Fugu-MT 論文翻訳(概要): Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning

論文の概要: Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning

arxiv url: http://arxiv.org/abs/2205.15691v1
Date: Tue, 31 May 2022 11:16:19 GMT
ステータス: 処理完了
システム内更新日: 2022-06-01 14:47:49.118042
Title: Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning
Title（参考訳）: 移動ロボット被覆経路計画のための高速スパンニングアントコロニー最適化(FaSACO)
Authors: Christopher Carr and Peng Wang
Abstract要約: Ant Colony optimization (ACO) のようなバイオインスパイアされたアルゴリズムがこの問題の解決に利用されている。本稿では,ACOの新しい変種であるFast-Spanning Ant Colony Optimization (FaSACO)を提案する。これにより、高速度のアリは目標や障害物を素早く見つけ出し、その情報をトレイルフェロモンを介して伝達することで、低い速度のアリに情報を伝えることができる。実験の結果、FaSACOはACOよりも19.3-32.3%効率が高く、ACOよりも6.9-12.5%安い細胞が再発見された。
参考スコア（独自算出の注目度）: 6.279351235066349
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Coverage path planning acts as a key component for applications such as mobile robot vacuum cleaners and hospital disinfecting robots. However, the coverage path planning problem remains a challenge due to its NP-hard nature. Bio-inspired algorithms such as Ant Colony Optimisation (ACO) have been exploited to solve the problem because they can utilise heuristic information to mitigate the path planning complexity. This paper proposes a new variant of ACO - the Fast-Spanning Ant Colony Optimisation (FaSACO), where ants can explore the environment with various velocities. By doing so, ants with higher velocities can find targets or obstacles faster and keep lower velocity ants informed by communicating such information via trail pheromones. This mechanism ensures the optimal path is found while reducing the overall path planning time. Experimental results show that FaSACO is $19.3-32.3\%$ more efficient than ACO, and re-covers $6.9-12.5\%$ fewer cells than ACO. This makes FaSACO more appealing in real-time and energy-limited applications.
Abstract（参考訳）: カバーパス計画は、移動ロボット掃除機や病院消毒ロボットなどのアプリケーションにとって重要な要素である。しかし、NPハードな性質のため、カバレッジパス計画問題は依然として課題である。 Ant Colony Optimisation (ACO)のようなバイオインスパイアされたアルゴリズムは、経路計画の複雑さを軽減するためにヒューリスティックな情報を利用することができるため、この問題を解決するために利用される。本稿では,アリが様々な速度で環境を探索できるaco(fast-spanning ant colony optimization, fasaco)の新たな変種を提案する。これにより、高速度のアリは目標や障害物を素早く見つけ出し、その情報をトレイルフェロモンを介して伝達することで、低い速度のアリに知らせることができる。このメカニズムにより、経路全体の計画時間を短縮しながら最適な経路が見つかることが保証される。実験の結果、FaSACOの効率はACOよりも19.3-32.3.%高く、ACOよりも6.9-12.5.%低い細胞が再発見された。これにより、FaSACOはリアルタイムおよびエネルギー制限のアプリケーションでより魅力的になる。

関連論文リスト

Genetic Algorithm-based Routing and Scheduling for Wildfire Suppression using a Team of UAVs [2.491548070992611]
本稿では,UAVチームによる早期の山火事対策について論じる。 GARST(Genematic Algorithm-based Routing and Scheduling with Time constraints)を提案する。
論文参考訳（メタデータ） (2024-07-27T04:10:34Z)
Artificial Intelligence Based Navigation in Quasi Structured Environment [0.0]
本稿では,Floyd- Warshall,Bellman-Ford,Johnson,Ant Colony Optimization (ACO),Particle Swarm Optimization (PSO),Grey Wolf (GWO)アルゴリズムの動作,応用,複雑性要因,メリットとデメリットについて検討する。提案アルゴリズムは、準構造化点と呼ばれる境界内のランダムに構造化された点に適用した場合、より少ない時間でより良い結果を示す。
論文参考訳（メタデータ） (2024-07-08T06:42:02Z)
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)
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)
Backpropagation-Free 4D Continuous Ant-Based Neural Topology Search [51.18089545051242]
この研究は、潜在的な神経シナプス重みを表す探索空間に4次元を加えることでCANTSを拡張する。本研究では,BP-Free CANTSアルゴリズムがCANTSおよびANTSと比較して高い競合性能を示すことを示す。
論文参考訳（メタデータ） (2023-05-11T10:49:07Z)
Improving Ant Colony Optimization Efficiency for Solving Large TSP Instances [0.0]
我々は新しいAnt Colony Optimization(ACO)、すなわちFocused ACO(FACO)を提案する。 FACOは、新しく構築されたソリューションと選択された前のソリューションの差の数を制御するメカニズムである。このメカニズムにより、より焦点を絞った検索プロセスが実現し、既存のソリューションの品質を維持しながら改善点を見つけることができる。
論文参考訳（メタデータ） (2022-03-04T10:26:02Z)
Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文参考訳（メタデータ） (2021-06-19T18:06:11Z)
Continuous Ant-Based Neural Topology Search [62.200941836913586]
この研究は、アリコロニー最適化に基づく、自然に着想を得たニューラルアーキテクチャサーチ(NAS)アルゴリズムを導入している。連続アントベースのニューラルトポロジーサーチ(CANTS)は、アリが現実世界でどのように動くかに強く影響を受けている。
論文参考訳（メタデータ） (2020-11-21T17:49:44Z)
Congestion-aware Evacuation Routing using Augmented Reality Devices [96.68280427555808]
複数の目的地間でリアルタイムに個別の避難経路を生成する屋内避難のための渋滞対応ルーティングソリューションを提案する。建物内の混雑分布をモデル化するために、ユーザエンド拡張現実(AR)デバイスから避難者の位置を集約して、オンザフライで取得した人口密度マップを用いる。
論文参考訳（メタデータ） (2020-04-25T22:54:35Z)
Flexible and Efficient Long-Range Planning Through Curious Exploration [13.260508939271764]
The Curious Sample Planner can realize temporallyextended plan for a wide range of really 3D task。対照的に、標準的な計画と学習の方法は、多くの場合、これらのタスクを全く解決しなかったり、膨大な数のトレーニングサンプルでのみ実行できなかったりします。
論文参考訳（メタデータ） (2020-04-22T21:47:29Z)
Hybrid 2-stage Imperialist Competitive Algorithm with Ant Colony Optimization for Solving Multi-Depot Vehicle Routing Problem [0.0]
本稿では,2つの集団ベースアルゴリズムに基づくハイブリッド2段階アプローチを提案する。提案したハイブリッドアルゴリズムでは、ICAがデポへの顧客の割り当てを担当し、ACOが顧客のルーティングとシークエンシングを行っている。その結果、単純なACOやICAよりも明らかに改善され、他の競合アルゴリズムと比較して非常に競争力のある結果が得られた。
論文参考訳（メタデータ） (2020-04-07T17:43:06Z)

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。

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。