論文の概要: Conditional Generative Adversarial Networks for Optimal Path Planning
- arxiv url: http://arxiv.org/abs/2012.03166v1
- Date: Sun, 6 Dec 2020 02:53:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 09:42:51.023047
- Title: Conditional Generative Adversarial Networks for Optimal Path Planning
- Title（参考訳）: 最適経路計画のための条件付き生成逆ネットワーク
- Authors: Nachuan Ma, Jiankun Wang, Max Q.-H. Meng
- Abstract要約: 条件付き生成逆数ネットワーク(CGAN)と修正RT*アルゴリズム(CGANRRT*で記述)に基づく新しい学習経路計画アルゴリズムを提案する。
CGANモデルは、地上の真理マップから学習することで訓練され、それぞれがRRTアルゴリズムの実行結果を1つの生地図上で50回行った結果から生成される。
CGAN-RRT* アルゴリズムと従来の RRT* アルゴリズムを比較することで,この CGAN モデルの有効性を実証する。
- 参考スコア（独自算出の注目度）: 30.892250698479064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Path planning plays an important role in autonomous robot systems. Effective
understanding of the surrounding environment and efficient generation of
optimal collision-free path are both critical parts for solving path planning
problem. Although conventional sampling-based algorithms, such as the
rapidly-exploring random tree (RRT) and its improved optimal version (RRT*),
have been widely used in path planning problems because of their ability to
find a feasible path in even complex environments, they fail to find an optimal
path efficiently. To solve this problem and satisfy the two aforementioned
requirements, we propose a novel learning-based path planning algorithm which
consists of a novel generative model based on the conditional generative
adversarial networks (CGAN) and a modified RRT* algorithm (denoted by
CGANRRT*). Given the map information, our CGAN model can generate an efficient
possibility distribution of feasible paths, which can be utilized by the
CGAN-RRT* algorithm to find the optimal path with a non-uniform sampling
strategy. The CGAN model is trained by learning from ground truth maps, each of
which is generated by putting all the results of executing RRT algorithm 50
times on one raw map. We demonstrate the efficient performance of this CGAN
model by testing it on two groups of maps and comparing CGAN-RRT* algorithm
with conventional RRT* algorithm.
- Abstract（参考訳）: 自律ロボットシステムでは経路計画が重要な役割を果たす。
周辺環境の効率的な理解と最適衝突のない経路の効率的な生成は、経路計画問題の解決に重要な部分である。
高速探索ランダムツリー (RRT) や改良された最適バージョン (RRT*) のような従来のサンプリングベースアルゴリズムは、複雑な環境でも実現可能な経路を見つける能力から経路計画問題に広く用いられているが、最適経路を効率的に見つけることができない。
この問題の解決と2つの要件を満たすために,条件付き生成逆数ネットワーク(CGAN)と修正RT*アルゴリズム(CGANRRT*)に基づく新しい生成モデルからなる学習ベースの経路計画アルゴリズムを提案する。
このマップ情報から,CGANモデルは,CGAN-RRT*アルゴリズムを用いて,一様でないサンプリング戦略を用いて最適経路を求めることが可能な,実現可能な経路の効率的な分布を生成することができる。
CGANモデルは、地上の真理マップから学習することで訓練され、それぞれがRRTアルゴリズムの実行結果を1つの生地図上で50回実行することで生成される。
CGAN-RRT* アルゴリズムと従来の RRT* アルゴリズムを比較することで,この CGAN モデルの有効性を実証する。
関連論文リスト
- Zonal RL-RRT: Integrated RL-RRT Path Planning with Collision Probability and Zone Connectivity [11.134855513221359]
そこで本研究では,kd-treeパーティショニングを利用した経路計画アルゴリズムZalnal RL-RRTを導入し,ゾーン接続に対処しながらマップをゾーンに分割する。
本アルゴリズムは,森林マップにおけるRTやRT*などの基本サンプリング手法と比較して,時間効率を3倍に向上させる。
NeuralRRT*やMPNetSMPのような学習ベースの手法やRT*Jと比較して、我々のアルゴリズムは平均して、同じ環境での1.5倍の性能を示す。
論文 参考訳（メタデータ） (2024-10-31T17:57:51Z) - LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
経路計画はロボット工学と自律航法における基本的な科学的問題である。
A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。
本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。
このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
論文 参考訳（メタデータ） (2024-06-20T01:24:30Z) - NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain [5.337162499594818]
本稿では,この縮小された検索空間内でのみ最適な経路をAstarのような基礎アルゴリズムで見つけることができるNNPPモデルを提案する。
NNPPモデルは、多くの事前注釈付き最適経路のデモから、スタート地点とゴール地点に関する情報とマップ表現を学習する。
新規地図上での経路計画のテキストカラー化が可能である。
論文 参考訳（メタデータ） (2023-08-09T08:31:05Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network
for Sampling-Based Path Planning [0.0]
本稿では,畳み込みブロック注意生成ネットワークを用いた新しい画像ベース学習アルゴリズム(CBAGAN-RRT)を提案する。
GANモデルから生成された経路の確率分布を用いて,RRTアルゴリズムのサンプリングプロセスを導出する。
我々は、citezhang 2021によって生成されたデータセット上で、我々のネットワークをトレーニングし、テストし、我々のアルゴリズムが過去の最先端アルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-13T20:06:53Z) - Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
パスプランニングはモバイルロボティクスの重要な構成要素である。
学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。
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） (2022-03-07T01:52:57Z) - Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。
本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。
我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
論文 参考訳（メタデータ） (2022-02-02T16:21:20Z) - 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) - Generative Adversarial Network based Heuristics for Sampling-based Path
Planning [34.368519009432426]
本稿では,サンプリングに基づく経路計画の限界を克服する画像ベース経路計画アルゴリズムを提案する。
具体的には、環境マップを他の前処理作業なしに入力として扱うために、GAN(Generative Adversarial Network)を設計する。
提案手法の有効性を検証するためのシミュレーション実験を多数実施し,本手法が初期解の品質と最適解への収束速度の面ではるかに優れた性能を発揮することを実証した。
論文 参考訳（メタデータ） (2020-12-07T07:29:57Z) - Efficient Heuristic Generation for Robot Path Planning with Recurrent
Generative Model [30.892250698479064]
本稿では,経路計画アルゴリズムの探索労力を削減するために効率よく生成する新しいリカレント生成モデル(RGM)を提案する。
提案するRGMモジュールは, 各種2次元環境において実効性と効率性を示す。
論文 参考訳（メタデータ） (2020-12-07T05:03:03Z)
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。