Expansion-GRR: Efficient Generation of Smooth Global Redundancy Resolution Roadmaps

全局冗余解决方案（GRR）路线图是机器人领域中一种新颖的概念，它有助于以可读、可预测和可重复的方式从任务空间路径映射到配置空间路径。这样的路线图在安全远程操作、一致的路径规划和工厂工作单元设计等应用中有着广泛的实用价值。然而，以往计算GRR路线图的方法往往需要漫长的计算时间，并且产生的路径不够平滑，限制了它们的实际效力。为了解决这个挑战，我们提出了一种新的方法Expansion-GRR，它利用高效的配置空间投影，能够快速生成满足任务约束条件的平滑路线图。此外，我们还提出了一个简单的多种子策略，进一步提高了最终质量。我们在仿真环境中使用了一个5连杆平面机械臂和一个Kinova机械臂进行了实验。我们能够以更高的平滑度生成GRR路线图，计算速度提高了2个数量级。我们还展示了GRR路线图在远程操作任务中的实用性，我们的方法在成功率和解决方案质量方面优于以往的方法和反应式IK求解器。

如何提高全局冗余解决方案（GRR）路线图的计算速度和平滑性？

提出了一种名为Expansion-GRR的新方法，利用高效的配置空间投影，快速生成满足任务约束条件的平滑路线图，并提出了简单的多种子策略以进一步提高最终质量。

在仿真环境中使用5节平面机械臂和Kinova机械臂进行实验，成功生成了GRR路线图，计算速度提高了2个数量级，平滑度更高。在远程操作任务中，Expansion-GRR方法在成功率和解决方案质量方面优于之前的方法和反应性IK求解器。

最近的相关研究包括：A Rapidly-exploring Random Tree Method for Robot Path Planning、Motion Planning for Multiple Robots Using a Dynamic Planning Graph、A Probabilistic Roadmap Approach for Path Planning in the Presence of Obstacles等。