透過Loewner序下界在黎曼流形上的直接知情采樣
本文提出一種基於Loewner序下界的矩陣值可容許啟發式方法，在黎曼流形上進行直接知情采樣，透過保留度量張量的方向結構生成更緊緻的知情集，加速機器人運動規劃。在多種操作任務上的實驗表明，該方法優於傳統的歐幾里得和標量特徵值界限，能更快地收斂到最優解。
在機器人運動規劃中，知情采樣技術透過將搜尋聚焦於狀態空間中的有希望區域來加速基於取樣的規劃器。然而，現有大多數方法依賴於歐幾里得啟發式，這些啟發式在依賴於構型的黎曼度量下變得不可容許。雖然標量特徵值界限透過均勻縮放歐幾里得距離恢復了可容許性，但它們丟棄了度量的方向結構，產生了過於保守的知情集。
針對這一問題，Phone Thiha Kyaw和Jonathan Kelly提出了一種矩陣值的可容許啟發式方法，利用對稱正定矩陣上的Loewner序來計算度量張量的最緊常數下界，同時保留其完整的方向結構。該下界的Cholesky分解定義了一個線性對映，將黎曼知情集簡化為標準的扁長超橢球體，從而能夠使用現有演算法進行直接、無拒絕的取樣。
實驗在6自由度UR5、7自由度Franka和14自由度PR2機器人上，在三種不同的黎曼度量下進行。結果表明，該啟發式方法產生的知情集比歐幾里得界限和標量特徵值界限都更緊，加速了多種最先進漸近最優規劃器的收斂。該論文已提交至IEEE機器人學與自動化快報（RA-L）。
這一工作為機器人運動規劃中的知情采樣提供了更精確的數學工具，有望提升機械臂在複雜環境中的操作效率。未來可以進一步擴充套件到動態環境和更高維度的狀態空間。