← 返回论文列表

通过连通性保持区域提议网络加速机器人路径规划
Accelerating Robot Path Planning via Connectivity-Preserving Region Proposal Network

作者: Zhanzheng Ma, Cancan Zhao, Shuai Zhang 等4人
arXiv: 2605.28362v1
分类: cs.RO
📝 论文摘要
移动机器人路径规划方法通常受限于庞大的搜索空间，导致基于采样的算法存在延迟。基于学习的方法常面临局部区域碎片化和全局拓扑不一致的问题。为解决此问题，我们提出了连通性保持区域提议网络（CP-RPN），一种分割引导模型，用于预测紧凑且拓扑连通的候选区域，显著压缩搜索空间。具体而言，我们设计了一个分割模型，利用可变形注意力变换器（DAT）捕获长距离依赖以实现全局连通性，并采用反卷积解码器保留细粒度空间细节。为保证预测掩码的连通性，我们设计了一个复合损失函数，结合了用于像素级监督的交叉熵损失、增强局部连贯性的连通性感知损失，以及基于持续同调的拓扑连续性损失以强制实现全局连通性。基于这些高连通性的走廊状区域，使用Voronoi图规划路径，并辅以局部A*回退机制确保鲁棒性。实验结果表明，与MPT基线相比，CP-RPN将候选区域大小缩减了超过60.13%，实现了确定性低延迟规划（平均0.11秒），成功率达99.60%，在稳定性上优于传统基于采样的算法。

📊 核心分析

🎯 研究动机
- 解决移动机器人路径规划中**搜索空间巨大** 导致采样算法延迟的问题 - 现有学习式方法存在**局部区域碎片化(local region fragmentation)** 和**全局拓扑不一致(global topological inconsistency)** 的缺陷 - 背景：传统采样算法在复杂环境中计算开销大，学习模型难以同时保证区域紧凑性与拓扑连通性
🔧 核心方法
- 提出**连通性保持区域提议网络(CP-RPN)**，一种分割引导模型，预测紧凑且拓扑连接的候选区域 - 设计**分割模型**，利用**可变形注意力变换器(Deformable Attention Transformer, DAT)** 捕获长程依赖以保证全局连通性，结合**反卷积解码器** 保留细粒度空间细节 - 构造**复合损失函数**：**交叉熵损失(Cross-Entropy loss)** 进行像素级监督，**连通性感知损失(Connectivity-Aware loss)** 增强局部连贯性，**拓扑连续性损失(Topological Continuity loss)** 基于**持续同调(persistent homology)** 强制全局连通性 - 在预测的高连通走廊状区域上使用**Voronoi图** 规划路径，并引入**局部A*回退机制**确保鲁棒性
💡 核心创新
- **首个将拓扑连续性损失融入分割引导路径规划**，利用持续同调显式保证预测区域的全局连通性 - **可变形注意力变换器(DAT)** 自适应捕捉长距离依赖，避免传统CNN的局部感受野限制，实现全局拓扑一致性 - **复合损失函数** 同时优化像素精度、局部连通性和拓扑结构，三者协同解决区域碎片化问题 - **Voronoi图+局部A*回退**结合高连通区域，实现稳定高效的低延迟规划
🏆 总体贡献
- 提出**CP-RPN框架**，有效压缩候选区域（减少60.13%），大幅缩小搜索空间 - 实现**确定性低延迟规划** （平均0.11秒）和**高成功率（99.60%）**，在稳定性上优于传统采样算法 - 为学习式路径规划提供了**保持拓扑连通性的新范式**，可推广至其他搜索空间压缩任务