論文の概要: Performance Improvement of Path Planning algorithms with Deep Learning Encoder Model

• arxiv url: http://arxiv.org/abs/2008.02254v1
• Date: Wed, 5 Aug 2020 17:34:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 17:27:37.025801
• Title: Performance Improvement of Path Planning algorithms with Deep Learning Encoder Model
• Title（参考訳）: ディープラーニングエンコーダモデルを用いた経路計画アルゴリズムの性能改善
• Authors: Janderson Ferreira (1), Agostinho A. F. J\'unior (1), Yves M. Galv\~ao (1), Pablo Barros (2), Sergio Murilo Maciel Fernandes (1), Bruno J. T. Fernandes (1) ((1) Universidade de Pernambuco - Escola Polit\'ecnica de Pernambuco, (2) Cognitive Architecture for Collaborative Technologies Unit - Istituto Italiano di Tecnologia)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.1995939891389429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, path planning algorithms are used in many daily tasks. They are relevant to find the best route in traffic and make autonomous robots able to navigate. The use of path planning presents some issues in large and dynamic environments. Large environments make these algorithms spend much time finding the shortest path. On the other hand, dynamic environments request a new execution of the algorithm each time a change occurs in the environment, and it increases the execution time. The dimensionality reduction appears as a solution to this problem, which in this context means removing useless paths present in those environments. Most of the algorithms that reduce dimensionality are limited to the linear correlation of the input data. Recently, a Convolutional Neural Network (CNN) Encoder was used to overcome this situation since it can use both linear and non-linear information to data reduction. This paper analyzes in-depth the performance to eliminate the useless paths using this CNN Encoder model. To measure the mentioned model efficiency, we combined it with different path planning algorithms. Next, the final algorithms (combined and not combined) are checked in a database that is composed of five scenarios. Each scenario contains fixed and dynamic obstacles. Their proposed model, the CNN Encoder, associated to other existent path planning algorithms in the literature, was able to obtain a time decrease to find the shortest path in comparison to all path planning algorithms analyzed. the average decreased time was 54.43 %.
• Abstract（参考訳）: 現在、経路計画アルゴリズムは多くの日常業務で使われている。 交通の最良のルートを見つけ、自律的なロボットがナビゲートできるようにする。 パスプランニングの利用は、大規模および動的環境においていくつかの問題をもたらす。 大きな環境は、これらのアルゴリズムが最も短い経路を見つけるのに多くの時間を費やす。 一方、動的環境は環境の変化が発生するたびにアルゴリズムの新たな実行を要求し、実行時間を増加させる。 この文脈では、これらの環境に存在する役に立たない経路を取り除くことを意味する。 次元を減少させるアルゴリズムのほとんどは、入力データの線形相関に制限される。 近年、畳み込みニューラルネットワーク(cnn)エンコーダが、線形情報と非線形情報の両方をデータ削減に使用できるため、この状況を克服するために用いられた。 本稿では,CNNエンコーダ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。 上記のモデル効率を測定するために、異なる経路計画アルゴリズムと組み合わせた。 次に、5つのシナリオからなるデータベースで最終アルゴリズム(組み合わせられず、組み合わせられていない)をチェックする。 各シナリオには固定および動的障害が含まれます。 彼らの提案するモデルであるcnnエンコーダは、文献に存在する他のパス計画アルゴリズムと関連づけられ、解析された全てのパス計画アルゴリズムと比較して最も短いパスを見つけるための時間短縮を得ることができた。 平均減少時間は54.43%でした

関連論文リスト

• Optimizing Tensor Contraction Paths: A Greedy Algorithm Approach With Improved Cost Functions [1.3812010983144802]
  より少ない時間で効率的な収縮経路を計算できる opt_einsum による欲求アルゴリズムに基づく新しい手法を提案する。 我々のアプローチでは、現代のアルゴリズムが失敗する大きな問題に対するパスを計算できる。
  論文  参考訳（メタデータ） (2024-05-08T09:25:39Z)
• Lagrangian based A* algorithm for automated reasoning [0.0]
  重み付けはA*アルゴリズムの一部として導入され、効率が向上する。 このアルゴリズムの応用はUAV経路計画に適用される。
  論文  参考訳（メタデータ） (2023-06-28T17:01:03Z)
• Learning Graph Search Heuristics [48.83557172525969]
  本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。 我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。 実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
  論文  参考訳（メタデータ） (2022-12-07T22:28:00Z)
• 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)
• Online estimation and control with optimal pathlength regret [52.28457815067461]
  オンライン学習アルゴリズムを設計する際の自然なゴールは、入力シーケンスの時間的変動の観点から、アルゴリズムの後悔を束縛することである。 OCOや盗賊など、さまざまなオンライン学習問題に対して、データ依存の「病的」後悔境界が最近取得されている。
  論文  参考訳（メタデータ） (2021-10-24T22:43:15Z)
• Real-World Application of Various Trajectory Planning Algorithms on MIT RACECAR [0.0]
  3つの経路計画アルゴリズムがMIT RACECARに適用された。 アルゴリズムを比較するシナリオが作成されました。 APFは低処理負荷と単純な動作ロジックのために選択された。
  論文  参考訳（メタデータ） (2021-08-17T12:08:49Z)
• 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)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• Towards Time-Optimal Any-Angle Path Planning With Dynamic Obstacles [1.370633147306388]
  パス探索は、しばしばグラフ検索としてフレーム化されるAIのよく研究された問題です。 同じアイデアを基礎とした2つのアルゴリズムを提示し,検討した問題の最適解を求める。
  論文  参考訳（メタデータ） (2021-04-14T07:59:53Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• CNN Encoder to Reduce the Dimensionality of Data Image for Motion Planning [1.244705780038575]
  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。
  論文  参考訳（メタデータ） (2020-04-10T15:44:52Z)

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。