7、基于CLS的设计空间探索与大规模异构多机器人覆盖策略

基于CLS的设计空间探索与大规模异构多机器人覆盖策略

1. 基于CLS的设计空间探索实验

在实验评估中，首先进行了3D刚体规划实验。选择了OMPL提供的规划问题，对每个合适的问题实例进行设计空间探索。实验分为两个阶段：
- 实验设计（DoE）阶段 ：随机采样50个算法配置。
- 主动学习阶段 ：进行50次迭代。

最大计算时间输入值范围设定为2.0 - 90.0秒。若规划程序在给定时间内未找到精确解，则视为执行失败。基于采样的运动规划程序的解路径会经过OMPL简化程序进行后处理，简化时间为2.0秒。

在“Abstract”问题实例的实验中，设计空间包含所有带有Python绑定的OMPL规划器和采样器。实验结果显示，简化路径的最小平均长度为580长度单位，计算时间至少7秒（包括简化时间）。该实验确定了Expansive Space Trees（EST）和SBL规划器适合此规划问题。高斯有效状态采样对计算时间有积极影响，最大间隙有效状态采样和均匀有效状态采样在路径长度方面表现出色。

目标	规划器	采样器	运动验证器	规划时间	路径长度	计算时间	失败率
重要性	0.60	0.