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

在过去的几年中，四旋翼飞行器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，但仍存在改进的空间，特别是在提高生成高效轨迹的速度方面。本文提出了一个新的分层轨迹规划框架MINER-RRT*，以减少计算时间和内存使用，该框架包括两个主要组成部分。首先，我们提出了一个基于采样的路径规划方法，通过神经网络增强，其中预测的启发式区域加速了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，以最小化控制力的消耗。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，我们的方法可以在三维复杂环境中生成具有更好性能的高质量轨迹。

本论文旨在解决在杂乱环境中规划四旋翼轨迹的问题，提高轨迹规划的速度和效率。

本论文提出了一种名为MINER-RRT*的分层轨迹规划框架，采用基于神经网络的采样路径规划方法和利用四旋翼的微分平坦性质构建多阶段多项式轨迹的方法，以减少计算时间和内存使用。

论文通过大量的仿真和实际实验结果表明，相比于几种现有的轨迹规划方法，本文方法能够在3D杂乱环境中生成高质量的轨迹，并且具有更好的性能。

最近的相关研究包括：1. Efficient 3D Trajectory Planning for Quadrotors in Unknown Cluttered Environments Using Online Point Clouds；2. Learning to Fly by Crashing: Towards General-Purpose Control through Reinforcement Learning；3. High-speed flight testing of a neural-network-based autonomous flight control system for a tail-sitter UAV.