ABSTRACT Robot-path-planning seeks the shortest path to optimize the motion cost for robots. In robot-path-planning, the computational time will significantly increase if the moving targets rise largely, also known as the large-scale TSP. Hence, the current algorithms for the shortest path planning may be ineffective in the large-scale TSP. Aimed at the real-time applications that a robot must achieve as many goals as possible within limited time and the computational time of a robot has to be short enough to provide the next moving signal in time. Otherwise, the robot will be trapped into the idle status. This work proposes a hybrid approach, called the pre-clustering greedy heuristic, to tackle the reduction of computational time cost and achieve the near-optimal solutions. The proposed algorithm demonstrates how to lower the computational time cost drastically via smaller data of a sub-group, divided by k-means clustering, and the intra-cluster path planning. An algorithm is also developed to construct the nearest connections between any two unconnected clusters, ensuring the inter-cluster tour is the shortest. As a result, by utilizing the proposed heuristic, the computational time is significantly reduced and the path length is more efficient than the benchmark algorithms, while the input data grow up to a large scale. In applications, the proposed work can be applied practically to the path planning with large-scale moving targets, for example, the employment for the ball-collecting robot in a court.

中文翻译：

---

一种使用预聚类和贪婪启发式混合方法进行大规模机器人路径规划的有效方法

摘要 机器人路径规划寻求最短路径来优化机器人的运动成本。在机器人路径规划中，如果运动目标大幅上升，计算时间将显着增加，也称为大规模 TSP。因此，当前最短路径规划算法在大规模 TSP 中可能无效。针对实时应用，机器人必须在有限的时间内实现尽可能多的目标，并且机器人的计算时间必须足够短以及时提供下一个移动信号。否则，机器人将陷入空闲状态。这项工作提出了一种称为预聚类贪婪启发式的混合方法，以解决计算时间成本的减少并实现近乎最优的解决方案。所提出的算法演示了如何通过较小的子组数据、k-means 聚类划分和簇内路径规划来显着降低计算时间成本。还开发了一种算法来构建任何两个未连接的集群之间的最近连接，确保集群间旅行最短。结果，通过利用所提出的启发式算法，计算时间显着减少，路径长度比基准算法更有效，同时输入数据增长到大规模。在应用中，所提出的工作可以实际应用于具有大规模移动目标的路径规划，例如，在球场上使用接球机器人。以及簇内路径规划。还开发了一种算法来构建任何两个未连接的集群之间的最近连接，确保集群间旅行最短。结果，通过利用所提出的启发式算法，计算时间显着减少，路径长度比基准算法更有效，同时输入数据增长到大规模。在应用中，所提出的工作可以实际应用于具有大规模移动目标的路径规划，例如，在球场上使用接球机器人。以及簇内路径规划。还开发了一种算法来构建任何两个未连接的集群之间的最近连接，确保集群间旅行最短。结果，通过利用所提出的启发式算法，计算时间显着减少，路径长度比基准算法更有效，同时输入数据增长到大规模。在应用中，所提出的工作可以实际应用于具有大规模移动目标的路径规划，例如，在球场上使用接球机器人。计算时间显着减少，路径长度比基准算法更有效，同时输入数据增长到大规模。在应用中，所提出的工作可以实际应用于具有大规模移动目标的路径规划，例如，在球场上使用接球机器人。计算时间显着减少，路径长度比基准算法更有效，同时输入数据增长到大规模。在应用中，所提出的工作可以实际应用于具有大规模移动目标的路径规划，例如，在球场上使用接球机器人。