論文の概要: PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms

• arxiv url: http://arxiv.org/abs/2105.01777v1
• Date: Tue, 4 May 2021 21:48:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 12:39:13.714912
• Title: PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms
• Title（参考訳）: pathbench: 古典的なパス計画アルゴリズムのためのベンチマークプラットフォーム
• Authors: Alexandru-Iosif Toma, Hao-Ya Hsueh, Hussein Ali Jaafar, Riku Murai, Paul H.J. Kelly, Sajad Saeedi
• Abstract要約: パスプランニングは、モバイルロボティクスの重要なコンポーネントです。 アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。 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。
• 参考スコア（独自算出の注目度）: 59.3879573040863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Path planning is a key component in mobile robotics. A wide range of path planning algorithms exist, but few attempts have been made to benchmark the algorithms holistically or unify their interface. Moreover, with the recent advances in deep neural networks, there is an urgent need to facilitate the development and benchmarking of such learning-based planning algorithms. This paper presents PathBench, a platform for developing, visualizing, training, testing, and benchmarking of existing and future, classical and learned 2D and 3D path planning algorithms, while offering support for Robot Oper-ating System (ROS). Many existing path planning algorithms are supported; e.g. A*, wavefront, rapidly-exploring random tree, value iteration networks, gated path planning networks; and integrating new algorithms is easy and clearly specified. We demonstrate the benchmarking capability of PathBench by comparing implemented classical and learned algorithms for metrics, such as path length, success rate, computational time and path deviation. These evaluations are done on built-in PathBench maps and external path planning environments from video games and real world databases. PathBench is open source.
• Abstract（参考訳）: パスプランニングはモバイルロボティクスにおいて重要な要素である。 幅広い経路計画アルゴリズムが存在するが、アルゴリズムを全体的または統一的にベンチマークする試みはほとんど行われていない。 さらに、近年のディープニューラルネットワークの進歩により、このような学習ベースの計画アルゴリズムの開発とベンチマークを容易にする必要がある。 本稿では,ロボットオペレーティングシステム(ROS)をサポートしながら,従来の2Dおよび3Dパス計画アルゴリズムの開発,可視化,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。 多くの既存のパス計画アルゴリズムがサポートされている。 a*, wavefront, rapid-exploring random tree, value iteration network, gated path planning network, そして新しいアルゴリズムの統合は簡単で明確である。 PathBenchのベンチマーク能力は、パス長、成功率、計算時間、経路偏差といったメトリクスの古典的および学習的アルゴリズムとを比較して実証する。 これらの評価は、ゲームや現実世界のデータベースから構築されたpathbenchマップと外部経路計画環境上で行われる。 PathBenchはオープンソースである。

関連論文リスト

• POA: Passable Obstacles Aware Path-planning Algorithm for Navigation of a Two-wheeled Robot in Highly Cluttered Environments [53.41594627336511]
  パッシブル障害物認識(Passable Obstacles Aware, POA)プランナーは, 乱雑な環境下での二輪ロボットのナビゲーション手法である。 我々のアルゴリズムは、二輪ロボットが通過可能な障害物を通り抜ける道を見つけることを可能にする。
  論文  参考訳（メタデータ） (2023-07-16T19:44:27Z)
• Learning Graph Search Heuristics [48.83557172525969]
  本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。 我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。 実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
  論文  参考訳（メタデータ） (2022-12-07T22:28:00Z)
• Representation, learning, and planning algorithms for geometric task and motion planning [24.862289058632186]
  幾何学的課題と運動計画(GTAMP)を導くための学習フレームワークを提案する。 GTAMPはタスクと動作計画のサブクラスであり、複数の物体を可動障害物内の対象領域に移動させることが目的である。 GTAMP問題には、ハイブリッド検索空間と高価なアクション実現可能性チェックが含まれるため、標準グラフ探索アルゴリズムは直接適用されない。
  論文  参考訳（メタデータ） (2022-03-09T09:47:01Z)
• 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)
• Pragmatic Implementation of Reinforcement Algorithms For Path Finding On Raspberry Pi [0.0]
  提案システムは,Raspberry Piが制御する4輪駆動非ホロノミックロボットのグリッドマップを容易にするために,コスト効率のよいアプローチである。 Q学習とDeep-Q学習は、静的障害物との衝突を避けながら最適な経路を見つけるために使用される。 また,方向の配列を正確な動きにデコードする新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T09:00:14Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• 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)
• Deep Reinforcement Learning Based Dynamic Route Planning for Minimizing Travel Time [8.234463661266169]
  歩行者の深い強化学習に基づく経路計画アルゴリズムを設計する。 本稿では,道路渋滞を回避するため,エージェントが深層Qネットワークを通じて戦略を学習する動的調整可能な経路計画法を提案する。 シミュレーションの結果,DARPアルゴリズムは,従来の最短経路計画アルゴリズムと比較して,混雑条件下で52%の時間を節約できることがわかった。
  論文  参考訳（メタデータ） (2020-11-03T15:10:09Z)
• Performance Improvement of Path Planning algorithms with Deep Learning Encoder Model [1.1995939891389429]
  この状況を克服するために畳み込みニューラルネットワーク(CNN)が用いられた。 本稿では,このCNNモデルを用いて性能を詳細に解析し,無駄な経路を除去する。
  論文  参考訳（メタデータ） (2020-08-05T17:34:31Z)

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。