論文の概要: Path Planning using Neural A* Search

• arxiv url: http://arxiv.org/abs/2009.07476v3
• Date: Wed, 7 Jul 2021 13:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 22:53:32.991368
• Title: Path Planning using Neural A* Search
• Title（参考訳）: ニューラルA*探索を用いた経路計画
• Authors: Ryo Yonetani and Tatsunori Taniai and Mohammadamin Barekatain and Mai Nishimura and Asako Kanezaki
• Abstract要約: 本稿では,経路計画問題に対する新しいデータ駆動探索手法であるNeural A*を提案する。 我々は、標準のA*探索アルゴリズムを微分可能とし、畳み込みエンコーダと組み合わせて、エンドツーエンドのトレーニング可能なニューラルネットワークプランナを形成する。 実験の結果,Neural A*は検索の最適性と効率のトレードオフの観点から,最先端のデータ駆動型プランナよりも優れていた。
• 参考スコア（独自算出の注目度）: 21.50920347513277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Neural A*, a novel data-driven search method for path planning problems. Despite the recent increasing attention to data-driven path planning, machine learning approaches to search-based planning are still challenging due to the discrete nature of search algorithms. In this work, we reformulate a canonical A* search algorithm to be differentiable and couple it with a convolutional encoder to form an end-to-end trainable neural network planner. Neural A* solves a path planning problem by encoding a problem instance to a guidance map and then performing the differentiable A* search with the guidance map. By learning to match the search results with ground-truth paths provided by experts, Neural A* can produce a path consistent with the ground truth accurately and efficiently. Our extensive experiments confirmed that Neural A* outperformed state-of-the-art data-driven planners in terms of the search optimality and efficiency trade-off. Furthermore, Neural A* successfully predicted realistic human trajectories by directly performing search-based planning on natural image inputs. Project page: https://omron-sinicx.github.io/neural-astar/
• Abstract（参考訳）: 経路計画問題に対する新しいデータ駆動探索法neural a*を提案する。 最近のデータ駆動経路計画への注目は高まっているが、検索アルゴリズムの離散性から、検索ベースの計画への機械学習アプローチは依然として困難である。 本研究では,標準a*探索アルゴリズムを微分可能とし,畳み込みエンコーダと結合することにより,エンドツーエンドの学習可能なニューラルネットワークプランナを構築する。 ニューラルA*は、問題インスタンスを誘導マップに符号化し、誘導マップで識別可能なA*探索を実行することにより経路計画問題を解決する。 ニューラルネットワークは、検索結果と専門家が提供した接地経路とを一致させることで、精度と効率の両立した経路を生成することができる。 我々の広範な実験により、Neural A*は検索の最適性と効率のトレードオフの観点から、最先端のデータ駆動プランナーよりも優れていたことが確認された。 さらに,ニューラルA*は,自然画像の入力を検索ベースで直接計画することで,現実的な人間の軌道を予測することに成功した。 プロジェクトページ: https://omron-sinicx.github.io/neural-astar/

関連論文リスト

• Differentiable Tree Search Network [14.972768001402898]
  微分可能木探索ネットワーク(D-TSN)は、誘導バイアスを大幅に強化する新しいニューラルネットワークアーキテクチャである。 D-TSNは、完全に差別化可能なオンライン検索を行うために、学習された世界モデルを採用している。 D-TSNは、一般的なモデルフリーおよびモデルベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-22T02:33:38Z)
• 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)
• Combining Optimal Path Search With Task-Dependent Learning in a Neural Network [4.1712273169097305]
  コスト値をシナプス重みに変換することにより,経路探索問題のニューラルネットワーク表現を定義することができることを示す。 ネットワーク学習機構は, ネットワーク内の重みを手作業に応じて強化し, ネットワークの重み付けに適応できることを示す。
  論文  参考訳（メタデータ） (2022-01-26T18:29:00Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• 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)
• Neural Weighted A*: Learning Graph Costs and Heuristics with Differentiable Anytime A* [12.117737635879037]
  データ駆動計画に関する最近の研究は、コスト関数またはプランナ関数を学習することを目的としているが、両方ではない。 グラフコストやプランナーとして、平面マップの表現を改善することができる差別化可能ないつでもプランナであるNeural Weighted A*を提案します。 我々は,複数のベースラインに対して神経重み付きa*をテストし,新たなタイルベースのナビゲーションデータセットを導入することで,クレームの妥当性を実験的に示す。
  論文  参考訳（メタデータ） (2021-05-04T13:17:30Z)
• 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 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)
• Learning to plan with uncertain topological maps [14.774543742438176]
  我々は,グラフベースのプランナとローカルポリシーを含む階層的戦略を用いて,エージェントに3D環境をナビゲートするように訓練する。 実写3D環境における本手法の実証解析により,学習したニューラルプランナーに視覚的特徴を組み込むことで,グラフベース計画における古典的記号解よりも優れることを示した。
  論文  参考訳（メタデータ） (2020-07-10T09:28:30Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)

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。