Space Adaptive Search for Nonholonomic Mobile Robots Path Planning

本文提出了一种新颖的自适应空间搜索（SAS）方法，极大地降低了非完整移动机器人路径规划的计算成本。传统的搜索路径规划仅在每一步更新当前位置的状态，非常低效，容易被局部最小值所困。SAS不仅更新当前位置的状态，还更新邻域内的所有状态，邻域的大小根据每一步当前位置周围的空间自适应变化。由于大量状态可以立即更新，搜索可以快速探索局部最小值并摆脱它。因此，该方法可以有效地处理具有大量局部最小值的聚集环境。SAS还利用一组预定义的运动原语，并在搜索过程中动态地将它们缩放成不同的大小，以创建具有不同大小和曲率的各种新原语。这极大地提高了在更复杂环境中进行路径规划搜索的灵活性。与使用启发式加速搜索的A*算法家族不同，实验表明，即使没有启发式，SAS所需的计算时间和内存成本也比加权A*算法少得多，同时仍保持所产生路径的最优性。然而，SAS也可以与启发式或其他路径规划算法一起使用。

提出一种新的空间自适应搜索（SAS）方法，用于非完整移动机器人路径规划，旨在解决局部最小值问题和处理复杂环境的挑战。

SAS方法不仅更新当前位置的状态，还更新周围所有状态的状态，并根据当前位置周围的可用空间自适应地调整邻域大小，从而快速探索局部最小值。此外，SAS还使用一组预定义的运动基元，并在搜索过程中动态缩放它们以创建具有不同大小和曲率的新基元，从而提高了路径规划的灵活性。

实验结果表明，与加权A *算法相比，SAS方法即使没有启发式也需要更少的计算时间和内存成本，同时仍保持所生成路径的最优性。此外，SAS方法还可以与启发式或其他路径规划算法一起使用。

与该领域的相关研究包括：1. A*算法及其变体；2. 基于采样的路径规划方法；3. 基于优化的路径规划方法。