如何避免机器人陷入局部最小？

Question

我有一些时间占据机器人的运动规划，并且有一段时间想要探索改善“潜在领域”方法提供的机会的可能性。我的挑战是避免在使用“势场”方法时机器人被困在“局部最小值”。我没有使用“随机游走”方法来避免机器人陷入困境，而是考虑是否有可能实现A *的变体，这可以作为一种准确的指南，以避免机器人被困在“当地最低限度“。

是否存在某种类型的体验，或者可以参考文献，它们比“随机游走”方法中使用的文章更有效地避免了局部最小化。

Answer 1

A *和潜在字段都是搜索策略。您遇到的问题是某些搜索策略比其他搜索策略更“贪婪”，而且往往过于贪婪的算法会陷入局部最小值。

有一些替代方案，贪婪（被困在当地最低限度的主要原因）和多样性（尝试在短期内似乎不是一个好选择的新替代品）之间的紧张关系被参数化。

几年前我研究了一些关于蚂蚁算法（搜索Marco Dorigo，ACS，ACO）的问题，他们有一系列搜索算法可以应用于几乎任何东西，他们可以控制贪婪vs探索你的搜索空间。在他们的一篇论文中，他们甚至比较了使用遗传算法，模拟退火等解决TSP（规范旅行商问题）的搜索性能。蚂蚁赢了。

我过去使用遗传算法解决了TSP问题，如果你愿意，我仍然在delphi中有源代码。

Answer 2

使用谐波功能路径规划。谐波函数是描述流体流动和其他自然现象的潜在功能。如果使用边界条件正确设置它们，则它们没有局部最小值。自90年代初期以来Rod Grupen and Chris Connolly一直在使用它们。已经证明这些函数是最小化碰撞概率的特定形式的最优控制。它们可以使用差分方程（即Gauss-seidel，连续过度放松等）在低维空间中有效地计算。