論文の概要: Incorporating planning intelligence into deep learning: A planning support tool for street network design

• arxiv url: http://arxiv.org/abs/2010.04536v1
• Date: Fri, 9 Oct 2020 12:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 04:29:55.808041
• Title: Incorporating planning intelligence into deep learning: A planning support tool for street network design
• Title（参考訳）: 計画インテリジェンスを深層学習に組み込む:道路ネットワーク設計のための計画支援ツール
• Authors: Zhou Fang, Ying Jin, Tianren Yang
• Abstract要約: 本稿では,深層ニューラルネットワークの新たな補完的利用と,街路ネットワーク生成の自動化のための計画ガイダンスを提案する。 モデル学習における計画知識の導入は,より現実的な街路構成予測につながることを示す。
• 参考スコア（独自算出の注目度）: 5.9511351322709904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning applications in shaping ad hoc planning proposals are limited by the difficulty in integrating professional knowledge about cities with artificial intelligence. We propose a novel, complementary use of deep neural networks and planning guidance to automate street network generation that can be context-aware, example-based and user-guided. The model tests suggest that the incorporation of planning knowledge (e.g., road junctions and neighborhood types) in the model training leads to a more realistic prediction of street configurations. Furthermore, the new tool provides both professional and lay users an opportunity to systematically and intuitively explore benchmark proposals for comparisons and further evaluations.
• Abstract（参考訳）: アドホックな計画形成におけるディープラーニングの応用は、都市に関する専門知識と人工知能を統合することの難しさによって制限されている。 本稿では,コンテキスト認識,サンプルベース,ユーザガイドによる街路ネットワーク生成を自動化するために,深層ニューラルネットワークの新たな補完的利用と計画指導を提案する。 モデルテストは、計画知識(例えば道路合流点や周辺型)をモデルトレーニングに組み込むことで、より現実的なストリート構成の予測につながることを示唆している。 さらに、この新しいツールはプロと一般のユーザーの両方に、比較とさらなる評価のためのベンチマーク提案を体系的かつ直感的に探求する機会を提供する。

関連論文リスト

• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• What Planning Problems Can A Relational Neural Network Solve? [91.53684831950612]
  本稿では,計画問題のポリシーを表すリレーショナルニューラルネットワークの回路複雑性解析について述べる。 回路幅と深さの増大に関して,計画問題には3つの一般的なクラスが存在することを示す。 また、政策学習のためのニューラルネットワーク設計におけるこの分析の有用性についても解説する。
  論文  参考訳（メタデータ） (2023-12-06T18:47:28Z)
• Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving [0.5801044612920815]
  本研究では,高度行動計画のための訓練された深層強化学習ポリシーを用いる方法を提案する。 私たちの知る限りでは、この研究は、この方法で深層強化学習を適用した最初のものである。
  論文  参考訳（メタデータ） (2023-04-17T13:49:55Z)
• Planning for Learning Object Properties [117.27898922118946]
  我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。 トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。 シミュレーションと実環境の両方で実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-01-15T09:37:55Z)
• Planning and Learning: Path-Planning for Autonomous Vehicles, a Review of the Literature [5.015229992316947]
  この短いレビューは、読者が計画、スケジューリング、学習に関する最先端の作業に慣れるようにすることを目的としている。 まず,最先端の計画アルゴリズムについて検討する。 次に、グラフ構造化された入力を処理するのに適した、最近のニューラルネットワークの変種であるグラフニューラルネットワークについて詳しく調べる。
  論文  参考訳（メタデータ） (2022-07-26T20:56:18Z)
• Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
  配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。 機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
  論文  参考訳（メタデータ） (2022-02-28T06:28:44Z)
• Neural Motion Planning for Autonomous Parking [6.1805402105389895]
  本稿では,より深い生成ネットワークと従来の動き計画手法を組み合わせたハイブリッドな動き計画手法を提案する。 提案手法は与えられた状態の表現を効果的に学習し,アルゴリズムの性能向上を示す。
  論文  参考訳（メタデータ） (2021-11-12T14:29:38Z)
• Software Architecture for Next-Generation AI Planning Systems [0.0]
  我々は、次世代AI計画システムを設計、開発、使用する能力の中核となるサービス指向の計画アーキテクチャを提案する。 ソフトウェア設計の原則とパターンをアーキテクチャに組み込んで、計画機能のユーザビリティ、相互運用性、再利用性を可能にします。
  論文  参考訳（メタデータ） (2021-02-22T13:43:45Z)
• Model-Based Machine Learning for Communications [110.47840878388453]
  モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。 通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
  論文  参考訳（メタデータ） (2021-01-12T19:55:34Z)
• A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence [48.67755344239951]
  包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。 オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。 この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
  論文  参考訳（メタデータ） (2020-06-22T19:01:21Z)

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。