論文の概要: MRRT: Multiple Rapidly-Exploring Random Trees for Fast Online Replanning in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2104.11059v1
• Date: Thu, 22 Apr 2021 13:41:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 17:46:36.236164
• Title: MRRT: Multiple Rapidly-Exploring Random Trees for Fast Online Replanning in Dynamic Environments
• Title（参考訳）: MRRT: 動的環境における高速オンラインリプランニングのための複数の高速探索ランダムツリー
• Authors: Zongyuan Shen, James P. Wilson, Ryan Harvey and Shalabh Gupta
• Abstract要約: MRRTアルゴリズムはマルチツリー構造を持つRTアルゴリズム上に構築されている。 RRTアルゴリズムを用いて環境の部分的知識に基づいて初期解を求める。 新しい障害物構成はロボットのセンサーによって収集され、経路の再計画に使用される。
• 参考スコア（独自算出の注目度）: 1.290382979353427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel algorithm, called MRRT, which uses multiple rapidly-exploring random trees for fast online replanning of autonomous vehicles in dynamic environments with moving obstacles. The proposed algorithm is built upon the RRT algorithm with a multi-tree structure. At the beginning, the RRT algorithm is applied to find the initial solution based on partial knowledge of the environment. Then, the robot starts to execute this path. At each iteration, the new obstacle configurations are collected by the robot's sensor and used to replan the path. This new information can come from unknown static obstacles (e.g., seafloor layout) as well as moving obstacles. Then, to accommodate the environmental changes, two procedures are adopted: 1) edge pruning, and 2) tree regrowing. Specifically, the edge pruning procedure checks the collision status through the tree and only removes the invalid edges while maintaining the tree structure of already-explored regions. Due to removal of invalid edges, the tree could be broken into multiple disjoint trees. As such, the RRT algorithm is applied to regrow the trees. Specifically, a sample is created randomly and joined to all the disjoint trees in its local neighborhood by connecting to the nearest nodes. Finally, a new solution is found for the robot. The advantages of the proposed MRRT algorithm are as follows: i) retains the maximal tree structure by only pruning the edges which collide with the obstacles, ii) guarantees probabilistic completeness, and iii) is computational efficient for fast replanning since all disjoint trees are maintained for future connections and expanded simultaneously.
• Abstract（参考訳）: 本稿では,移動障害物のある動的環境下での自律走行車両の高速なオンライン再計画に,複数の高速探索木を用いたMRRTアルゴリズムを提案する。 提案アルゴリズムはマルチツリー構造を持つRTRアルゴリズムに基づいている。 はじめに、rrtアルゴリズムを適用し、環境の部分的な知識に基づいて初期解を求める。 そして、ロボットはこの経路を実行し始める。 各イテレーションで、新しい障害物構成はロボットのセンサーによって収集され、経路の再計画に使用される。 この新しい情報は、未知の静的な障害物(海底のレイアウトなど)と動く障害物から得られる。 次に, 環境変化に対応するため, 1) 端伐採, 2) 木の再生育の2つの手順が採用された。 具体的には、エッジプルーニング手順は木を通して衝突状態をチェックし、既に探索された領域のツリー構造を維持しながら、無効なエッジだけを削除する。 無効な縁を取り除いたため、木は複数の隣接した木に分割された。 そのため、RRTアルゴリズムを木の再成長に適用する。 具体的には、サンプルがランダムに作成され、最寄りのノードに接続することで、その近傍のすべての隣接木に結合される。 最後に、ロボットに新しい解決策が見つかる。 提案するmrrtアルゴリズムの利点は次のとおりである: i) 障害物に衝突する辺のみを刈り取ることで最大木構造を保持し、ii) 確率的完全性を保証する、iii) すべての非連結木は将来の接続のために維持され、同時に拡張されるため、高速再計画に効率的である。

関連論文リスト

• Unbiased and Efficient Sampling of Dependency Trees [0.0]
  ほとんどのツリーバンクは、すべての有効な依存ツリーがROOTノードから出てくる単一のエッジを持つ必要がある。 Zmigrodらは最近、単一ルート依存ツリーの分布から置き換えることなくサンプリングするアルゴリズムを提案している。 我々は、Wilson-RCを置換したサンプリングアルゴリズムが実際にバイアスを受けていることを示す。
  論文  参考訳（メタデータ） (2022-05-25T09:57:28Z)
• Robustifying Algorithms of Learning Latent Trees with Vector Variables [92.18777020401484]
  Recursive Grouping (RG) と Chow-Liu Recursive Grouping (CLRG) のサンプル複雑性について述べる。 RG,CLRG,Neighbor Joining (NJ) およびSpectral NJ (SNJ) をトラッピングした内積を用いて強化する。 我々は、潜在木の構造学習において、最初の既知のインスタンス依存の不合理性の結果を導出する。
  論文  参考訳（メタデータ） (2021-06-02T01:37:52Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)
• Slow-Growing Trees [0.0]
  ランダムフォレストの性能は、単一の低成長木(sgt)と一致させることができる。 SGTは、CARTは反復重み付き最小二乗手順の極端な場合である、という見解を利用する。 ブーストツリー(BT)とランダムフォレスト(RF)の統一ビューが紹介されている。
  論文  参考訳（メタデータ） (2021-03-02T18:37:13Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Rethinking Learnable Tree Filter for Generic Feature Transform [71.77463476808585]
  Learnable Tree Filterはセマンティックセグメンテーションのためのモデル構造保存関係に対する顕著なアプローチを示す。 幾何学的制約を緩和するために,マルコフ確率場として再構成して解析を行い,学習可能な不定項を導入する。 セマンティックセグメンテーションでは、ベルとホイッスルなしでCityscapesベンチマークでトップパフォーマンス(82.1% mIoU)を達成しています。
  論文  参考訳（メタデータ） (2020-12-07T07:16:47Z)
• An Efficient Adversarial Attack for Tree Ensembles [91.05779257472675]
  傾斜促進決定木(DT)や無作為林(RF)などの木に基づくアンサンブルに対する敵対的攻撃 提案手法は,従来のMILP (Mixed-integer linear programming) よりも数千倍高速であることを示す。 私たちのコードはhttps://chong-z/tree-ensemble- attackで利用可能です。
  論文  参考訳（メタデータ） (2020-10-22T10:59:49Z)
• Convex Polytope Trees [57.56078843831244]
  コンベックスポリトープ木(CPT)は、決定境界の解釈可能な一般化によって決定木の系統を拡張するために提案される。 木構造が与えられたとき,木パラメータに対するCPTおよび拡張性のあるエンドツーエンドトレーニングアルゴリズムを効率的に構築する。
  論文  参考訳（メタデータ） (2020-10-21T19:38:57Z)
• Learning Binary Decision Trees by Argmin Differentiation [34.9154848754842]
  ダウンストリームタスクのためにデータを分割するバイナリ決定木を学びます。 離散パラメータの混合整数プログラムを緩和する。 我々は、前方と後方のパスを効率的に計算するアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-10-09T15:11:28Z)
• Born-Again Tree Ensembles [9.307453801175177]
  ツリーアンサンブルは、様々な領域で優れた予測品質を提供するが、複数のツリーの同時使用により、アンサンブルの解釈可能性が低下する。 本研究では,その特徴空間全体において,与えられたツリーのアンサンブルと全く同じ振る舞いを再現する,最小サイズの1つの決定木を構築する過程について検討する。 このアルゴリズムは、実践的な関心のある多くのデータセットに対して最適な生長木を生成する。
  論文  参考訳（メタデータ） (2020-03-24T22:17:21Z)

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。