BOWConnect: Parallel Bayesian Optimization over Windows with Learned Local Cost Maps for Sample-Efficient Kinodynamic Motion Planning

📄 arXiv: 2606.27292v1 📥 PDF

作者: Sourav Raxit, Abdullah Al Redwan Newaz, Jose Fuentes, Leonardo Bobadilla

分类: cs.RO

发布日期: 2026-06-25

备注: Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出BOWConnect以解决高维运动规划中的样本效率问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 贝叶斯优化 高维状态空间 动态约束 并行计算 机器人导航 路径规划

📋 核心要点

  1. 现有的采样方法在高维状态空间中存在样本效率低下和动态约束下启发式不可靠的问题。
  2. BOWConnect通过引入基于窗口的贝叶斯优化，结合并行树状探索框架，提升了运动规划的效率和可靠性。
  3. 在十个基准环境中的实验表明，BOWConnect在复杂场景中实现了100%的成功率，并且规划时间显著优于现有方法。

📝 摘要（中文）

本文提出了BOWConnect，一种双向并行的运动规划算法，旨在解决现有采样方法在高维状态空间中的样本效率低、动态约束下成本启发式不可靠以及在狭窄通道环境中性能差等三大基本局限。BOWConnect通过在并行树状探索框架中集成基于窗口的贝叶斯优化（BOW）作为学习驱动的引导函数，使每个工作线程能够学习局部成本图和约束，从而引导采样朝向动态可行且无碰撞的控制。该算法在十个基准环境中的广泛评估表明，BOWConnect在复杂场景中实现了100%的成功率，并在狭窄通道和非凸空间中提供了最快或接近最快的规划时间。

🔬 方法详解

问题定义：本文旨在解决高维运动规划中的样本效率低、动态约束下成本启发式不可靠以及狭窄通道环境中的性能不足等问题。现有方法通常依赖随机控制采样和几何距离启发式，导致在复杂环境中表现不佳。

核心思路：BOWConnect的核心思路是将基于窗口的贝叶斯优化（BOW）作为学习驱动的引导函数，结合并行树状探索框架，使得每个工作线程能够学习局部成本图和约束，从而有效引导采样过程。

技术框架：BOWConnect采用双向架构，分别从起始和目标区域并行扩展树结构。其主要模块包括局部成本图学习、动态约束处理、空间哈希机制以加速连接查询，以及边界值问题求解器生成运动学一致的桥接轨迹。

关键创新：BOWConnect的主要创新在于将贝叶斯优化与并行树状探索相结合，显著提高了在动态和复杂环境中的运动规划效率。这一方法与传统的随机采样和几何启发式方法有本质区别。

关键设计：在设计中，BOWConnect使用了空间哈希机制来加速连接查询，并通过边界值问题求解器确保生成的轨迹在运动学上是一致的。具体的参数设置和损失函数设计尚未详细披露，属于未知领域。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

BOWConnect在十个基准环境中实现了100%的成功率，并在复杂场景中提供了最快或接近最快的规划时间，特别是在狭窄通道和非凸空间中，相较于现有最先进的规划器，表现出显著的性能提升。

🎯 应用场景

BOWConnect的研究成果具有广泛的应用潜力，尤其是在自动驾驶、无人机导航和机器人路径规划等领域。其高效的运动规划能力能够显著提升这些系统在复杂和动态环境中的表现，未来可能推动智能交通和自主系统的发展。

📄 摘要（原文）

This paper presents BOWConnect, a bidirectional parallel kinodynamic motion planner that addresses three fundamental limitations of existing sampling-based methods: sample inefficiency in high-dimensional state spaces, unreliable cost heuristics under dynamic constraints, and poor performance in narrow passage environments. Unlike classical planners that rely on random control sampling and geometric distance heuristics, BOWConnect integrates Bayesian Optimization over Windows (BOW) as a learning-based steering function within a parallel tree-based exploration framework, enabling each worker to learn local cost maps and constraints to guide sampling toward dynamically feasible and collision-free controls. A bidirectional architecture simultaneously grows forward and backward trees from the start and goal regions in parallel threads, with a spatial hashing mechanism enabling fast connection queries and a boundary value problem solver generating kinodynamically consistent bridge trajectories. Extensive evaluations across ten benchmark environments demonstrate that BOWConnect achieves 100\% success while delivering the fastest or near-fastest planning time in complex scenarios, including narrow passages and non-convex spaces where state-of-the-art planners fail or degrade substantially. Real-world deployment on a ground vehicle and a quadrotor confirms real-time planning with no collisions. Videos of real-world and simulated experiments, high-resolution versions of the figures, and the open-source code are available at https://bow-connect.github.io/.