PAAMP: Polytopic Action-Set And Motion Planning For Long Horizon Dynamic Motion Planning via Mixed Integer Linear Programming

优化机器人中长期、动态可行运动规划的优化方法解决了具有挑战性的非凸和不连续优化问题。由于这些问题的非线性特征，传统方法经常失败。我们介绍了一种技术，利用了系统的学习表示，称为多面体动作集，以有效计算长期轨迹。通过采用适当的多面体动作集序列，我们将长期动态可行运动规划问题转化为线性规划。这种重述使我们能够将运动规划作为混合整数线性规划（MILP）来处理。我们通过在大约0.75毫秒内确定受扭矩约束的摆的摆动运动来展示多面体动作集和运动规划（PAAMP）方法的有效性。这种方法非常适合解决复杂的运动规划和长期约束满足问题（CSPs），特别是在腿部和空中机器人等动态和欠驱动系统中。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了一种Polytopic Action-Set and Motion Planning (PAAMP)方法，通过使用Polytopic Action Sets的学习表示，将长时程动态可行运动规划问题转化为线性规划问题，从而解决了传统方法无法解决的非凸和不连续优化问题。论文在扭矩受限摆的摆起运动中证明了这种方法的有效性。

相关研究：近期在这个领域中，还有一些相关的研究，如Model Predictive Control (MPC)和Sampling-Based Motion Planning (SBMP)。