A Genetic Approach to Gradient-Free Kinodynamic Planning in Uneven Terrains

📄 arXiv: 2504.12678v1 📥 PDF

作者: Otobong Jerome, Alexandr Klimchik, Alexander Maloletov, Geesara Kulathunga

分类: cs.RO

发布日期: 2025-04-17

DOI: 10.1109/LRA.2025.3560883

💡 一句话要点

提出基于遗传算法的无梯度动力学规划以解决不平坦地形问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 遗传算法 动力学规划 路径优化 不平坦地形 车辆导航 复杂环境 智能交通 自动驾驶

📋 核心要点

  1. 现有路径规划方法在不平坦地形中面临挑战，尤其是如何处理变化的面法线和车辆控制限制。
  2. 论文提出的GAKD算法利用遗传算法进行轨迹优化，结合启发式变异，确保车辆在复杂地形中有效导航。
  3. 实验结果表明，GAKD在可通行性成本上提高了20%，与MPPI和log-MPPI方法相比，路径长度保持相似，显示出其优越性。

📝 摘要（中文）

本文提出了一种基于遗传算法的动力学规划算法（GAKD），旨在帮助类汽车车辆在三角网格建模的不平坦地形中导航。该算法的独特之处在于通过遗传算法进行固定长度的轨迹优化，结合启发式变异，确保车辆控制在有效操作范围内。GAKD有效应对不平坦地形网格带来的挑战，如面法线变化，为复杂环境中的路径规划提供了实用解决方案。与模型预测路径积分（MPPI）和对数-MPPI方法的比较评估显示，GAKD在可通行性成本上提高了20%，同时保持了相似的路径长度。这些结果表明GAKD在改善车辆在挑战性地形上的导航能力方面具有潜力。

🔬 方法详解

问题定义：本文旨在解决类汽车车辆在不平坦地形中导航的动力学规划问题，现有方法在处理复杂地形时常常面临控制范围和路径优化的挑战。

核心思路：GAKD算法通过遗传算法进行轨迹优化，采用启发式变异策略，确保车辆控制在有效范围内，从而适应不平坦地形的变化。

技术框架：GAKD的整体架构包括初始化种群、适应度评估、选择、交叉和变异等主要模块，形成一个迭代优化过程，最终输出最优路径。

关键创新：GAKD的核心创新在于结合遗传算法与启发式变异，能够有效处理不平坦地形带来的复杂性，与传统的模型预测控制方法相比，具有更好的适应性和优化能力。

关键设计：在参数设置上，GAKD使用固定长度的回退视野进行轨迹优化，损失函数设计考虑了可通行性成本和路径长度的平衡，确保车辆在复杂环境中高效导航。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，GAKD在可通行性成本上提高了20%，与MPPI和log-MPPI方法相比，路径长度保持相似。这一显著提升表明GAKD在复杂地形导航中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和无人机飞行等，尤其是在复杂和不平坦的地形中。GAKD算法的实际价值在于提高车辆在挑战性环境中的导航能力，未来可能推动智能交通系统和自主移动设备的发展。

📄 摘要（原文）

This paper proposes a genetic algorithm-based kinodynamic planning algorithm (GAKD) for car-like vehicles navigating uneven terrains modeled as triangular meshes. The algorithm's distinct feature is trajectory optimization over a fixed-length receding horizon using a genetic algorithm with heuristic-based mutation, ensuring the vehicle's controls remain within its valid operational range. By addressing challenges posed by uneven terrain meshes, such as changing face normals, GAKD offers a practical solution for path planning in complex environments. Comparative evaluations against Model Predictive Path Integral (MPPI) and log-MPPI methods show that GAKD achieves up to 20 percent improvement in traversability cost while maintaining comparable path length. These results demonstrate GAKD's potential in improving vehicle navigation on challenging terrains.