arXiv · cs.RO· Qingxi Meng, Emiliano Flores, Carlos Quintero-Pe\~na, Peizhu Qian, Zachary Kingston, Shannan K. Hamlin, Vaibhav Unhelkar, Lydia E. Kavraki·· 7 小时前精选AI 评分72
论文 / 摘要阅读
PS-PRM：为高自由度机器人规划同时运动与感知的路径
Look as You Leap: Planning Simultaneous Motion and Perception for High-DOF Robots
AI 导读 · 根据来源整理
研究提出 PS-PRM，一种由感知得分引导、GPU 并行的概率路图规划器，用于让高自由度机器人在静态和动态环境中从起始构型运动到目标构型，并持续满足感知约束。方法用神经代理模型近似感知得分并纳入路图规划，借助 GPU 并行支持在线重规划。作者称在仿真和实机实验中，该规划器在静态与动态环境下优于基于强化学习和轨迹优化的基线。论文已被 T-RO 接收。
本站目前提供摘要
以上是对来源材料的中文整理，不是完整论文或全文。研究方法、数据与完整论述请到来源页面核对。
前往 arXiv · cs.RO 阅读原文 ↗来源：arXiv · cs.RO · arxiv.org