論文の概要: Online search of unknown terrains using a dynamical system-based path
planning approach
- arxiv url: http://arxiv.org/abs/2103.11863v1
- Date: Mon, 22 Mar 2021 14:00:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:21:02.625062
- Title: Online search of unknown terrains using a dynamical system-based path
planning approach
- Title(参考訳): 動的システムに基づく経路計画手法を用いた未知地形のオンライン探索
- Authors: Karan Sridharan, Zahra Nili Ahmadabadi, Jeffrey Hudack
- Abstract要約: この研究では、ロボットが障害物から離れて操縦し、短期間で空間全体を覆うのに役立つ新しいスケーラブルな技術を紹介します。
この手法を用いた場合、ロボットの性能は最先端のプランナーと比較して平均49%向上した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surveillance and exploration of large environments is a tedious task. In
spaces with limited environmental cues, random-like search appears to be an
effective approach as it allows the robot to perform online coverage of
environments using a simple design. One way to generate random-like scanning is
to use nonlinear dynamical systems to impart chaos into the robot's controller.
This will result in generation of unpredictable but at the same time
deterministic trajectories, allowing the designer to control the system and
achieve a high scanning coverage. However, the unpredictability comes at the
cost of increased coverage time and lack of scalability, both of which have
been ignored by the state-of-the-art chaotic path planners. This study
introduces a new scalable technique that helps a robot to steer away from the
obstacles and cover the entire space in a short period of time. The technique
involves coupling and manipulating two chaotic systems to minimize the coverage
time and enable scanning of unknown environments with different properties
online. Using this technique resulted in 49% boost, on average, in the robot's
performance compared to the state-of-the-art planners. While ensuring
unpredictability in the paths, the overall performance of the chaotic planner
remained comparable to optimal systems.
- Abstract(参考訳): 大きな環境の監視と探索は面倒な作業である。
環境条件が限られている空間では、ロボットが簡単な設計で環境を網羅することを可能にするため、ランダムな検索が効果的であるように見える。
ランダムなスキャニングを生成する1つの方法は、非線形力学システムを使用してロボットのコントローラにカオスを与えることである。
これにより予測不可能だが決定論的軌跡が生成され、設計者はシステムを制御でき、高いスキャニングカバレッジを達成できる。
しかし、予測不可能さはカバレッジ時間の増加とスケーラビリティの欠如によるものであり、どちらも最先端のカオスパスプランナーによって無視されている。
本研究では,ロボットが障害物を回避し,短時間で空間全体をカバーできる,新たなスケーラブルな手法を提案する。
このテクニックは、2つのカオスシステムを結合して操作することで、カバー時間を最小化し、異なる特性を持つ未知の環境のスキャンを可能にする。
この手法を用いた場合、ロボットの性能は最先端のプランナーと比較して平均49%向上した。
経路の予測不能を保証する一方で、カオスプランナーの全体的な性能は最適システムに匹敵するままであった。
関連論文リスト
- A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳(メタデータ) (2024-08-11T14:57:57Z) - AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳(メタデータ) (2023-08-16T22:47:16Z) - Autonomous search of real-life environments combining dynamical
system-based path planning and unsupervised learning [0.0]
本稿では,障害物回避,カオス軌道分散,および正確なカバレッジ計算のためのアルゴリズムを提案する。
アルゴリズムは概してスムーズなカオス軌道を生成し、環境をスキャンする。
このアプリケーションの性能は、従来の最適経路プランナーに匹敵するものだった。
論文 参考訳(メタデータ) (2023-05-03T00:09:31Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳(メタデータ) (2022-12-22T14:26:11Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳(メタデータ) (2022-08-17T14:19:33Z) - Risk-Aware Off-Road Navigation via a Learned Speed Distribution Map [39.54575497596679]
本研究は,データから学習可能なロボットの速度のみに基づく,トラバーサビリティの新たな表現を提案する。
提案アルゴリズムは,ロボットが達成できる速度の分布を,環境セマンティクスと命令された速度に基づいて予測する。
数値シミュレーションにより,提案したリスク認識計画アルゴリズムが平均目標達成時間を短縮することを示した。
論文 参考訳(メタデータ) (2022-03-25T03:08:02Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳(メタデータ) (2021-08-03T02:56:21Z) - Learning-based 3D Occupancy Prediction for Autonomous Navigation in
Occluded Environments [7.825273522024438]
本稿では,未知空間の占有分布を確実に予測するためのディープニューラルネットワークに基づく手法を提案する。
ネットワークのトレーニングにはラベルのない非地上データを使用し、未確認環境のリアルタイムナビゲーションにそれを適用することに成功しています。
論文 参考訳(メタデータ) (2020-11-08T13:51:34Z) - Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning
on Graphs [5.043563227694137]
本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。
本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-24T16:50:41Z) - Reinforcement Learning with Fast Stabilization in Linear Dynamical
Systems [91.43582419264763]
未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。
本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。
提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
論文 参考訳(メタデータ) (2020-07-23T23:06:40Z)
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。