Fugu-MT 論文翻訳(概要): Simulating Coverage Path Planning with Roomba

論文の概要: Simulating Coverage Path Planning with Roomba

arxiv url: http://arxiv.org/abs/2210.04988v1
Date: Mon, 10 Oct 2022 19:50:44 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 16:55:12.065984
Title: Simulating Coverage Path Planning with Roomba
Title（参考訳）: roombaによるカバレッジパス計画のシミュレーション
Authors: Robert Chuchro
Abstract要約: この問題は、障害のある環境で、すべての未占有状態を訪れることである。先行研究の調査では、この問題を解決するために学習を適用するためのわずかな努力が明らかにされている。本研究では、深層強化学習を用いてカバーパス計画問題をモデル化し、Roombaの組込みアルゴリズムの性能と比較する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Coverage Path Planning involves visiting every unoccupied state in an environment with obstacles. In this paper, we explore this problem in environments which are initially unknown to the agent, for purposes of simulating the task of a vacuum cleaning robot. A survey of prior work reveals sparse effort in applying learning to solve this problem. In this paper, we explore modeling a Cover Path Planning problem using Deep Reinforcement Learning, and compare it with the performance of the built-in algorithm of the Roomba, a popular vacuum cleaning robot.
Abstract（参考訳）: カバレッジパスの計画には、障害のある環境のすべての空いている状態を参照することが含まれる。本稿では,掃除ロボットのタスクをシミュレートするために,当初エージェントに知られていなかった環境においてこの問題を考察する。先行研究の調査では、この問題を解決するために学習を適用するためのわずかな努力が明らかにされている。本稿では,深層強化学習を用いたカバーパス計画問題のモデル化について検討し,一般的な掃除ロボットであるroombaの組み込みアルゴリズムの性能と比較する。

関連論文リスト

Search-Based Path Planning among Movable Obstacles [8.023424148846265]
本稿では,2つのPAMOの定式化について述べる。完全性と解の最適性を保証する検索手法であるPAMO*を開発し,その2つの問題を解決する。次に、PAMO* をハイブリッド状態 PAMO* に拡張し、ロボットとオブジェクト間の高忠実な相互作用を持つ連続空間で計画する。
論文参考訳（メタデータ） (2024-10-24T00:02:58Z)
Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。 Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文参考訳（メタデータ） (2024-08-29T20:22:22Z)
Multi-Agent Path Finding with Real Robot Dynamics and Interdependent Tasks for Automated Warehouses [1.2810395420131764]
MAPF(Multi-Agent Path Finding)は、自動倉庫や工場にロボットを配置する際の重要な最適化問題である。ロボットの群れが各注文の商品を棚からワークステーションに届ける倉庫において、オンラインでの注文配達の現実的な問題を考える。これにより、相互依存型ピックアップおよびデリバリタスクのストリームが生成され、関連するMAPF問題は、現実的な衝突のないロボット軌道の計算によって構成される。
論文参考訳（メタデータ） (2024-08-26T15:13:38Z)
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)
AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文参考訳（メタデータ） (2023-08-16T22:47:16Z)
Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning [36.300564378022315]
本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
論文参考訳（メタデータ） (2022-11-03T04:12:04Z)
A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文参考訳（メタデータ） (2022-08-16T17:37:36Z)
Multi-Agent Path Planning Using Deep Reinforcement Learning [0.0]
本稿では, 深部強化型マルチエージェントパス計画手法を提案する。この実験はシミュレーション環境で実現され、この環境では異なるマルチエージェントパス計画問題が発生する。生成した問題は実際に車両経路問題と類似しており、多エージェント深部強化学習を用いて解かれる。
論文参考訳（メタデータ） (2021-10-04T13:56:23Z)
POMP: Pomcp-based Online Motion Planning for active visual search in indoor environments [89.43830036483901]
本稿では, 屋内環境におけるオブジェクトのアクティブビジュアルサーチ(AVS)の最適ポリシーを, オンライン設定で学習する問題に焦点をあてる。提案手法はエージェントの現在のポーズとRGB-Dフレームを入力として使用する。提案手法を利用可能なAVDベンチマークで検証し,平均成功率0.76,平均パス長17.1とした。
論文参考訳（メタデータ） (2020-09-17T08:23:50Z)
The Chef's Hat Simulation Environment for Reinforcement-Learning-Based Agents [54.63186041942257]
本稿では,人間-ロボットインタラクションのシナリオで使用されるように設計されたChef's Hatカードゲームを実装する仮想シミュレーション環境を提案する。本稿では,強化学習アルゴリズムにおける制御可能かつ再現可能なシナリオを提案する。
論文参考訳（メタデータ） (2020-03-12T15:52:49Z)

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。