在机器人运动规划领域，基于采样的规划器（如RRT*、PRM*等渐近最优算法）因其概率完备性和处理高维构型空间的能力而被广泛采用。然而，当构型空间配备依赖于构型的黎曼度量时（例如考虑动力学约束、能量消耗或任务相关代价），传统的欧氏启发式不再满足可容许性，导致信息集（informed set）的构造失效，从而降低采样效率。信息集技术通过将采样限制在可能改进当前解的子空间内，显著加速收敛，但现有方法大多依赖欧氏距离的椭球近似，难以直接推广到黎曼流形。
针对这一问题，先前的工作尝试使用标量特征值界来恢复可容许性：通过计算度量张量的最大特征值，将黎曼距离缩放为欧氏距离的下界。这种方法虽然保证了可容许性，却丢失了度量张量的方向信息，导致信息集过于保守，采样效率提升有限。本文作者Phone Thiha Kyaw和Jonathan Kelly提出了一种新的矩阵值可容许启发式，利用对称正定矩阵上的Loewner序来构造度量张量的最紧常数下界。Loewner序定义为：对于对称正定矩阵A和B，若B-A半正定，则称A ≤_L B。该下界在保持完整方向结构的同时，给出了逐点的最紧全局常数下界，从而产生比标量特征值界更紧的信息集。
具体而言，作者计算度量张量G(x)在Loewner序下的最大常数下界L，即对于所有构型x，满足L ≤_L G(x)。这个L是一个对称正定矩阵，其Cholesky分解L = C C^T定义了一个线性映射y = C^{-1} x，将原黎曼流形映射到一个各向同性的欧氏空间。在该空间中，黎曼信息集（定义为满足黎曼距离小于当前最优解代价的构型集合）恰好转化为标准的长球体（prolate hyperspheroid），从而可以直接应用现有的欧氏信息集采样算法（如直接采样、拒绝采样等），且无需拒绝步骤，因为映射后的区域是凸的且易于采样。
为了验证方法的有效性，作者在三个不同的机械臂平台（6自由度UR5、7自由度Franka和14自由度PR2）上进行了操作任务实验，并考虑了三种不同的黎曼度量（例如基于关节速度、加速度或任务空间代价的度量）。实验结果表明，与欧氏启发式和标量特征值界相比，所提出的矩阵值下界始终产生更紧的信息集，从而加速了多种最先进的渐近最优规划器（如RRT*、BIT*、AIT*等）的收敛速度。具体来说，在相同的规划时间内，新方法能够找到更优的路径，或者在达到相同路径质量时所需时间更短。
该论文已被提交至IEEE Robotics and Automation Letters (RA-L) 进行审阅，其核心贡献在于为黎曼流形上的信息集采样提供了一种理论严谨且计算高效的解决方案。通过利用Loewner序和Cholesky分解，该方法不仅保持了可容许性，还最大限度地保留了度量张量的方向信息，从而在复杂机器人系统中实现了更快的运动规划。未来的工作可能包括将该方法扩展到更一般的度量空间或与其他采样策略结合。