 2027）上报告 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12249 [cs.RO] |
| （或 arXiv:2610.12249v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12249 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Ariel Barel 博士 [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 16:24:17 UTC（1,042 KB）
来源：arXiv cs.AI · arxiv.org