論文の概要: Efficient Heuristic Generation for Robot Path Planning with Recurrent Generative Model

• arxiv url: http://arxiv.org/abs/2012.03449v1
• Date: Mon, 7 Dec 2020 05:03:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 06:58:04.524373
• Title: Efficient Heuristic Generation for Robot Path Planning with Recurrent Generative Model
• Title（参考訳）: リカレント生成モデルを用いたロボット経路計画のための効率的なヒューリスティック生成
• Authors: Zhaoting Li, Jiankun Wang and Max Q.-H. Meng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.892250698479064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot path planning is difficult to solve due to the contradiction between optimality of results and complexity of algorithms, even in 2D environments. To find an optimal path, the algorithm needs to search all the state space, which costs a lot of computation resource. To address this issue, we present a novel recurrent generative model (RGM) which generates efficient heuristic to reduce the search efforts of path planning algorithm. This RGM model adopts the framework of general generative adversarial networks (GAN), which consists of a novel generator that can generate heuristic by refining the outputs recurrently and two discriminators that check the connectivity and safety properties of heuristic. We test the proposed RGM module in various 2D environments to demonstrate its effectiveness and efficiency. The results show that the RGM successfully generates appropriate heuristic in both seen and new unseen maps with a high accuracy, demonstrating the good generalization ability of this model. We also compare the rapidly-exploring random tree star (RRT*) with generated heuristic and the conventional RRT* in four different maps, showing that the generated heuristic can guide the algorithm to find both initial and optimal solution in a faster and more efficient way.
• Abstract（参考訳）: 2次元環境においても、結果の最適性とアルゴリズムの複雑さの矛盾のため、ロボットパスの計画は困難である。 最適な経路を見つけるには、アルゴリズムは全ての状態空間を探索する必要がある。 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,効率的なヒューリスティックを生成するrgm(recurrent generative model)を提案する。 このRGMモデルは、出力をリフレッシュすることでヒューリスティックを生成する新しいジェネレータと、ヒューリスティックの接続性や安全性をチェックする2つの識別器で構成されるGAN(General Generative Adversarial Network)の枠組みを採用する。 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。 その結果, RGM は, 目視と新しい目視マップの両方において, 高い精度で適切なヒューリスティックなヒューリスティックを生成できることが示され, このモデルの優れた一般化能力が示された。 また、高速探索ランダムツリースター(RRT*)と4つの異なるマップにおける従来のRT*とを比較した結果、生成したヒューリスティックは、より高速で効率的な方法で初期解と最適解の両方を見つけることができることがわかった。

関連論文リスト

• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• 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)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Learning to Hash Robustly, with Guarantees [79.68057056103014]
  本稿では,理論的アルゴリズムと本質的に一致する最悪ケース保証を持つハミング空間のためのNSアルゴリズムを設計する。 理論的にも実用的にも、与えられたデータセットに対してアルゴリズムが最適化できる能力を評価する。 我々のアルゴリズムは、MNISTおよびImageNetデータセットに対する最悪のパフォーマンスのクエリを、1.8倍と2.1倍の精度でリコールする。
  論文  参考訳（メタデータ） (2021-08-11T20:21:30Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• 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)
• Conditional Generative Adversarial Networks for Optimal Path Planning [30.892250698479064]
  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。
  論文  参考訳（メタデータ） (2020-12-06T02:53:50Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• New Fusion Algorithm provides an alternative approach to Robotic Path planning [0.0]
  本稿では,カスタム2次元環境における経路計画問題の解法として,新しい,効率的な融合アルゴリズムを提案する。 新しい融合アルゴリズムは、スムーズな性能で実現可能であり、従来の経路計画のA*戦略に代わる、時間効率で安価な代替手段として満足できる。
  論文  参考訳（メタデータ） (2020-06-06T17:52:00Z)
• Hyperparameter optimization with REINFORCE and Transformers [2.1404235519012076]
  強化学習はニューラルアーキテクチャサーチ(NAS)の有望な結果を得た ポリシーネットワークをモデル化するために,単純化されたTransformerブロックを用いることで,その性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-06-01T13:35:48Z)

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。