論文の概要: Systematic Comparison of Path Planning Algorithms using PathBench

• arxiv url: http://arxiv.org/abs/2203.03092v1
• Date: Mon, 7 Mar 2022 01:52:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 17:51:56.497480
• Title: Systematic Comparison of Path Planning Algorithms using PathBench
• Title（参考訳）: PathBenchを用いた経路計画アルゴリズムの体系的比較
• Authors: Hao-Ya Hsueh, Alexandru-Iosif Toma, Hussein Ali Jaafar, Edward Stow, Riku Murai, Paul H.J. Kelly and 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。
• 参考スコア（独自算出の注目度）: 55.335463666037086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Path planning is an essential component of mobile robotics. Classical path planning algorithms, such as wavefront and rapidly-exploring random tree (RRT) are used heavily in autonomous robots. With the recent advances in machine learning, development of learning-based path planning algorithms has been experiencing rapid growth. An unified path planning interface that facilitates the development and benchmarking of existing and new algorithms is needed. This paper presents PathBench, a platform for developing, visualizing, training, testing, and benchmarking of existing and future, classical and learning-based path planning algorithms in 2D and 3D grid world environments. Many existing path planning algorithms are supported; e.g. A*, Dijkstra, waypoint planning networks, value iteration networks, gated path planning networks; and integrating new algorithms is easy and clearly specified. The benchmarking ability of PathBench is explored in this paper by comparing algorithms across five different hardware systems and three different map types, including built-in PathBench maps, video game maps, and maps from real world databases. Metrics, such as path length, success rate, and computational time, were used to evaluate algorithms. Algorithmic analysis was also performed on a real world robot to demonstrate PathBench's support for Robot Operating System (ROS). 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の重要な構成要素である。 wavefrontやrapid-exploring random tree(rrt)といった古典的な経路計画アルゴリズムは、自律ロボットに多く使われている。 機械学習の最近の進歩により、学習に基づく経路計画アルゴリズムの開発は急速に成長している。 既存のアルゴリズムと新しいアルゴリズムの開発とベンチマークを容易にする統一パス計画インタフェースが必要である。 本稿では,2次元および3次元グリッド環境における既存および将来の古典的および学習的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。 A*、Dijkstra、ウェイポイント計画ネットワーク、バリューイテレーションネットワーク、ゲートパス計画ネットワークなど、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。 本稿では,PathBenchマップやゲームマップ,実世界のデータベースからのマップなど,5つの異なるハードウェアシステムと3つの異なるマップタイプにまたがるアルゴリズムを比較し,PathBenchのベンチマーク能力について検討する。 アルゴリズムの評価にはパス長、成功率、計算時間などの指標が用いられた。 アルゴリズム解析は、pathbenchのrobot operating system(ros)サポートを実世界ロボットで実証するためにも行われた。 PathBenchはオープンソースである。

関連論文リスト

• Online Concurrent Multi-Robot Coverage Path Planning [5.801044612920816]
  地平線では、経路計画と経路実行がインターリーブであり、経路のないロボットが経路計画を行う場合、優れた経路を持つロボットは実行しない。 地平線をベースとしない集中型アルゴリズムを提案する。 事前に割り当てられた目標に到達したロボットのサブセットに対して、いつでもパスを計画し、残りは傑出したパスを実行する。
  論文  参考訳（メタデータ） (2024-03-15T16:51:30Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。