最近、研究者らは、能動的目標追跡における可視性認識軌道計画のための新しいオフライン検索ベースの軌道プランナー「Track A*（TA*）」を提案した。この研究はarXivで公開され、Hanxuan Chen、Kangli Wang、Ji Peiによって執筆された。
能動的目標追跡は、自動運転、監視、捜索救助など多くのロボット応用において重要である。オフライン参照軌道は、マルチモーダル追跡データセットの構築や、再現可能な条件下でのオンライン追跡プランナーのベンチマークに必要とされる。Track A*は、離散化された4次元時空間グリッド（x, y, z, t）上で可視性認識追跡目標を最適化する。
Track A*の核心は、階層的有向非巡回グラフ（DAG）探索と3つの工学的最適化（バウンディングボリューム階層（BVH）を用いた時間横断障害物距離キャッシュ、層ごとのビーム枝刈り、設定可能なマルチレイ可視性評価器）を組み合わせることである。ビーム枝刈りヒューリスティック探索により、この離散グラフ上で高品質な追跡軌道を効率的に見つける。厳密な理論的最適性を実用的なスケーラビリティと交換する一方、実験結果は、計算コストを大幅に削減しながら、ベースラインに近い頑健な可視性性能を示している。
8枚のCARLA最適化マップでの1000シナリオストレステストでは、Track A*は全シナリオで収束し、32ワーカーを使用して45秒で完了した。未最適化の優先度キューA*ベースライン（BinaryHeap実装）との248シナリオ比較テストでは、同一のシナリオ入力と500万拡張上限の下で、Track A*は平均計画時間を23.0倍、最悪時計画時間を11.8倍短縮し、収束率を56.9%から100%に向上させた。ベースラインが収束した141シナリオのサブセットでは、Track A*の平均可視性変化はわずか-0.15パーセントポイントであり、5パーセントポイントを超える低下はなかった。
研究チームは、Track A*を特定条件下での実用的なオフライン参照プランナーと位置づけ、Town07の密な植生などの環境における限界と失敗例についても議論している。この研究は、能動的目標追跡分野に効率的で信頼性の高いオフライン計画手法を提供し、データセット構築やアルゴリズムベンチマークの促進が期待される。