近日，研究人员提出了一种名为Track A*（TA*）的新型离线搜索轨迹规划器，旨在解决主动目标跟踪中的可见性感知轨迹规划问题。该工作发表于arXiv，由Hanxuan Chen、Kangli Wang和Ji Pei共同完成。
主动目标跟踪在许多机器人应用中至关重要，例如自动驾驶、监控和搜索救援。离线参考轨迹在构建多模态跟踪数据集以及在可重复条件下基准测试在线跟踪规划器时都不可或缺。Track A*面向这一需求，在离散的四维时空网格（x, y, z, t）上优化可见性感知的跟踪目标。
Track A*的核心创新在于将分层有向无环图（DAG）搜索与三种工程优化相结合：基于包围体层次结构（BVH）的跨时间障碍物距离缓存、逐层束剪枝以及可配置的多射线可见性评估器。通过束剪枝启发式搜索，该规划器在离散图上高效地寻找高质量的跟踪轨迹。虽然它牺牲了严格的理论最优性以换取实际可扩展性，但实验结果表明，其在计算成本大幅降低的情况下，能够保持与基线相当的可见性性能。
在八张CARLA优化地图上进行的1000场景压力测试中，Track A*在所有场景中均收敛，并使用32个工作者在45秒内完成。在与未优化的优先队列A*基线（BinaryHeap实现）进行的248场景对比测试中，在相同场景输入和500万扩展上限下，Track A*将平均规划时间降低了23.0倍，最坏情况规划时间降低了11.8倍，同时将收敛率从56.9%提升至100%。在基线收敛的141个场景子集上，Track A*的平均可见性变化仅为-0.15个百分点，且没有场景的可见性下降超过5个百分点。
研究团队将Track A*定位为特定条件下的实用离线参考规划器，并讨论了其在如Town07密集植被等环境中的局限性和失败案例。该工作为主动目标跟踪领域提供了一种高效、可靠的离线规划方案，有望促进相关数据集构建和算法基准测试。