Title: Multi Graph Search for High-Dimensional Robot Motion Planning
Authors: Itamar Mishani, Maxim Likhachev
arXiv: https://arxiv.org/abs/2602.12096
Problem framing
高维机械臂/移动操作平台的规划长期在“实时性 vs 轨迹稳定性”间拉扯：快搜索方法常给出不稳定路径，稳定方法又很吃算力与内存。本文试图把这对矛盾在搜索层统一。
Core method
作者提出 Multi-Graph Search (MGS)：不是在单一隐式图上扩展，而是并行维护多个图并逐步合并。核心思想是把不同拓扑“可通行盆地”分开探索，再通过可行转移边桥接，降低盲目全局扩展成本。
Key equations and mechanisms
机制上可理解为在多个前沿集合 上进行耦合 A*/启发式扩展，并在满足连通判据时触发 merge：
文中给出 complete 性与次优界（bounded suboptimality）分析，说明该多图范式不是启发式拼凑，而是可证明的搜索框架。
Experiment reading guide
先看：
- 与单向/双向搜索在高维场景（窄通道、障碍密集）成功率与规划时延对比；
- 内存增长曲线是否随维度上升更平滑；
- 轨迹一致性（是否出现抖动/非自然折返）。
Limitations
- 质量仍依赖启发式函数质量；
- 图间合并策略参数对不同机器人形态可能需重调。
Future work
可与学习型启发式结合（value-guided search），让图选择和合并门控由数据驱动自适应。
Replication angle
复现实操建议：先在 OMPL/MoveIt 基准上实现多图容器与合并规则，再逐步替换启发式，评估时延-最优性 Pareto 曲线。
Figure links
- 关键图（source 提取）：
../../out/telegram-cards/2026-02-15/2602.12096-fig1.png
Graph: Paper Node 2602.12096