Fugu-MT 論文翻訳(概要): Post Triangular Rewiring Method for Shorter RRT Robot Path Planning

論文の概要: Post Triangular Rewiring Method for Shorter RRT Robot Path Planning

arxiv url: http://arxiv.org/abs/2107.05344v1
Date: Mon, 12 Jul 2021 12:10:37 GMT
ステータス: 処理完了
システム内更新日: 2021-07-13 15:50:34.133535
Title: Post Triangular Rewiring Method for Shorter RRT Robot Path Planning
Title（参考訳）: 短距離RTロボット経路計画のための後三角修正法
Authors: Jin-Gu Kang, Jin-Woo Jung
Abstract要約: 「三角修正後」は計画時間の犠牲を最小限に抑える。これは、Rapidly-Exploring Random Tree (RRT)アルゴリズムのようなサンプリングベースアルゴリズムの最適性の限界を克服する。
参考スコア（独自算出の注目度）: 3.680403821470857
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper proposed the 'Post Triangular Rewiring' method that minimizes the sacrifice of planning time and overcomes the limit of Optimality of sampling-based algorithm such as Rapidly-exploring Random Tree (RRT) algorithm. The proposed 'Post Triangular Rewiring' method creates a closer to the optimal path than RRT algorithm before application through the triangular inequality principle. The experiments were conducted to verify a performance of the proposed method. When the method proposed in this paper are applied to the RRT algorithm, the Optimality efficiency increase compared to the planning time.
Abstract（参考訳）: 本稿では,計画時間の犠牲を最小化し,RRT(Rapidly-Exploring Random Tree)アルゴリズムのようなサンプリングベースアルゴリズムの最適性の限界を克服する,"Post Triangular Rewiring"手法を提案する。提案手法は、三角不等式原理を応用する前に、rrtアルゴリズムよりも最適経路に近い経路を生成する。提案手法の有効性を検証するために実験を行った。本論文で提案する手法をrrtアルゴリズムに適用すると,計画時間に比べて最適性効率が向上する。

関連論文リスト

Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling [9.651071174735804]
本稿では,SSP問題に対するリスク対応型Rapidly-Exploring Random Trees (RRT*)計画アルゴリズムを提案する。我々のモチベーションは、条件付きバリュー・アット・リスク尺度(CVaR)の段階的コヒーレンスと、SSP問題の最適部分構造に依存している。解析の結果,木の成長過程にリスクを組み込むことで,騒音パラメータの変動に敏感でない長さの経路が得られることがわかった。
論文参考訳（メタデータ） (2024-08-16T11:21:52Z)
Efficient and high-performance routing of lattice-surgery paths on three-dimensional lattice [0.2209921757303168]
格子探索命令に対する高速かつ高性能なスケジューリングアルゴリズムを提案する。本稿では,量子位相推定アルゴリズムから生成されたベンチマークプログラムの実行時間を2.7倍に削減する手法を提案する。
論文参考訳（メタデータ） (2024-01-29T01:28:42Z)
Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
Path Planning using Reinforcement Learning: A Policy Iteration Approach [0.0]
本研究は、強化学習パラメータに関連する設計空間の探索に光を当てることを目的としている。本稿では,これらのパラメータを探索するプロセスの高速化を目的とした,自動チューニングに基づく順序回帰手法を提案する。当社のアプローチでは,従来の最先端技術よりも平均1.48倍のスピードアップで1.82倍のピークスピードアップを実現している。
論文参考訳（メタデータ） (2023-03-13T23:44:40Z)
Learning Sampling Policy for Faster Derivative Free Optimization [100.27518340593284]
ランダムサンプリングではなく,ZO最適化における摂動を生成するためのサンプリングポリシを学習する,新たな強化学習ベースのZOアルゴリズムを提案する。その結果,ZO-RLアルゴリズムはサンプリングポリシを学習することでZO勾配の分散を効果的に低減し,既存のZOアルゴリズムよりも高速に収束できることが示唆された。
論文参考訳（メタデータ） (2021-04-09T14:50:59Z)
Average-Reward Off-Policy Policy Evaluation with Function Approximation [66.67075551933438]
平均報酬MDPの関数近似によるオフポリシ政策評価を検討する。ブートストラップは必要であり、オフポリシ学習とFAと一緒に、致命的なトライアドをもたらす。そこで本研究では,勾配型tdアルゴリズムの成功を再現する2つの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-01-08T00:43:04Z)
qRRT: Quality-Biased Incremental RRT for Optimal Motion Planning in Non-Holonomic Systems [16.323822608442836]
本稿では,非ホロノミックシステムにおける最適動作計画のためのサンプリングベース手法を提案する。経験を通じて学習する原則を使用して、ワークスペース内の領域のコスト対効果を推定します。
論文参考訳（メタデータ） (2021-01-07T17:10:11Z)
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)
Variance-Reduced Off-Policy Memory-Efficient Policy Search [61.23789485979057]
政治政策の最適化は強化学習において難しい問題である。オフポリシーアルゴリズムはメモリ効率が高く、オフポリシーサンプルから学ぶことができる。
論文参考訳（メタデータ） (2020-09-14T16:22:46Z)
Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文参考訳（メタデータ） (2020-07-01T18:43:32Z)
IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文参考訳（メタデータ） (2020-06-11T18:49:06Z)

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。