我有一段时间专注于机器人的运动规划，并且有一段时间想探索“潜在领域”方法提供的机会的可能性。我的挑战是避免机器人在使用“势场”方法时陷入“局部最小值”。我没有使用“随机行走”方法来避免机器人被困，而是考虑是否有可能实现 A* 的变体，它可以作为一种精确避免机器人被困在“局部最小值”。
有没有这种经验，或者可以参考文献，比“随机游走”的方法更有效地避免了局部最小值。
【问题讨论】：
标签： robotics a-star motion-planning
A* 和潜在领域都是搜索策略。您遇到的问题是某些搜索策略比其他搜索策略更“贪婪”，而且过于贪婪的算法往往会陷入局部最小值。
在一些替代方案中，贪婪（陷入局部最小值的主要原因）和多样性（尝试在短期内似乎不是一个好的选择的新替代方案）之间的张力被参数化了。
几年前，我对蚂蚁算法进行了一些研究（搜索 Marco Dorigo、ACS、ACO），他们有一系列搜索算法，几乎可以应用于任何事物，它们可以控制贪婪与. 探索你的搜索空间。在他们的一篇论文中，他们甚至比较了使用遗传算法、模拟退火等方法解决 TSP（典型旅行商问题）的搜索性能。蚂蚁赢了。
我过去使用遗传算法解决了 TSP，如果您愿意，我仍然拥有 delphi 中的源代码。
【讨论】：
使用调和函数路径规划。谐波函数是描述流体流动和其他自然现象的势函数。如果它们使用边界条件正确设置，则它们没有局部最小值。自 90 年代初以来，Rod Grupen and Chris Connolly 一直在使用它们。这些函数已被证明是一种特定形式的优化控制，可最大限度地减少碰撞概率。可以使用差分方程（即 Gauss-seidel、连续过松弛等）在低维空间中有效地计算它们。
【讨论】：