論文の概要: CNN Encoder to Reduce the Dimensionality of Data Image for Motion Planning

• arxiv url: http://arxiv.org/abs/2004.05077v1
• Date: Fri, 10 Apr 2020 15:44:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 20:26:08.966515
• Title: CNN Encoder to Reduce the Dimensionality of Data Image for Motion Planning
• Title（参考訳）: 動き計画のためのデータ画像の次元性を低減するcnnエンコーダ
• Authors: Janderson Ferreira (1), Agostinho A. F. J\'unior (1), Yves M. Galv\~ao (1), Bruno J. T. Fernandes (1) and Pablo Barros (1 and 2) ((1) Universidade de Pernambuco - Escola Polit\'ecnica de Pernambuco, (2) Cognitive Architecture for Collaborative Technologies Unit - Istituto Italiano di Tecnologia)
• Abstract要約: 動作計画問題に対して無駄な経路を除去できるCNNエンコーダを提案する。 評価されたすべてのシナリオにおいて、我々のソリューションはイテレーションの数を60%以上削減しました。
• 参考スコア（独自算出の注目度）: 1.244705780038575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world applications need path planning algorithms to solve tasks in different areas, such as social applications, autonomous cars, and tracking activities. And most importantly motion planning. Although the use of path planning is sufficient in most motion planning scenarios, they represent potential bottlenecks in large environments with dynamic changes. To tackle this problem, the number of possible routes could be reduced to make it easier for path planning algorithms to find the shortest path with less efforts. An traditional algorithm for path planning is the A*, it uses an heuristic to work faster than other solutions. In this work, we propose a CNN encoder capable of eliminating useless routes for motion planning problems, then we combine the proposed neural network output with A*. To measure the efficiency of our solution, we propose a database with different scenarios of motion planning problems. The evaluated metric is the number of the iterations to find the shortest path. The A* was compared with the CNN Encoder (proposal) with A*. In all evaluated scenarios, our solution reduced the number of iterations by more than 60\%.
• Abstract（参考訳）: 多くの現実世界のアプリケーションは、ソーシャルアプリケーションや自動運転車、追跡活動など、さまざまな分野のタスクを解決するためにパス計画アルゴリズムを必要とする。 最も重要な動き計画です ほとんどのモーションプランニングシナリオではパスプランニングの使用が十分だが、動的変化を伴う大規模環境での潜在的なボトルネックを表している。 この問題に対処するために、経路計画アルゴリズムがより少ない労力で最短経路を見つけるのを容易にするために、可能な経路の数を削減できる。 経路計画のための伝統的なアルゴリズムはa*であり、他の解よりも高速に働くためにヒューリスティックを用いる。 本研究では,動き計画問題に対して不要な経路を除去できるcnnエンコーダを提案し,提案するニューラルネットワーク出力とa*を組み合わせる。 提案手法の効率性を評価するために, 動作計画問題の異なるシナリオのデータベースを提案する。 評価されたメトリクスは、最も短いパスを見つけるためのイテレーションの数です。 A* は CNN Encoder (proposal) と A* を比較した。 評価されたすべてのシナリオにおいて、我々のソリューションはイテレーションの数を60\%以上削減しました。

関連論文リスト

• Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
  運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。 提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。 我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2024-09-09T17:59:45Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• STAMP: Differentiable Task and Motion Planning via Stein Variational Gradient Descent [35.96763689715956]
  シーケンシャルなロボティクスタスクの計画には、しばしば記号的および幾何学的推論を必要とする。 TAMPアルゴリズムは、運動学的および動的実現可能性を確認しながら、高レベルのタスクシーケンス上でツリーサーチを実行することで、これらの問題を解決するのが一般的である。 本稿では,ハイブリッド最適化問題を連続領域に緩和するSTAMP(Stein Task and Motion Planning)という新しいTAMP手法を提案する。
  論文  参考訳（メタデータ） (2023-10-03T03:53:51Z)
• POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
  パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。 我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
  論文  参考訳（メタデータ） (2023-07-16T19:44:27Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
  パスプランニングはモバイルロボティクスの重要な構成要素である。 学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。 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） (2022-03-07T01:52:57Z)
• Learning to Search in Task and Motion Planning with Streams [20.003445874753233]
  ロボット工学におけるタスク計画問題と動作計画問題は、個別のタスク変数に対するシンボリック計画と、連続状態および動作変数に対する動作最適化を組み合わせたものである。 対象と事実の集合を最優先的に拡張する幾何学的情報に基づく記号プランナを提案する。 ブロックスタッキング操作タスクにおいて,このアルゴリズムを7DOFロボットアームに適用する。
  論文  参考訳（メタデータ） (2021-11-25T15:58:31Z)
• 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)
• Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time [8.234463661266169]
  歩行者の深い強化学習に基づく経路計画アルゴリズムを設計する。 本稿では,道路渋滞を回避するため,エージェントが深層Qネットワークを通じて戦略を学習する動的調整可能な経路計画法を提案する。 シミュレーションの結果,DARPアルゴリズムは,従来の最短経路計画アルゴリズムと比較して,混雑条件下で52%の時間を節約できることがわかった。
  論文  参考訳（メタデータ） (2020-11-03T15:10:09Z)
• Performance Improvement of Path Planning algorithms with Deep Learning Encoder Model [1.1995939891389429]
  この状況を克服するために畳み込みニューラルネットワーク(CNN)が用いられた。 本稿では,このCNNモデルを用いて性能を詳細に解析し,無駄な経路を除去する。
  論文  参考訳（メタデータ） (2020-08-05T17:34:31Z)
• Three Dimensional Route Planning for Multiple Unmanned Aerial Vehicles using Salp Swarm Algorithm [0.0]
  ルートプランニングは、あるスタート地点から目的地のゴール地点までの一連の翻訳と回転のステップである。 提案手法は,それぞれ平均コストと全体の時間を1.25%と6.035%改善する。
  論文  参考訳（メタデータ） (2019-11-24T12:36:18Z)

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。