DynoFluxBench: Benchmarking Kinodynamic Space-Time Planners in Dynamic Environments

📄 arXiv: 2609.18549v1 📥 PDF

作者: Franz Queißner, Andreas Orthey, Wolfgang Hönig

分类: cs.RO

发布日期: 2026-09-16

备注: 8 pages

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出DynoFluxBench以解决动态环境中的运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 动态环境 机器人技术 基准测试 动力学可行性 轨迹优化 自主决策

📋 核心要点

  1. 现有的运动规划方法在动态环境中缺乏有效的基准框架，难以同时考虑动力学可行性和安全性。
  2. 本文提出DynoFluxBench框架，并开发三种新规划器，结合动力学和时空方法，以提高动态环境中的运动规划效率。
  3. 实验结果显示，ST-Db-RRT在找到第一个解决方案时速度提升可达32倍，验证了新方法的有效性和实用性。

📝 摘要（中文）

在动态环境中，机器人需要规划运动以确保运动的动力学可行性和安全性。然而，目前缺乏结合这两个方面的基准框架。为此，本文提出了DynoFluxBench，一个用于比较已知动态环境中动力学规划器的框架。我们开发了三种专用规划器，ST-Db-RRT、ST-GBRRT和KIST，融合了动力学和时空方法，覆盖不同的动力学搜索范式。通过对这些新规划器在动态环境中的概率完整性保证进行分析，并使用DynoFluxBench进行评估，结果表明ST-Db-RRT在达到第一个解决方案时速度提升可达32倍，而KIST和ST-GBRRT在轨迹优化脆弱的情况下仍然具有价值。

🔬 方法详解

问题定义：本文旨在解决在动态环境中进行动力学运动规划时缺乏有效基准框架的问题。现有方法无法同时考虑运动的动力学可行性和安全性，导致规划效率低下。

核心思路：提出DynoFluxBench框架，通过开发三种新规划器（ST-Db-RRT、ST-GBRRT和KIST），结合动力学和时空方法，以实现更高效的动态环境运动规划。

技术框架：DynoFluxBench框架包括环境建模、规划器设计和性能评估三个主要模块。环境建模用于创建动态场景，规划器设计实现不同的搜索策略，性能评估则用于比较各规划器的效率和效果。

关键创新：本文的关键创新在于提出了三种新型规划器，特别是ST-Db-RRT通过随机选择不连续的运动原语并结合轨迹优化，显著提高了规划速度和效率。

关键设计：在规划器设计中，ST-Db-RRT使用随机选择的运动原语，KIST和ST-GBRRT则维护一个动力学可行的树结构，并采用不同的启发式指导策略，以确保在动态环境中的有效搜索。实验中还分析了这些规划器的概率完整性保证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ST-Db-RRT在找到第一个解决方案时速度提升可达32倍，相较于其他基线规划器表现出显著的效率优势。同时，KIST和ST-GBRRT在轨迹优化脆弱的情况下仍然保持了良好的性能，展示了其在不同场景下的适用性。

🎯 应用场景

该研究的潜在应用领域包括自主机器人、无人驾驶汽车和动态环境中的智能制造等。通过提供一个有效的基准框架，DynoFluxBench能够帮助研究人员和工程师更好地评估和优化运动规划算法，从而提升机器人在复杂环境中的自主决策能力。

📄 摘要（原文）

Robots that leave structured, static environments must plan motions that are kinodynamically feasible and safe among moving obstacles. However, there are no dedicated benchmark frameworks that combine both aspects. To overcome this, we present DynoFluxBench, a framework to compare kinodynamic planners in known, dynamic environments with unbounded arrival time. To demonstrate its utility and establish strong baselines, we develop three dedicated planners, named ST-Db-RRT, ST-GBRRT, and KIST, that fuse kinodynamic and space-time methods, covering different kinodynamic search paradigms: ST-Db-RRT expands with randomly selected discontinuity-bounded motion primitives using trajectory optimization, whereas KIST and ST-GBRRT maintain a kinodynamically feasible tree with different heuristic guidance. We analyze the probabilistic completeness guarantees of those new planners in dynamic environments. Finally, we evaluate ST-Db-RRT, ST-GBRRT, and KIST using DynoFluxBench, showing that ST-Db-RRT reaches a first solution up to 32 times faster, while KIST and ST-GBRRT remain valuable where trajectory optimization is fragile. Videos and further analysis can be found at https://dynofluxbench.github.io/dynofluxbench/.