論文の概要: One-shot path planning for multi-agent systems using fully convolutional neural network

• arxiv url: http://arxiv.org/abs/2004.00568v1
• Date: Wed, 1 Apr 2020 16:56:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 18:09:55.963754
• Title: One-shot path planning for multi-agent systems using fully convolutional neural network
• Title（参考訳）: 完全畳み込みニューラルネットワークを用いたマルチエージェントシステムのワンショット経路計画
• Authors: Tomas Kulvicius, Sebastian Herzog, Timo L\"uddecke, Minija Tamosiunaite and Florentin W\"org\"otter
• Abstract要約: 本稿では,複数のエージェントに対して1ショットで完全な経路を生成することができる完全畳み込みニューラルネットワークを用いた新しい手法を提案する。 本手法は, 単一経路予測の場合の98%以上において, 最適な経路あるいは近い経路を生成できることを実証した。
• 参考スコア（独自算出の注目度）: 7.753962856673561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Path planning plays a crucial role in robot action execution, since a path or a motion trajectory for a particular action has to be defined first before the action can be executed. Most of the current approaches are iterative methods where the trajectory is generated iteratively by predicting the next state based on the current state. Moreover, in case of multi-agent systems, paths are planned for each agent separately. In contrast to that, we propose a novel method by utilising fully convolutional neural network, which allows generation of complete paths, even for more than one agent, in one-shot, i.e., with a single prediction step. We demonstrate that our method is able to successfully generate optimal or close to optimal paths in more than 98\% of the cases for single path predictions. Moreover, we show that although the network has never been trained on multi-path planning it is also able to generate optimal or close to optimal paths in 85.7\% and 65.4\% of the cases when generating two and three paths, respectively.
• Abstract（参考訳）: 経路計画は、行動が実行される前に、特定の行動の経路や動きの軌跡を定義する必要があるため、ロボットの行動実行において重要な役割を果たす。 現在のアプローチのほとんどは、現在の状態に基づいて次の状態を予測して軌道を反復的に生成する反復的手法である。 さらに、マルチエージェントシステムの場合、各エージェントに対して個別にパスを計画する。 それとは対照的に,1回の予測ステップで複数のエージェント,すなわち1つのエージェントに対しても完全なパス生成を可能にする,完全畳み込みニューラルネットワークを用いた新しい手法を提案する。 本手法は,単一経路予測の場合の98\%以上において最適経路あるいは最適経路に近い経路を効果的に生成できることを実証する。 さらに、ネットワークはマルチパス計画においてトレーニングされていないが、2つのパスを生成する場合の85.7\%と65.4\%で最適な経路または近い経路を生成することが可能であることを示す。

関連論文リスト

• FootstepNet: an Efficient Actor-Critic Method for Fast On-line Bipedal Footstep Planning and Forecasting [0.0]
  本研究では,障害物のある環境下を移動するための効率的なフットステップ計画法を提案する。 また,地域目標の異なる候補に到達するのに必要なステップ数を素早く推定できる予測手法を提案する。 本研究は,RoboCup 2023コンペティションにおいて,シミュレーション結果と,子供サイズのヒューマノイドロボットへの展開によるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-19T09:48:18Z)
• PPNet: A Two-Stage Neural Network for End-to-end Path Planning [8.609933204182047]
  EDaGe-PPと呼ばれる経路計画のための新しい効率的なデータ生成手法を提案する。 PPNetは15.3msで最適に近い解を見つけることができるが、これは最先端のパスプランナーよりもはるかに短い。
  論文  参考訳（メタデータ） (2024-01-18T09:20:27Z)
• NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain [5.337162499594818]
  本稿では,この縮小された検索空間内でのみ最適な経路をAstarのような基礎アルゴリズムで見つけることができるNNPPモデルを提案する。 NNPPモデルは、多くの事前注釈付き最適経路のデモから、スタート地点とゴール地点に関する情報とマップ表現を学習する。 新規地図上での経路計画のテキストカラー化が可能である。
  論文  参考訳（メタデータ） (2023-08-09T08:31:05Z)
• Efficient Ground Vehicle Path Following in Game AI [77.34726150561087]
  本稿では,ゲームAIに適した地上車両の効率的な追従経路を提案する。 提案したパスフォロワは,一対一シューティングゲームにおいて,様々なテストシナリオを通じて評価される。 その結果,既存の経路と比較すると,立ち往生するイベントの総数が70%減少した。
  論文  参考訳（メタデータ） (2023-07-07T04:20:07Z)
• Scalable Probabilistic Routes [33.119667669694216]
  ルート予測のための有望なアプローチの1つは、確率値で拡張された決定図を使用する。 線形な変数数を用いた緩和符号化を導入し、結果の決定図のサイズを大幅に削減する。 ステップワイズサンプリング方式の代わりに,単一パスサンプリングに基づく経路予測を提案する。
  論文  参考訳（メタデータ） (2023-06-19T07:10:34Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
  3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。 提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
  論文  参考訳（メタデータ） (2022-05-30T16:22:53Z)
• PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
  パスプランニングは、モバイルロボティクスの重要なコンポーネントです。 アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2021-05-04T21:48:18Z)
• Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
  未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。 視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。 本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:58:56Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• Sub-Goal Trees -- a Framework for Goal-Based Reinforcement Learning [20.499747716864686]
  多くのAI問題は、ロボット工学やその他の分野において、ゴールベースであり、基本的には様々な目標状態につながる軌道を求めている。 本稿では,全てのペア最短経路(APSP)問題に対する動的プログラミング方程式から導出した新しいRLフレームワークを提案する。 このアプローチは、標準的な動的プログラミングと近似動的プログラミングの両方に計算上の利点があることを示す。
  論文  参考訳（メタデータ） (2020-02-27T12:32:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。