論文の概要: Scalable Many-Objective Pathfinding Benchmark Suite

• arxiv url: http://arxiv.org/abs/2010.04501v1
• Date: Fri, 9 Oct 2020 11:17:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 04:55:55.103487
• Title: Scalable Many-Objective Pathfinding Benchmark Suite
• Title（参考訳）: スケーラブルな多目的パスファインディングベンチマークスイート
• Authors: Jens Weise, Sanaz Mostaghim
• Abstract要約: 実世界のデータに基づいてアプリケーションをルーティングする上で重要な機能の大部分を網羅する,スケーラブルな多目的ベンチマーク問題を提案する。 本研究では, 距離, 走行時間, 事故による遅延, 曲率, 標高などの2つの経路特性を客観的に定義する。 このテストベンチマークは実世界のルーティング問題に容易に移行できるので、OpenStreetMapデータからルーティング問題を構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Route planning also known as pathfinding is one of the key elements in logistics, mobile robotics and other applications, where engineers face many conflicting objectives. However, most of the current route planning algorithms consider only up to three objectives. In this paper, we propose a scalable many-objective benchmark problem covering most of the important features for routing applications based on real-world data. We define five objective functions representing distance, traveling time, delays caused by accidents, and two route specific features such as curvature and elevation. We analyse several different instances for this test problem and provide their true Pareto-front to analyse the problem difficulties. We apply three well-known evolutionary multi-objective algorithms. Since this test benchmark can be easily transferred to real-world routing problems, we construct a routing problem from OpenStreetMap data. We evaluate the three optimisation algorithms and observe that we are able to provide promising results for such a real-world application. The proposed benchmark represents a scalable many-objective route planning optimisation problem enabling researchers and engineers to evaluate their many-objective approaches.
• Abstract（参考訳）: パスフィニングとしても知られるルートプランニングは、ロジスティクス、モバイルロボティクス、その他のアプリケーションにおいて重要な要素の1つである。 しかし、現在の経路計画アルゴリズムのほとんどは、最大3つの目的しか考慮していない。 本稿では,実世界のデータに基づくルーティングアプリケーションの重要な特徴を網羅した,スケーラブルな多目的ベンチマーク問題を提案する。 我々は, 距離, 走行時間, 事故による遅延, 曲率, 標高などの経路特性を表す5つの目的関数を定義した。 我々は、このテスト問題に対するいくつかの異なるインスタンスを分析し、問題の困難を分析するための真のpareto-frontを提供する。 3つのよく知られた進化的多目的アルゴリズムを適用する。 このテストベンチマークは実世界のルーティング問題に容易に転送できるため、openstreetmapデータからルーティング問題を構築できる。 3つの最適化アルゴリズムを評価し、そのような現実世界のアプリケーションに対して有望な結果を提供できることを観察する。 提案するベンチマークは、スケーラブルな多目的経路計画最適化問題であり、研究者やエンジニアが多目的アプローチを評価することができる。

関連論文リスト

• PathwayBench: Assessing Routability of Pedestrian Pathway Networks Inferred from Multi-City Imagery [15.563635571840733]
  都市部における歩行者の移動を支援するには、構築された環境の完全かつ頑健なグラフ表現が必要である。 道路ネットワークの経路とは対照的に、歩行者ネットワークの経路は狭く、より頻繁に切断され、視覚的にも物質的にも小さな領域で変化している。 歩行者経路網グラフを抽出する既存のアルゴリズムは矛盾なく評価され、ルータビリティを無視する傾向がある。
  論文  参考訳（メタデータ） (2024-07-23T22:47:32Z)
• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• A Bi-Objective Approach to Last-Mile Delivery Routing Considering Driver Preferences [42.16665455951525]
  MOVRP(Multi-Objective Vehicle Routing Problem)は、輸送・物流業界における複雑な最適化問題である。 本稿では,運転者の判断や操作者の嗜好を考慮した経路作成を目的としたMOVRPに対する新しいアプローチを提案する。 この目的に対処するための2つのアプローチとして,視覚的に魅力的な経路計画と,同様の経路を計画するための過去の運転行動のデータマイニングを評価した。
  論文  参考訳（メタデータ） (2024-05-25T04:25:00Z)
• Probable Object Location (POLo) Score Estimation for Efficient Object Goal Navigation [15.623723522165731]
  本稿では,POLo(Probable Object Location)スコアを中心とした新しいフレームワークを提案する。 計算集約的なPOLoスコアを近似するためにトレーニングされたニューラルネットワークであるPOLoNetを導入することで、フレームワークの実用性をさらに向上する。 OVMM 2023チャレンジの第1フェーズを含む実験では,POLoNetを組み込んだエージェントが,幅広いベースライン手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2023-11-14T08:45:32Z)
• 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)
• Preference-Aware Delivery Planning for Last-Mile Logistics [3.04585143845864]
  最適化手法と機械学習手法の両方の長所を組み合わせた,学習可能なパラメータを持つ新しい階層的経路を提案する。 Amazon Last Mile Research Challengeが提供する実際のデリバリデータセットを使用することで、最適化と機械学習コンポーネントの両方を持つことの重要性を実証する。
  論文  参考訳（メタデータ） (2023-03-08T02:10:59Z)
• Find a Way Forward: a Language-Guided Semantic Map Navigator [53.69229615952205]
  本稿では,新たな視点で言語誘導ナビゲーションの問題に対処する。 ロボットが自然言語の指示を実行し、地図観測に基づいて目標位置へ移動できるようにする。 提案手法は特に長距離ナビゲーションの場合において顕著な性能向上をもたらす。
  論文  参考訳（メタデータ） (2022-03-07T07:40:33Z)
• 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)
• Multi-Objective Path-Based D* Lite [10.354181009277623]
  D* Liteのような増分グラフ探索アルゴリズムは、その後の同様の経路計画タスクを高速化するために、以前の探索作業を再利用する。 本稿では,Multi-Objective Path-Based D* Lite (MOPBD*) と呼ばれる多目的インクリメンタル検索アルゴリズムを提案する。 数値計算の結果,MOPBD*はスクラッチからの探索よりも効率的であり,経路計画における既存のインクリメンタル手法よりも桁違いに高速であることがわかった。
  論文  参考訳（メタデータ） (2021-08-02T08:24:32Z)
• Neural Architecture Search From Fr\'echet Task Distance [50.9995960884133]
  与えられたベースラインタスクのセット内の対象タスクと各タスクの間の距離を、ターゲットタスクのニューラルネットワークアーキテクチャ検索スペースを減らすためにどのように使用できるかを示す。 タスク固有のアーキテクチャに対する検索空間の複雑さの低減は、このサイド情報を用いることなく完全な検索を行う代わりに、類似したタスクのために最適化されたアーキテクチャ上に構築することで達成される。
  論文  参考訳（メタデータ） (2021-03-23T20:43:31Z)
• MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images [51.227489316673484]
  水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。 正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。 各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
  論文  参考訳（メタデータ） (2020-12-24T06:36:48Z)

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。