通过学习的推前映射实现遍历轨迹设计：基于条件流匹配的可证明覆盖

Ehsan Aghazadeh, Masoud Malekzadeh, Ahmad Ghasemi, Hossein Pishro-Nik

2026

摘要

本文提出了一种epushforward框架，通过离线学习的最优传输条件流匹配将简单环形域上的均匀遍历轨迹映射到目标密度分布，从而在满足能量和约束条件下实现可证明的遍历覆盖。该方法避免了在线重新优化，显著降低了计算成本。

ergodic coveragetrajectory designconditional flow matchingUAVoptimal transport

LEARNING

开放获取📊 1 引用

Keyi Shen, Glen Chou

2026

LEARNING

📊 0 引用

Xiwei Wu, Wei Wu, Qiqi Chen 等 9 位作者

Robotics and Computer-Integrated Manufacturing · 2026

LEARNING

📊 0 引用

Hedi Boukamcha, Anas Neumann, Monia Rekik 等 6 位作者

Robotics and Computer-Integrated Manufacturing · 2026

LEARNING

📊 0 引用

Jiaxin Liu, Xiaofeng Zhou, Suyang Yu 等 8 位作者

Robotics and Computer-Integrated Manufacturing · 2026