論文の概要: Cost-to-Go Function Generating Networks for High Dimensional Motion Planning

• arxiv url: http://arxiv.org/abs/2012.06023v1
• Date: Thu, 10 Dec 2020 23:38:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:31:39.271973
• Title: Cost-to-Go Function Generating Networks for High Dimensional Motion Planning
• Title（参考訳）: 高次元運動計画のためのコスト・ツー・ゴー関数生成ネットワーク
• Authors: Jinwook Huh, Volkan Isler, and Daniel D. Lee
• Abstract要約: c2g-HOFネットワークは、マニピュレータ動作計画のためのコスト対ゴー関数を生成する。 c2g-HOFは他の運動計画アルゴリズムよりも大幅に高速であることを示す。
• 参考スコア（独自算出の注目度）: 35.9848896629595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents c2g-HOF networks which learn to generate cost-to-go functions for manipulator motion planning. The c2g-HOF architecture consists of a cost-to-go function over the configuration space represented as a neural network (c2g-network) as well as a Higher Order Function (HOF) network which outputs the weights of the c2g-network for a given input workspace. Both networks are trained end-to-end in a supervised fashion using costs computed from traditional motion planners. Once trained, c2g-HOF can generate a smooth and continuous cost-to-go function directly from workspace sensor inputs (represented as a point cloud in 3D or an image in 2D). At inference time, the weights of the c2g-network are computed very efficiently and near-optimal trajectories are generated by simply following the gradient of the cost-to-go function. We compare c2g-HOF with traditional planning algorithms for various robots and planning scenarios. The experimental results indicate that planning with c2g-HOF is significantly faster than other motion planning algorithms, resulting in orders of magnitude improvement when including collision checking. Furthermore, despite being trained from sparsely sampled trajectories in configuration space, c2g-HOF generalizes to generate smoother, and often lower cost, trajectories. We demonstrate cost-to-go based planning on a 7 DoF manipulator arm where motion planning in a complex workspace requires only 0.13 seconds for the entire trajectory.
• Abstract（参考訳）: 本稿では,マニピュレータ動作計画のためのコスト・ツー・ゴー関数を学習するc2g-HOFネットワークを提案する。 c2g-HOFアーキテクチャは、ニューラルネットワーク(c2g-network)として表される構成空間上のコスト対Go関数と、与えられた入力ワークスペースのc2g-networkの重みを出力する高次関数(HOF)ネットワークで構成される。 どちらのネットワークも、従来のモーションプランナーから計算したコストを使って、教師付きでエンドツーエンドでトレーニングされる。 トレーニングされたc2g-hofは、ワークスペースセンサ入力(3dのポイントクラウドまたは2dのイメージとして表現される)から直接、滑らかで連続的なコスト・ツー・ゴー関数を生成することができる。 推論時には、c2g-ネットワークの重みを極めて効率的に計算し、コスト対号関数の勾配を単純に追従することで、最適軌道を生成する。 我々は,c2g-HOFと従来のロボットの計画アルゴリズムを比較した。 実験結果から, c2g-HOF を用いた計画は他の動作計画アルゴリズムよりもかなり高速であり, 衝突チェックを含む場合の桁違いの改善が得られた。 さらに、c2g-HOFは、スムーズなサンプル軌道から構成空間で訓練されているにもかかわらず、スムーズで低コストな軌道を生成するために一般化されている。 複雑な作業空間における動作計画が軌道全体に対してわずか0.13秒しか必要としない7DoFマニピュレータアーム上でのコスト・ツー・ゴー・プランニングを実証する。

関連論文リスト

• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• OMEGA: Efficient Occlusion-Aware Navigation for Air-Ground Robot in Dynamic Environments via State Space Model [12.09638785374894]
  地上ロボット(AGR)は、監視や災害対応に広く利用されている。 現在のAGRナビゲーションシステムは、静的環境においてよく機能する。 しかし、これらのシステムは動的で厳しい閉塞シーンの課題に直面している。 これらの問題に対処するために,効率的なAGR-Plannerを用いたOccMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-20T07:50:29Z)
• Kronecker-Factored Approximate Curvature for Modern Neural Network Architectures [85.76673783330334]
  線形重み付け層の2つの異なる設定がクロネッカー型近似曲率(K-FAC)の2つの風味を動機付けている 重み付けをそれぞれ設定したディープ・リニア・ネットワークに対して正確であることを示す。 グラフニューラルネットワークと視覚変換器の両方をトレーニングするために、これらの2つのK-FACの違いをほとんど観測しない。
  論文  参考訳（メタデータ） (2023-11-01T16:37:00Z)
• Deep Axial Hypercomplex Networks [1.370633147306388]
  近年の研究では,超複雑ネットワークによる表現能力の向上が図られている。 本稿では、四元数2D畳み込み加群を2つの連続ベクトルマップ1D畳み込み加群に分解することで、このコストを削減する。 両ネットワークを組み込んで提案した超複素ネットワークは, 深部軸超複素ネットワークを構築するために構築可能な新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2023-01-11T18:31:00Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning [73.75457731689858]
  本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。 大規模データセットを用いた実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-11-13T06:01:46Z)
• Hierarchical Attention Learning of Scene Flow in 3D Point Clouds [28.59260783047209]
  本稿では,2つの連続する3次元点雲からのシーンフロー推定の問題について検討する。 隣接フレームにおける点特徴の相関を学習するために, 二重注意を有する新しい階層型ニューラルネットワークを提案する。 実験の結果,提案したネットワークは3次元シーンフロー推定の最先端性能より優れていた。
  論文  参考訳（メタデータ） (2020-10-12T14:56:08Z)
• Distance-Weighted Graph Neural Networks on FPGAs for Real-Time Particle Reconstruction in High Energy Physics [11.125632758828266]
  FPGA上で1$mumathrms未満のレイテンシで実行できる距離重み付きグラフネットワークの設計方法について論じる。 本研究では,粒子衝突型加速器で動作する次世代熱量計における粒子の再構成と同定に関連する代表的課題について考察する。 我々は、圧縮されたモデルをファームウェアに変換し、FPGA上で実装する。
  論文  参考訳（メタデータ） (2020-08-08T21:26:31Z)

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。