Iterative Active-Inactive Obstacle Classification for Time-Optimal Collision Avoidance

时间最优障碍物避让是各个领域中普遍遇到的问题，包括机器人和自动驾驶汽车，任务涉及确定一条路径，使行驶的车辆在环境中绕过障碍物到达目的地。随着环境中障碍物数量的增加，这个问题变得越来越具有挑战性。我们提出了一种迭代的主动-非主动障碍物方法，其中涉及将障碍物的一个子集识别为“主动”，仅考虑“主动”障碍物对行驶车辆路径的影响。其余的障碍物被认为是“非主动”的，在路径规划过程中不予考虑。障碍物的分类是基于从先前迭代中得出的先前发现。这种方法通过减少需要考虑的障碍物数量，可以更有效地计算最优路径。我们使用不同的动态模型和障碍物数量来展示所提出的方法的有效性。结果表明，所提出的方法能够及时找到最优路径，同时能够处理环境中大量的障碍物和物体运动的约束。

论文旨在解决在机器人和自动驾驶等领域中，如何在避开环境中的障碍物的同时，快速找到最优路径的问题。

论文提出了一种迭代的主动-非主动障碍物方法，通过将一部分障碍物标记为“主动”，只考虑这些障碍物对路径的影响，从而减少计算量，提高路径规划效率。

论文使用两种不同的动态模型，验证了该方法在处理大量障碍物和考虑物体运动限制时，能够快速找到最优路径。值得关注的是，该方法可以根据前几次迭代的结果，自动分类障碍物为“主动”和“非主动”，无需人工干预。论文未提供开源代码，但实验数据集可供下载。

相关研究包括：1. A*算法在路径规划中的应用；2. 遗传算法在路径规划中的应用；3. 基于深度学习的路径规划方法等。