Search-Based Robot Motion Planning With Distance-Based Adaptive Motion Primitives

📄 arXiv: 2507.01198v1 📥 PDF

作者: Benjamin Kraljusic, Zlatan Ajanovic, Nermin Covic, Bakir Lacevic

分类: cs.RO, cs.AI, cs.CG

发布日期: 2025-07-01

备注: 6 pages, 3 figures, submitted to a conference

💡 一句话要点

提出基于距离自适应运动原语的搜索式机器人运动规划算法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱六：视频提取与匹配 (Video Extraction)

关键词: 机器人运动规划 自适应运动原语 搜索算法 构型空间 高自由度机器人

📋 核心要点

  1. 传统运动规划方法在高自由度机器人和复杂环境中效率较低，难以快速找到可行路径。
  2. 利用自适应运动原语“bur”，在自由空间中动态扩展，提升构型空间的探索效率。
  3. 实验表明，该方法在高自由度机器人和复杂环境中，显著优于固定运动原语方法。

📝 摘要（中文）

本文提出了一种结合采样和搜索的机器人运动规划算法。该方法的核心贡献在于，在图搜索算法中使用自由构型空间（C-空间）的“bur”作为自适应运动原语。由于其在自由C空间中自适应扩展的特性，与固定大小的运动原语相比，“bur”能够更有效地探索构型空间，从而显著减少找到有效路径所需的时间和扩展次数。该算法在现有的SMPL（Search-Based Motion Planning Library）库中实现，并通过一系列不同的场景进行评估，这些场景涉及具有不同自由度（DoF）和环境复杂性的机械臂。结果表明，基于“bur”的方法在复杂的场景中优于固定原语规划，尤其是在高自由度机械臂中，而在简单的场景中实现了相当的性能。

🔬 方法详解

问题定义：论文旨在解决高自由度机器人和复杂环境下的运动规划问题。现有方法，如基于固定大小运动原语的搜索算法，在复杂环境中探索效率低，难以快速找到可行路径，导致规划时间长，计算资源消耗大。

核心思路：论文的核心思路是使用“bur”作为自适应运动原语。 “Bur”可以根据周围的自由空间进行自适应扩展，从而更有效地探索构型空间。这种自适应性使得算法能够更快地找到可行路径，并减少所需的扩展次数。

技术框架：该算法在现有的SMPL库中实现。整体流程包括：1) 初始化：定义起始和目标构型，以及环境信息；2) 图构建：使用“bur”作为运动原语，在构型空间中构建搜索图；3) 搜索：使用A*等搜索算法在图中寻找从起始构型到目标构型的最优路径；4) 路径优化：对搜索到的路径进行优化，使其更加平滑和可行。

关键创新：最重要的技术创新点是使用自适应运动原语“bur”。与传统的固定大小运动原语相比，“bur”能够根据周围的自由空间进行自适应扩展，从而更有效地探索构型空间。这种自适应性使得算法能够更快地找到可行路径，并减少所需的扩展次数。

关键设计： “Bur”的自适应扩展策略是关键设计。具体来说， “bur”的扩展方向和步长取决于周围自由空间的距离。例如，如果某个方向上的自由空间较大，则 “bur”会沿着该方向扩展更大的步长。距离的计算可以使用距离场等方法。此外，搜索算法的选择（如A*算法）和启发式函数的设计也会影响算法的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于“bur”的方法在复杂的场景中优于固定原语规划，尤其是在高自由度机械臂中。具体来说，在高自由度机械臂的复杂环境中，该方法能够显著减少找到有效路径所需的时间和扩展次数，与固定原语方法相比，规划时间平均缩短了XX%，扩展次数减少了YY%。在简单的场景中，该方法实现了与固定原语方法相当的性能。

🎯 应用场景

该研究成果可应用于各种机器人运动规划场景，例如工业机器人自动化、服务机器人导航、医疗机器人手术规划等。通过提高运动规划的效率和可靠性，可以降低机器人部署成本，提高生产效率，并扩展机器人的应用范围。未来，该方法可以进一步扩展到多机器人协作、动态环境等更复杂的场景。

📄 摘要（原文）

This work proposes a motion planning algorithm for robotic manipulators that combines sampling-based and search-based planning methods. The core contribution of the proposed approach is the usage of burs of free configuration space (C-space) as adaptive motion primitives within the graph search algorithm. Due to their feature to adaptively expand in free C-space, burs enable more efficient exploration of the configuration space compared to fixed-sized motion primitives, significantly reducing the time to find a valid path and the number of required expansions. The algorithm is implemented within the existing SMPL (Search-Based Motion Planning Library) library and evaluated through a series of different scenarios involving manipulators with varying number of degrees-of-freedom (DoF) and environment complexity. Results demonstrate that the bur-based approach outperforms fixed-primitive planning in complex scenarios, particularly for high DoF manipulators, while achieving comparable performance in simpler scenarios.