論文の概要: Parallelised Diffeomorphic Sampling-based Motion Planning
- arxiv url: http://arxiv.org/abs/2108.11775v1
- Date: Thu, 26 Aug 2021 13:15:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-27 13:49:50.873219
- Title: Parallelised Diffeomorphic Sampling-based Motion Planning
- Title（参考訳）: 並列化拡散型サンプリングに基づく運動計画
- Authors: Tin Lai, Weiming Zhi, Tucker Hermans and Fabio Ramos
- Abstract要約: 並列化拡散型サンプリングベースモーションプランニング(PDMP)を提案する。
PDMPは、サンプリングベースモーションプランナーのサンプリング分布を、正規化フローに似た方法で変換する。
PDMPは、コストの勾配情報を利用して、最適化ベースのモーションプランニング手法と同様の方法で仕様を注入することができる。
- 参考スコア（独自算出の注目度）: 30.310891362316863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Parallelised Diffeomorphic Sampling-based Motion Planning (PDMP).
PDMP is a novel parallelised framework that uses bijective and differentiable
mappings, or diffeomorphisms, to transform sampling distributions of
sampling-based motion planners, in a manner akin to normalising flows. Unlike
normalising flow models which use invertible neural network structures to
represent these diffeomorphisms, we develop them from gradient information of
desired costs, and encode desirable behaviour, such as obstacle avoidance.
These transformed sampling distributions can then be used for sampling-based
motion planning. A particular example is when we wish to imbue the sampling
distribution with knowledge of the environment geometry, such that drawn
samples are less prone to be in collisions. To this end, we propose to learn a
continuous occupancy representation from environment occupancy data, such that
gradients of the representation defines a valid diffeomorphism and is amenable
to fast parallel evaluation. We use this to "morph" the sampling distribution
to draw far fewer collision-prone samples. PDMP is able to leverage gradient
information of costs, to inject specifications, in a manner similar to
optimisation-based motion planning methods, but relies on drawing from a
sampling distribution, retaining the tendency to find more global solutions,
thereby bridging the gap between trajectory optimisation and sampling-based
planning methods.
- Abstract（参考訳）: パラレル化拡散型サンプリングベースモーションプランニング(PDMP)を提案する。
PDMPは、単射および微分可能写像(diffeomorphisms)を用いて、サンプリングベースモーションプランナーのサンプリング分布を、正規化フローに似た方法で変換する新しい並列化フレームワークである。
これらの微分同相性を表現するために可逆的ニューラルネットワーク構造を用いる正規化フローモデルとは異なり、所望のコストの勾配情報から構築し、障害物回避などの望ましい振る舞いを符号化する。
これらの変換されたサンプリング分布はサンプリングベースの動作計画に使用できる。
特定の例として、サンプルが衝突する傾向が低いような環境幾何学の知識でサンプリング分布を初期化したい場合が挙げられる。
この目的のために, 環境占有データから連続的占有表現を学習し, 表現の勾配が有効な微分同型を定義し, 高速な並列評価が可能となることを提案する。
これをサンプリング分布の「形態」として、衝突しやすいサンプルをはるかに少なくする。
PDMPは、コストの勾配情報を利用して、最適化に基づく運動計画法と似た方法で仕様を注入できるが、サンプリング分布からの描画に依存し、より大域的な解を見つける傾向を保ち、軌道最適化とサンプリングベース計画法の間のギャップを埋める。
関連論文リスト
- Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows [1.2972104025246092]
本稿では,軌道生成のためのサンプリング手法について検討する。
変分推論の分野を起源とする正規化フローが検討される。
学習に基づく正規化フローモデルは、入力領域のより効率的な探索のために訓練される。
論文 参考訳（メタデータ） (2024-04-15T10:45:12Z) - Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Arbitrary Distributions Mapping via SyMOT-Flow: A Flow-based Approach Integrating Maximum Mean Discrepancy and Optimal Transport [2.7309692684728617]
本稿では,2つの未知分布からの標本間の対称最大平均誤差を最小化することにより,可逆変換を訓練するSyMOT-Flowと呼ばれる新しいモデルを提案する。
結果として得られる変換はより安定で正確なサンプル生成をもたらす。
論文 参考訳（メタデータ） (2023-08-26T08:39:16Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Example-Based Sampling with Diffusion Models [7.943023838493658]
画像生成のための拡散モデルは、例から点集合を生成する方法を学ぶのに適している。
拡散モデルを用いて既存のサンプルを模した2次元点集合を観測点集合から生成する方法を提案する。
我々は、我々のアプローチの微分可能性を用いて、特性を強制する点集合を最適化する方法を実証する。
論文 参考訳（メタデータ） (2023-02-10T08:35:17Z) - From Points to Functions: Infinite-dimensional Representations in
Diffusion Models [23.916417852496608]
拡散に基づく生成モデルは、非構造的雑音を複雑な対象分布に反復的に伝達することを学ぶ。
異なる時間ステップからの情報コンテンツを組み合わせることで、下流のタスクをより正確に表現できることが示される。
論文 参考訳（メタデータ） (2022-10-25T05:30:53Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z)
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。