私はロボットの動作計画に時間を費やしており、「ポテンシャル フィールド」メソッドが提供する機会を改善する可能性を探りたいと思っていました。私の課題は、「ポテンシャル フィールド」メソッドを使用するときに、ロボットが「ローカル ミニマム」に陥らないようにすることです。ロボットが閉じ込められるのを回避するために「ランダム ウォーク」アプローチを使用する代わりに、ロボットが「ローカルミニマム」。
この種の経験のいくつかはありますか、または「ランダムウォーク」アプローチで使用される方法よりも効果的な方法で局所最小値を回避する文献を参照できます。
A* および潜在的なフィールドはすべて検索戦略です。あなたが経験している問題は、いくつかの検索戦略が他のものよりも「貪欲」であり、多くの場合、貪欲すぎるアルゴリズムが局所的最小値に閉じ込められることです。
貪欲さ (局所的最小値にとらわれる主な原因) と多様性 (短期的には適切な選択ではないように思われる新しい選択肢を試すこと) の間の緊張がパラメータ化されているいくつかの選択肢があります。
数年前、私は ant アルゴリズム (Marco Dorigo、ACS、ACO の検索) について少し調べました。それらには、ほとんどすべてに適用できる検索アルゴリズムのファミリーがあり、貪欲と探索を制御できます。あなたの検索スペース。彼らの論文の 1 つで、遺伝的アルゴリズム、シミュレーテッド アニーリングなどを使用して TSP (標準的な巡回セールスマン問題) を解決する検索パフォーマンスを比較しました。アントが勝った。
私は過去に遺伝的アルゴリズムを使用して TSP を解決しました。必要に応じて、まだ Delphi のソース コードを持っています。
調和関数経路計画を使用します。調和関数は、流体の流れやその他の自然現象を表す潜在的な関数です。境界条件を使用して正しく設定されている場合、極小値はありません。これらは、Rod Grupen と Chris Connollyによって 90 年代初頭から使用されています。これらの関数は、衝突の可能性を最小限に抑える特定の形式の最適制御であることが示されています。これらは、差分方程式 (ガウスザイデル、逐次過緩和など) を使用して、低次元空間で効率的に計算できます。