连续时间高斯信念树用于运动规划
该论文提出了一种针对连续时间随机系统的采样运动规划方法，该方法考虑了过程和测量不确定性，并提供了概率安全与性能保证。通过混合信念传播模型和信念障碍函数安全检测，实现了对连续轨迹的安全验证，有效避免了离散时间方法中因忽视采样间违规而导致的问题。该方法集成了RRT和SST规划器，在多个基准环境中表现出高成功率和鲁棒的约束满足能力。
arXiv最新发表的一篇研究论文（编号2607.02884）由Rayan Mazouz及其三位合作者共同撰写，针对连续时间随机系统下的运动规划问题提出了一种创新方法。该方法能够同时处理过程噪声和测量不确定性，并在此基础上提供关于安全性和性能的概率性保证。传统采样运动规划通常基于离散时间步长进行节点级安全检查，但这会忽略连续轨迹中相邻采样点之间的潜在不安全行为。例如，机器人在两个离散时刻之间可能穿越危险区域，而节点级检测无法捕捉到这种违规。为克服这一根本性局限，研究团队开发了连续时间高斯信念树框架。
在该框架中，机器人的动力学被建模为一个连续时间线性随机微分方程，而传感器测量仅在离散时间点获得。为了融合这两种时间特性，他们推导了一种离线混合信念传播模型：在两次测量之间，机器人的信念（即状态的概率分布）通过连续时间常微分方程演化；而在测量时刻，则通过离散卡尔曼滤波更新实现跳跃变化。这种混合模型能够精确描述系统连续动态与离散观测的交互作用。
安全性验证是该框架的核心创新之一。论文引入了基于信念障碍函数的安全检测器，用于对连续轨迹段进行概率验证。与传统的节点级检查不同，该检测器能够评估整段连续轨迹上的机会约束违规情况，从而发现那些因采样间不安全行为而被遗漏的风险。结合混合信念传播和分段安全验证，该方法为采样信念规划提供了从连续时间不确定性传播到连续时间安全要求的完整且原则性的解决方案。
研究者将所提出的方法集成到了快速随机扩展树（RRT）和稳定稀疏树（SST）两种主流规划器中，并在多个基准环境中进行了广泛评估。实验结果表明，该方法在不同场景下均实现了高成功率和鲁棒的机会约束满足。特别是在窄通道等具有挑战性的任务中，离散时间方法因无法检测采样间的不安全行为而频繁失败，而新方法依然能够成功规划出安全轨迹。该工作为不确定性条件下的机器人运动规划提供了坚实的理论基础和实用的算法框架。