論文の概要: $\epsilon^*$+: An Online Coverage Path Planning Algorithm for
Energy-constrained Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2008.13041v1
- Date: Sat, 29 Aug 2020 19:24:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 17:29:39.172454
- Title: $\epsilon^*$+: An Online Coverage Path Planning Algorithm for
Energy-constrained Autonomous Vehicles
- Title（参考訳）: $\epsilon^*$+: エネルギー制約された自動運転車のオンライン被覆経路計画アルゴリズム
- Authors: Zongyuan Shen and James P. Wilson and Shalabh Gupta
- Abstract要約: 本稿では、エネルギー制約された自動運転車を用いた未知環境のオンラインカバレッジパス計画のための新しいアルゴリズム「$epsilon*$+」を提案する。
提案された$epsilon*$+アルゴリズムは、探索チューリングマシン(ETM)を使って車両をナビゲートする$epsilon*$アルゴリズムの拡張である。
高忠実度ロボットシミュレータである Player/Stage を用いた複雑なシナリオにおいて,$epsilon*$+ アルゴリズムの性能を検証した。
- 参考スコア（独自算出の注目度）: 0.9668407688201357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a novel algorithm, called $\epsilon^*$+, for online
coverage path planning of unknown environments using energy-constrained
autonomous vehicles. Due to limited battery size, the energy-constrained
vehicles have limited duration of operation time. Therefore, while executing a
coverage trajectory, the vehicle has to return to the charging station for a
recharge before the battery runs out. In this regard, the $\epsilon^*$+
algorithm enables the vehicle to retreat back to the charging station based on
the remaining energy which is monitored throughout the coverage process. This
is followed by an advance trajectory that takes the vehicle to a near by
unexplored waypoint to restart the coverage process, instead of taking it back
to the previous left over point of the retreat trajectory; thus reducing the
overall coverage time. The proposed $\epsilon^*$+ algorithm is an extension of
the $\epsilon^*$ algorithm, which utilizes an Exploratory Turing Machine (ETM)
as a supervisor to navigate the vehicle with back and forth trajectory for
complete coverage. The performance of the $\epsilon^*$+ algorithm is validated
on complex scenarios using Player/Stage which is a high-fidelity robotic
simulator.
- Abstract（参考訳）: 本稿では,エネルギー制約型自律走行車を用いた未知環境のオンラインカバレッジパス計画のための新しいアルゴリズムである$\epsilon^*$+を提案する。
バッテリー容量が限られているため、省エネ車両の運転時間は限られている。
そのため、被覆軌道を実行している間に、バッテリーが切れる前に充電ステーションに戻る必要がある。
この点において、$\epsilon^*$+アルゴリズムにより、車両はカバープロセスを通して監視される残りのエネルギーに基づいて充電ステーションに戻ることができる。
後続の先進軌跡では、車両を未調査の経路に近づけてカバーを再開するが、後退軌跡の左前の地点に戻すのではなく、全体のカバー時間を短縮する。
提案されている$\epsilon^*$+ アルゴリズムは$\epsilon^*$ アルゴリズムの拡張であり、探索チューリングマシン (exploratory turing machine, etm) をスーパーバイザーとして使用し、完全なカバレッジのために車両を前後に移動させる。
$\epsilon^*$+ アルゴリズムの性能は、高忠実度ロボットシミュレータである player/stage を用いて複雑なシナリオで検証される。
関連論文リスト
- Autonomous Algorithm for Training Autonomous Vehicles with Minimal Human Intervention [18.95571506577409]
人間の介入を最小限に抑えて自動運転車を訓練するための新しいアルゴリズムを導入する。
我々のアルゴリズムは、いつエピソードを中止すべきかを決定するために、自動運転車の学習の進捗を考慮に入れている。
また、ルールベースの自動運転アルゴリズムを利用して、自動運転車を初期状態に安全にリセットする。
論文 参考訳（メタデータ） (2024-05-22T05:04:44Z) - A* search algorithm for an optimal investment problem in vehicle-sharing
systems [0.8999666725996978]
車両共有システムの文脈で発生する最適投資問題について検討する。
本稿では,このトラベリングセールスマン問題に対処するA*探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-15T10:22:34Z) - A Multi-Objective approach to the Electric Vehicle Routing Problem [0.0]
電気自動車ルーティング問題(EVRP)は、燃料ベースの車からより健康的で効率的な電気自動車(EV)に移行するために、研究者や工業者から大きな関心を集めている。
以前の作業では、ロジスティクスや配送関連のソリューションをターゲットにしており、複数の停止を行った後、同質の商用EVが最初のポイントに戻らなければならない。
我々は、旅行時間と充電の累積コストを最小化する多目的最適化を行う。
論文 参考訳（メタデータ） (2022-08-26T05:09:59Z) - Efficient Algorithms for Planning with Participation Constraints [74.74967476995572]
我々は[Zhang et al., 2022]に導入された参加制約を伴う計画の問題を考える。
この問題では、プリンシパルが決定プロセスのアクションを選択し、プリンシパルとエージェントの別々のユーティリティが生成される。
有限ホライズン設定では,これまでは$varepsilon$-approximationという付加値しか知られていなかった。
論文 参考訳（メタデータ） (2022-05-16T15:47:41Z) - Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。
われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。
アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文 参考訳（メタデータ） (2021-08-25T18:24:34Z) - 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) - Online Markov Decision Processes with Aggregate Bandit Feedback [74.85532145498742]
本稿では,オンライン有限水平マルコフ決定過程の新たな変種について検討する。
各エピソードにおいて、学習者は、エピソードの選択した方針によって実現された軌道に沿って蓄積された損失を被り、総括的盗聴フィードバックを観察する。
我々の主な結果は計算効率のよいアルゴリズムで、$O(sqrtK)$ regret for this set, where $K$ is the number of episodes。
論文 参考訳（メタデータ） (2021-01-31T16:49:07Z) - T$^{\star}$-Lite: A Fast Time-Risk Optimal Motion Planning Algorithm for
Multi-Speed Autonomous Vehicles [0.860255319568951]
T$star$-Liteは、以前開発されたTstar$アルゴリズムのかなり高速なバージョンである。
T$star$-LiteはRTT$star$ Motion Plannerを使って開発されている。
論文 参考訳（メタデータ） (2020-08-29T20:25:43Z) - Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception
Proposal [87.11988786121447]
本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。
このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。
自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
論文 参考訳（メタデータ） (2020-08-21T20:36:21Z) - An Efficient Algorithm For Generalized Linear Bandit: Online Stochastic
Gradient Descent and Thompson Sampling [83.48992319018147]
プレイヤーが過去の観測結果に基づいて逐次意思決定を行い、累積報酬を最大化する文脈的帯域幅問題を考える。
この問題を解決する自然な方法は、ステップごとの時間とメモリの複雑さを一定に抑えるために、オンライン勾配降下(SGD)を適用することである。
本研究では,オンラインSGDが一般化線形帯域問題に適用可能であることを示す。
過去の情報を活用するためにシングルステップのSGD更新を利用するSGD-TSアルゴリズムは、全時間複雑度で$tildeO(sqrtT)$ regretを達成する。
論文 参考訳（メタデータ） (2020-06-07T01:12:39Z) - Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。
本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-01T17:47:03Z)
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。