CoverLib: Classifiers-equipped Experience Library by Iterative Problem Distribution Coverage Maximization for Domain-tuned Motion Planning

这篇文章介绍了CoverLib，一种构建和利用预先计算的经验库的原则性方法，以实现快速运动规划。CoverLib通过迭代地向库中添加经验-分类器对来构建库，其中每个分类器对应于问题空间内可适应的经验区域。这个迭代过程是一个主动的过程，因为它选择下一个经验是基于其有效覆盖未覆盖区域的能力。在查询阶段，这些分类器被用来选择一个预计能够适应给定问题的经验。实验结果表明，CoverLib有效地缓解了在全局（例如基于采样的）和局部（例如基于优化的）方法中观察到的可规划性和速度之间的权衡。因此，它在问题领域内实现了快速规划和高成功率。此外，由于它的自适应算法不可知性，CoverLib可以与各种自适应方法（包括基于非线性编程和基于采样的算法）无缝集成。

CoverLib试图解决的问题是如何快速进行运动规划，通过构建和利用经验库来适应先前计算的经验。这是一个新问题。

CoverLib的关键思路是通过迭代地向库中添加经验-分类器对来构建和利用经验库，其中每个分类器对应于问题空间内可适应的经验区域。在查询阶段，利用这些分类器来选择预期适用于给定问题的经验。CoverLib通过减少全局（例如基于采样的）和局部（例如基于优化的）方法之间的可规划性和速度之间的权衡，实现了快速规划和高成功率。

论文设计了实验来证明CoverLib的有效性，实验结果表明CoverLib在问题域上实现了快速规划和高成功率。此外，CoverLib的适应算法不受限制，可以与各种适应方法（包括基于非线性规划和基于采样的算法）无缝集成。

最近的相关研究包括基于采样的方法、基于优化的方法和经验库方法。其中一些论文的标题包括“RRT*”，“CHOMP”和“PRM*”。