論文の概要: Multi-Objective Path-Based D* Lite

• arxiv url: http://arxiv.org/abs/2108.00710v1
• Date: Mon, 2 Aug 2021 08:24:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:09:19.537900
• Title: Multi-Objective Path-Based D* Lite
• Title（参考訳）: 多目的パスベースD*ライト
• Authors: Zhongqiang Ren, Sivakumar Rathinam and Howie Choset
• Abstract要約: D* Liteのような増分グラフ探索アルゴリズムは、その後の同様の経路計画タスクを高速化するために、以前の探索作業を再利用する。 本稿では,Multi-Objective Path-Based D* Lite (MOPBD*) と呼ばれる多目的インクリメンタル検索アルゴリズムを提案する。 数値計算の結果,MOPBD*はスクラッチからの探索よりも効率的であり,経路計画における既存のインクリメンタル手法よりも桁違いに高速であることがわかった。
• 参考スコア（独自算出の注目度）: 10.354181009277623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incremental graph search algorithms, such as D* Lite, reuse previous search efforts to speed up subsequent similar path planning tasks. These algorithms have demonstrated their efficiency in comparison with search from scratch, and have been leveraged in many applications such as navigation in unknown terrain. On the other hand, path planning typically involves optimizing multiple conflicting objectives simultaneously, such as travel risk, arrival time, etc. Multi-objective path planning is challenging as the number of "Pareto-optimal" solutions can grow exponentially with respect to the size of the graph, which makes it computationally burdensome to plan from scratch each time when similar planning tasks needs to be solved. This article presents a new multi-objective incremental search algorithm called Multi-Objective Path-Based D* Lite (MOPBD*) which reuses previous search efforts to speed up subsequent planning tasks while optimizing multiple objectives. Numerical results show that MOPBD* is more efficient than search from scratch and runs an order of magnitude faster than existing incremental method for multi-objective path planning.
• Abstract（参考訳）: d* liteのようなインクリメンタルグラフ検索アルゴリズムは、同様の経路計画タスクを高速化するために、以前の検索作業を再利用する。 これらのアルゴリズムは、スクラッチからの検索と比較してその効率を実証し、未知の地形でのナビゲーションのような多くのアプリケーションで活用されている。 一方、パスプランニングでは、一般的に、旅行リスクや到着時間など、複数の競合対象を同時に最適化する。 多目的経路計画は、グラフのサイズに関して「パレート最適」な解の数が指数関数的に増加するため、類似の計画課題を解決する必要があるたびに、スクラッチから計画を立てるのが計算的に負担になるため、困難である。 本稿では,マルチ目的パスベースd* lite (mopbd*) と呼ばれる新しい多目的インクリメンタル検索アルゴリズムを提案する。 数値計算の結果,MOPBD* はスクラッチからの探索よりも効率的であり,既存の多目的経路計画法に比べて桁違いに高速であることがわかった。

関連論文リスト

• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• Tree-of-Mixed-Thought: Combining Fast and Slow Thinking for Multi-hop Visual Reasoning [16.495754104540605]
  大規模言語モデル(LLM)は、視覚的推論のような複雑な推論タスクのためのコードライクな計画を生成することができる。 ワンストップ推論 (fast) とツリー・オブ・シント (slow) を統合した階層型計画探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-18T16:21:40Z)
• Enhanced Multi-Objective A* with Partial Expansion [22.45142249108214]
  グラフ上に現れる多目的短経路問題(MO-SPP)は、複数の目的を最適化しながら経路の集合を決定する。 この問題に対処するため,複数のMOA*アルゴリズムが最近開発された。 この作業は,MOA*の高メモリ消費を,実行時にほとんど増加せずに削減することを目的としている。
  論文  参考訳（メタデータ） (2022-12-06T05:48:11Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
  本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。 また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。 実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T17:49:47Z)
• C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
  ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。 本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。 E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
  論文  参考訳（メタデータ） (2021-10-22T22:05:31Z)
• PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
  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。
  論文  参考訳（メタデータ） (2021-05-04T21:48:18Z)
• Subdimensional Expansion for Multi-objective Multi-agent Path Finding [10.354181009277623]
  マルチエージェントパスプランナーは通常、パスの長さなどの単一の目的を最適化するパスを決定する。 しかし、多くのアプリケーションは、計画プロセスにおいて同時に最適化されるために、例えば、時間から完了までの時間や燃料使用など、複数の目的を必要とするかもしれない。 本稿では,このいわゆる次元の呪いを回避し,従来のマルチエージェントワークをサブ次元展開という枠組みで活用するアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-02T06:58:28Z)
• Multi-objective Conflict-based Search for Multi-agent Path Finding [10.354181009277623]
  マルチオブジェクトパスプランナーは通常、パスの長さなどの単一の目的を最適化しながら、パスのアンサンブルを計算します。 本稿では、マルチオブジェクトコンフリクトベース検索(MO-CBS)という、いわゆる次元の呪いをバイパスする手法を紹介します。
  論文  参考訳（メタデータ） (2021-01-11T10:42:38Z)
• 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)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。