Anytime Global Tensor Motion Planning

📄 arXiv: 2608.25830v1 📥 PDF

作者: Sai Coumar, An T. Le, Zachary Kingston

分类: cs.RO

发布日期: 2026-08-26

备注: 8 pages, 5 figures. Code: https://github.com/commalab/anytime_gtmp.git

💡 一句话要点

提出全局张量运动规划以解决高效路径规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 运动规划 张量操作 局部规划器 同伦类 路径多样性 机器人技术 自动驾驶

📋 核心要点

  1. 现有的运动规划方法在处理复杂环境时效率低下，难以生成多样化的路径。
  2. 本文提出了一种全局张量运动规划的推广方法，允许使用任意局部规划器来实现相邻层之间的连接。
  3. 实验结果表明，该方法在操作基准测试中表现出色，并在二维导航中提供了多样化的解决方案。

📝 摘要（中文）

全局张量运动规划（GTMP）通过在分层多重图上进行批量张量操作来解决运动规划问题。本文对GTMP进行了推广，使得相邻层之间的边可以通过任何黑箱局部规划器实现（例如线性插值、样条、基于采样的规划、轨迹优化或生成采样）。我们在此基础上提供了两种随时可用的策略：在固定预算下随机重启的随时GTMP，几乎可以覆盖每个同伦类，以及具有增长预算的有信息扩展的AO-GTMP，能够收敛到最优成本。我们证明了单个采样图覆盖每个固定端点的同伦类，并且额外的每层样本可以指数性地减少每层的遗漏概率，而更强的局部规划器仅以次线性方式减少所需层数。在操作基准测试中，该方法达到了最先进的性能，而在二维导航中则返回了拓扑多样的解决方案。

🔬 方法详解

问题定义：本文旨在解决复杂环境下的运动规划问题，现有方法在路径多样性和效率上存在不足。

核心思路：通过推广全局张量运动规划（GTMP），允许使用任意黑箱局部规划器来实现相邻层之间的连接，从而提高规划的灵活性和效率。

技术框架：整体架构包括分层多重图的构建、局部规划器的选择、以及两种随时可用的策略（随时GTMP和AO-GTMP）的实现，形成一个动态的规划流程。

关键创新：最重要的创新在于允许任意局部规划器的使用，使得相邻层的连接更加灵活，同时提出的两种策略在覆盖同伦类和收敛最优成本方面表现优异。

关键设计：在设计中，设置了固定的预算和随机重启机制，以确保在有限时间内覆盖所有同伦类，同时通过增加每层样本数量来显著降低遗漏概率。实验中还比较了不同局部规划器的效果，发现更强的局部规划器在减少层数方面的效果是次线性的。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，该方法在操作基准测试中达到了最先进的性能，并在二维导航中返回了多样化的解决方案，相较于传统方法，路径多样性显著提升，且在固定预算下几乎覆盖所有同伦类。

🎯 应用场景

该研究的潜在应用领域包括机器人路径规划、自动驾驶、虚拟现实等场景，能够有效提高运动规划的效率和路径的多样性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Global Tensor Motion Planning (GTMP) solves motion planning with batched tensor operations over a layered multipartite graph. We generalize GTMP so that adjacent-layer edges are realized by any black-box local planner (e.g., linear interpolation, splines, sampling-based planning, trajectory optimization, or generative sampling). We provide two anytime policies on top of this generalization: Anytime GTMP with random restarts at a fixed budget, which covers every homotopy class almost surely, and AO-GTMP with informed expansion with growing budgets, which converges to the optimal cost. We prove that a single sampled graph covers every endpoint-fixed homotopy class admitting a (δ)-clear representative of bounded length. We also prove that additional samples per layer reduce the per-layer miss probability exponentially, whereas stronger local planners reduce the required layer count only sublinearly. On manipulation benchmarks the method matches state-of-the-art performance, and on 2D navigation it returns batches of topologically diverse solutions, while the informed baselines concentrate on one or two classes.