論文の概要: Intention-Aware Navigation in Crowds with Extended-Space POMDP Planning
- arxiv url: http://arxiv.org/abs/2206.10028v1
- Date: Mon, 20 Jun 2022 22:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 18:13:21.553409
- Title: Intention-Aware Navigation in Crowds with Extended-Space POMDP Planning
- Title（参考訳）: 拡張空間PMDP計画による群衆の意図認識ナビゲーション
- Authors: Himanshu Gupta, Bradley Hayes, Zachary Sunberg
- Abstract要約: 本稿では,Palially Observable Markov Decision Process (POMDP)計画システムについて述べる。
歩行者や障害物の密集した群集における自律走行の問題点を考察する。
我々は,POMDPプランナがより多くの自由度を制御できる,より有能で応答性の高いリアルタイムアプローチを提案する。
- 参考スコア（独自算出の注目度）: 5.01069065110753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a hybrid online Partially Observable Markov Decision
Process (POMDP) planning system that addresses the problem of autonomous
navigation in the presence of multi-modal uncertainty introduced by other
agents in the environment. As a particular example, we consider the problem of
autonomous navigation in dense crowds of pedestrians and among obstacles.
Popular approaches to this problem first generate a path using a complete
planner (e.g., Hybrid A*) with ad-hoc assumptions about uncertainty, then use
online tree-based POMDP solvers to reason about uncertainty with control over a
limited aspect of the problem (i.e. speed along the path). We present a more
capable and responsive real-time approach enabling the POMDP planner to control
more degrees of freedom (e.g., both speed AND heading) to achieve more flexible
and efficient solutions. This modification greatly extends the region of the
state space that the POMDP planner must reason over, significantly increasing
the importance of finding effective roll-out policies within the limited
computational budget that real time control affords. Our key insight is to use
multi-query motion planning techniques (e.g., Probabilistic Roadmaps or Fast
Marching Method) as priors for rapidly generating efficient roll-out policies
for every state that the POMDP planning tree might reach during its limited
horizon search. Our proposed approach generates trajectories that are safe and
significantly more efficient than the previous approach, even in densely
crowded dynamic environments with long planning horizons.
- Abstract（参考訳）: 本稿では,環境に他のエージェントが導入するマルチモーダル不確実性が存在する場合に自律的ナビゲーションの問題に対処するハイブリッドオンライン部分可観測マルコフ決定プロセス(pomdp)計画システムを提案する。
特に,歩行者の密集した群集や障害物の中での自律走行の問題点を考察する。
この問題に対する一般的なアプローチは、まず不確実性に関するアドホックな仮定を持つ完全なプランナー(例えばHybrid A*)を使用してパスを生成し、続いてオンラインツリーベースのPOMDPソルバを使用して問題の限られた側面(すなわち経路に沿った速度)を制御して不確実性について推論する。
我々は、より柔軟で効率的なソリューションを実現するために、pomdpプランナーがより多くの自由度(例えば、速度と方向の両方)を制御できる、より有能でレスポンシブなリアルタイムアプローチを提案する。
この修正は、POMDPプランナーが考えるべき状態空間の領域を大幅に拡張し、リアルタイム制御が持つ限られた計算予算内で効果的なロールアウトポリシーを見つけることの重要性を著しく高めた。
我々の重要な洞察は、POMDPプランニングツリーが限られた地平線探索中に到達する可能性のあるすべての状態に対する効率的なロールアウトポリシーを迅速に生成するための先行手段として、マルチクエリモーションプランニング技術(例えば、確率的ロードマップや高速マーキング手法)を使用することである。
提案手法は, 長期計画地平線を有する密集した動的環境においても, 従来手法よりも安全かつ効率のよい軌道を生成する。
関連論文リスト
- A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - 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) - Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳（メタデータ） (2024-02-29T15:36:01Z) - Optimizing Crowd-Aware Multi-Agent Path Finding through Local Communication with Graph Neural Networks [15.88107215224685]
混在環境におけるマルチエージェントパス探索 (MAPF) は, 移動計画において困難な問題となる。
本稿では,この問題を解決するために,クラウド対応の分散強化学習手法であるCRAMPを紹介する。
CRAMPは, メースパンと衝突数で測定された溶液品質を最大59%改善し, 従来の方法と比較して最大35%改善した。
論文 参考訳（メタデータ） (2023-09-19T03:02:43Z) - Learning to Recharge: UAV Coverage Path Planning through Deep
Reinforcement Learning [5.475990395948956]
カバー・パス・プランニング(CPP)は、ロボット工学において重要な問題であり、目的は、ある分野のすべてのポイントをカバーする効率的なパスを見つけることである。
本研究は、電池限定無人航空機(UAV)の充電に伴う電力制約CPP問題に対処する。
本稿では,地図を用いた深部強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2023-09-06T16:55:11Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Off-line approximate dynamic programming for the vehicle routing problem
with stochastic customers and demands via decentralized decision-making [0.0]
本稿では,顧客の位置と需要が不確実な車両経路問題(VRP)の変種について検討する。
目的は、車両の容量と時間制限を満たしながら、提供された要求を最大化することである。
本稿では,Replay MemoryやDouble Q Networkといった最先端のアクセラレーション技術を用いたQラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-21T14:28:09Z) - On Solving a Stochastic Shortest-Path Markov Decision Process as
Probabilistic Inference [5.517104116168873]
本稿では,確率的推論として,SSP MDP(General Decision Shortest-Path Markov Process)を提案する。
我々は不確実性の下での計画のオンラインとオフラインの手法について議論する。
論文 参考訳（メタデータ） (2021-09-13T11:07:52Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z) - Trajectory Planning for Autonomous Vehicles Using Hierarchical
Reinforcement Learning [21.500697097095408]
不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。
RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。
軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
論文 参考訳（メタデータ） (2020-11-09T20:49:54Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。