MINER-RRT*: A Hierarchical and Fast Trajectory Planning Framework in 3D Cluttered Environments

在近年来，四旋翼在复杂环境下的轨迹规划一直是一个具有挑战性的问题。虽然许多轨迹规划框架已经取得了成功，但仍有潜力进行改进，特别是在提高生成高效轨迹的速度方面。在本文中，我们提出了一种新的分层轨迹规划框架，以减少计算时间和内存使用，称为MINER-RRT*，它由两个主要组件组成。首先，我们提出了一种基于采样的路径规划方法，利用神经网络的预测启发式区域来加速快速探索随机树的收敛。其次，我们利用四旋翼的微分平坦性质导出的最优条件，在多个阶段上构建多项式轨迹，以最小化控制的努力。广泛的仿真和实际实验结果表明，与几种最先进的方法相比，我们的方法可以在3D复杂环境中生成具有更好性能的高质量轨迹。

本文旨在解决四旋翼在复杂环境中的轨迹规划问题，提高轨迹生成的速度和效率。

本文提出了一种新的分层轨迹规划框架MINER-RRT*，使用神经网络加速采样路径规划，并利用四旋翼的微分平坦性质构建多阶段多项式轨迹，以最小化控制力的消耗。

本文通过实验验证了MINER-RRT*方法能够在三维复杂环境中生成高质量的轨迹，并且比其他几种最先进的方法具有更好的性能。此外，本文还提供了开源代码和数据集，方便其他研究者进行复现和进一步研究。

在这个领域中，还有一些相关的研究，如： Efficient Online Trajectory Planning for Aerial Robots in Unknown Cluttered Environments, Towards High-Speed Quadrotor Flight with Agility: A Hierarchical Approach to Multi-Objective Optimization, A Comprehensive Survey of Deep Learning for Image Captioning