論文の概要: Motion Planning by Learning the Solution Manifold in Trajectory
Optimization
- arxiv url: http://arxiv.org/abs/2107.05842v1
- Date: Tue, 13 Jul 2021 04:47:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 14:31:38.151272
- Title: Motion Planning by Learning the Solution Manifold in Trajectory
Optimization
- Title(参考訳): 軌道最適化における解多様体学習による運動計画
- Authors: Takayuki Osa
- Abstract要約: 本稿では,運動計画問題に対する無限の解集合を生成する最適化手法を提案する。
結果は、実験モデルが運動計画問題のホモトピー解の無限集合を表すことを示している。
- 参考スコア(独自算出の注目度): 6.127237810365965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective function used in trajectory optimization is often non-convex
and can have an infinite set of local optima. In such cases, there are diverse
solutions to perform a given task. Although there are a few methods to find
multiple solutions for motion planning, they are limited to generating a finite
set of solutions. To address this issue, we presents an optimization method
that learns an infinite set of solutions in trajectory optimization. In our
framework, diverse solutions are obtained by learning latent representations of
solutions. Our approach can be interpreted as training a deep generative model
of collision-free trajectories for motion planning. The experimental results
indicate that the trained model represents an infinite set of homotopic
solutions for motion planning problems.
- Abstract(参考訳): 軌道最適化で用いられる目的関数は、しばしば非凸であり、無限の局所最適集合を持つことができる。
そのような場合、与えられたタスクを実行するための様々なソリューションがあります。
運動計画のための複数の解を見つける方法はいくつかあるが、それらは有限の解を生成することに限定されている。
本稿では,軌道最適化において無限の解集合を学習する最適化手法を提案する。
私たちのフレームワークでは、ソリューションの潜在表現を学習することで、多様なソリューションが得られます。
本手法は,移動計画のための衝突のない軌道の深部生成モデルの訓練と解釈できる。
実験結果は、トレーニングされたモデルが運動計画問題のホモトピー解の無限集合を表すことを示している。
関連論文リスト
- Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - Path Signatures for Diversity in Probabilistic Trajectory Optimisation [24.101232487591094]
移動計画は、発生した軌道の関数としてコストを最小化する軌道最適化問題としてキャストすることができる。
近年のハードウェアの進歩により、複数の解が同時に得られる並列軌道最適化が可能になった。
本稿では, 並列軌道最適化のアルゴリズムを提案し, 解域の多様性を向上し, モード崩壊を回避する。
論文 参考訳(メタデータ) (2023-08-08T06:10:53Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Pareto Set Learning for Neural Multi-objective Combinatorial
Optimization [6.091096843566857]
多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。
我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。
提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
論文 参考訳(メタデータ) (2022-03-29T09:26:22Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳(メタデータ) (2022-01-28T05:53:28Z) - On Constraints in First-Order Optimization: A View from Non-Smooth
Dynamical Systems [99.59934203759754]
本稿では,スムーズな制約付き最適化のための一階法について紹介する。
提案手法の2つの特徴は、実現可能な集合全体の投影や最適化が避けられることである。
結果として得られるアルゴリズムの手順は、制約が非線形であっても簡単に実装できる。
論文 参考訳(メタデータ) (2021-07-17T11:45:13Z) - Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。
連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
論文 参考訳(メタデータ) (2021-03-12T04:54:31Z) - Extracting Optimal Solution Manifolds using Constrained Neural
Optimization [6.800113407368289]
制約付き最適化解アルゴリズムは点ベース解に制限される。
最適集合を近似として抽出する手法を提案する。
論文 参考訳(メタデータ) (2020-09-13T15:37:44Z) - Learning the Solution Manifold in Optimization and Its Application in
Motion Planning [4.177892889752434]
我々は、変数のような変数上の多様体を学習し、そのようなモデルは無限の解の集合を表す。
本フレームワークでは,この重要度を用いて問題推定を行う。
本研究では,高次元パラメータの最適化を含む動き計画問題に適用する。
論文 参考訳(メタデータ) (2020-07-24T08:05:36Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳(メタデータ) (2019-12-30T08:58:40Z)
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。