研究的一个主要领域是完善和扩展Karaman S首次提出的渐近最优性的理论分析。包括保证渐近最优或概率最优的情况下压缩边界(1),为渐近收敛制定宽松的界限以至于找到near optimal解(2),以及扩展以评估收敛速度的分析(3)。
1、
渐近最优性是考虑了每个采样点的多个连接的结果。连接需要关于状态估量、状态维度和已有顶点数量的函数。每增加新采样点时,这些表达式的定义都需要确定最小数量的k-nearest或最大距离(r-disc)。
但是采样点及其连通数量的增多,其计算成本也会增加。因此一些研究关注于开发更紧边界、其他算法的可替换分析、或外加具体假设,使得可在保留渐近最优性的同时减少连接。这些研究聚焦:原始分析的局限性、从渐近最优到概率收敛、用不同的采样和图模型去开发替代分析和精炼连通性的表达、规划动力学系统时考虑其渐近收敛的必要条件(包括增强成本状态的搜索空间、集合任务和运动的规划问题)。
2、
渐近最优算法会随着样本数量的增加而收敛到最优解,但几乎不会在有限时间内达到最优解。基于采样的near-optimal渐近算法可通过指定最佳因子的方式使得解可收敛从而提高实际性能。这种松弛的理论保证减少了计算工作量,并且可以导致算法在有限的时间内更快地找到更好的解决方案,并且使用的算法资源要少于维持严格的渐近最优性所需的资源。
渐近的接近最佳状态可以通过多种方式实现,包括不同的连接性表达式以及在搜索过程中或搜索之后懒惰地评估或删除连接。
3
基于渐近最优采样的规划算法用无限样本收敛,但不能保证其收敛速度。不同的速率可能会导致有限时间内性能的数量级差异。了解不同情况下的收敛速率可以帮助我们针对实际问题确定有用的算法,还可以设计更好的规划算法。
研究焦点包括根据随机样本和确定性样本对PRM *和快速行进树(FMT *)的有限采样,从而确定解决方案长度的概率边界。研究还包括渐近接近最优的运动学规划器的收敛速率、在状态成本空间中的可规划空间的渐近最优运动学规划器的收敛速率。已有研究证明单纯的RRT*在所有问题和规划配置中,最小化路径长度时,仅有子线性收敛速度(慢于线性收敛)。但RRT*的变种则不一样,如Informed-RRT*则能在某些问题中线性收敛。