論文の概要: Multi-Agent Motion Planning using Deep Learning for Space Applications

• arxiv url: http://arxiv.org/abs/2010.07935v1
• Date: Thu, 15 Oct 2020 06:42:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 03:33:28.208698
• Title: Multi-Agent Motion Planning using Deep Learning for Space Applications
• Title（参考訳）: 深層学習を用いた宇宙用マルチエージェント運動計画
• Authors: Kyongsik Yun, Changrak Choi, Ryan Alimo, Anthony Davis, Linda Forster, Amir Rahmani, Muhammad Adil, Ramtin Madani
• Abstract要約: 最先端のモーションプランナーは、多数のシステムにスケールできない。 ディープラーニングに基づく数値問題への数学的運動計画問題の計算要求にディープニューラルネットワークを適用した。 ディープラーニングに基づく数値モデルでは、数学的モデルよりも1000倍高速に計画を生成することにより、計算効率が向上する。
• 参考スコア（独自算出の注目度）: 3.1867363711248906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-the-art motion planners cannot scale to a large number of systems. Motion planning for multiple agents is an NP (non-deterministic polynomial-time) hard problem, so the computation time increases exponentially with each addition of agents. This computational demand is a major stumbling block to the motion planner's application to future NASA missions involving the swarm of space vehicles. We applied a deep neural network to transform computationally demanding mathematical motion planning problems into deep learning-based numerical problems. We showed optimal motion trajectories can be accurately replicated using deep learning-based numerical models in several 2D and 3D systems with multiple agents. The deep learning-based numerical model demonstrates superior computational efficiency with plans generated 1000 times faster than the mathematical model counterpart.
• Abstract（参考訳）: 最先端のモーションプランナーは、多数のシステムにスケールできない。 複数のエージェントの動作計画はNP(非決定論的多項式時間)の難しい問題であり、エージェントの追加ごとに計算時間が指数関数的に増加する。 この計算要求は、将来のNASAの宇宙車両の群れを含むミッションへのモーションプランナーの応用にとって大きな障害となる。 深層ニューラルネットワークを用いて計算的に要求される数理運動計画問題を深層学習に基づく数値問題に変換する。 複数のエージェントを用いた2次元および3次元システムにおいて,深層学習に基づく数値モデルを用いて,最適運動軌跡を正確に再現できることを示した。 深層学習に基づく数値モデルでは、計算効率が向上し、数理モデルよりも1000倍高速に計画が生成される。

関連論文リスト

• Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
  運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。 提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。 我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2024-09-09T17:59:45Z)
• TimewarpVAE: Simultaneous Time-Warping and Representation Learning of Trajectories [15.28090738928877]
  TimewarpVAEは、空間変動の時間変化と潜時要因を同時に学習する多様体学習アルゴリズムである。 本稿では,手書きおよびフォーク操作データセットにおける空間変動の適切な時間アライメントと有意義な表現をアルゴリズムがどのように学習するかを示す。
  論文  参考訳（メタデータ） (2023-10-24T17:43:16Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Progressive Learning for Physics-informed Neural Motion Planning [1.9798034349981157]
  モーションプランニングは、衝突のないロボットの動き経路を見つけるための高速な方法を必要とする、中核的なロボティクス問題の1つである。 近年の進歩は、運動計画のためのアイコン方程式を直接解く物理インフォームドNMPアプローチにつながっている。 本稿では,ニューラルネットワークをエキスパートデータなしで学習するための新しい進化的学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-01T12:41:05Z)
• NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning [1.9798034349981157]
  乱雑なシナリオにおけるロボット動作計画のためのニューラルタイムフィールド(NTFields)を提案する。 本フレームワークは,Eykonal Equationと呼ばれる非線形一階PDEから得られる経路解を見つけるために,連続到着時間を生成する波動伝搬モデルを表す。 ギブソン・データセットを含む様々な散在した3次元環境において本手法の評価を行い,4-DOFおよび6-DOFロボットマニピュレータの動作計画問題を解く能力を実証した。
  論文  参考訳（メタデータ） (2022-09-30T22:34:54Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients [122.85280150421175]
  本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。 ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
  論文  参考訳（メタデータ） (2021-02-11T21:57:43Z)
• Machine learning accelerated computational fluid dynamics [9.077691121640333]
  二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。 乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。 提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2021-01-28T19:10:00Z)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)

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。