論文の概要: Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2210.08864v1
• Date: Mon, 17 Oct 2022 09:02:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 20:49:27.658227
• Title: Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたサンプリング型動作計画における衝突チェックの低減
• Authors: Chenning Yu and Sicun Gao
• Abstract要約: 本研究では,衝突チェックを減らし,動作計画の高速化を図るための新しい学習手法を提案する。 経路探索と経路平滑化を行うグラフニューラルネットワーク(GNN)を訓練する。 実験の結果,学習したコンポーネントは衝突チェックを著しく低減し,全体の計画効率を向上できることがわかった。
• 参考スコア（独自算出の注目度）: 10.698553177585973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sampling-based motion planning is a popular approach in robotics for finding paths in continuous configuration spaces. Checking collision with obstacles is the major computational bottleneck in this process. We propose new learning-based methods for reducing collision checking to accelerate motion planning by training graph neural networks (GNNs) that perform path exploration and path smoothing. Given random geometric graphs (RGGs) generated from batch sampling, the path exploration component iteratively predicts collision-free edges to prioritize their exploration. The path smoothing component then optimizes paths obtained from the exploration stage. The methods benefit from the ability of GNNs of capturing geometric patterns from RGGs through batch sampling and generalize better to unseen environments. Experimental results show that the learned components can significantly reduce collision checking and improve overall planning efficiency in challenging high-dimensional motion planning tasks.
• Abstract（参考訳）: サンプリングベースのモーションプランニングは、ロボット工学において連続的な構成空間における経路を見つけるための一般的なアプローチである。 障害物との衝突をチェックすることが、このプロセスの主要な計算ボトルネックである。 本稿では,経路探索と経路平滑化を行うグラフニューラルネットワーク(GNN)を訓練することにより,衝突チェックの低減と移動計画の高速化を実現する学習手法を提案する。 ランダムな幾何グラフ(RGG)がバッチサンプリングから生成されると、経路探索成分は衝突のないエッジを反復予測して探索を優先順位付けする。 経路平滑化成分は、探索段階から得られた経路を最適化する。 この方法は、バッチサンプリングを通じてRGGから幾何学的パターンをキャプチャし、目に見えない環境に最適化するGNNの利点がある。 実験結果から,高次元動作計画課題における衝突チェックを著しく低減し,全体の計画効率を向上させることができることがわかった。

関連論文リスト

• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Efficient Ground Vehicle Path Following in Game AI [77.34726150561087]
  本稿では,ゲームAIに適した地上車両の効率的な追従経路を提案する。 提案したパスフォロワは,一対一シューティングゲームにおいて,様々なテストシナリオを通じて評価される。 その結果,既存の経路と比較すると,立ち往生するイベントの総数が70%減少した。
  論文  参考訳（メタデータ） (2023-07-07T04:20:07Z)
• Thompson sampling for improved exploration in GFlowNets [75.89693358516944]
  生成フローネットワーク(Generative Flow Networks, GFlowNets)は、合成対象物上の分布からのサンプリングを、学習可能なアクションポリシーを用いたシーケンシャルな意思決定問題として扱う、アモータイズされた変分推論アルゴリズムである。 2つの領域において、TS-GFNは、過去の研究で使われたオフ・ポリティクス・サーベイ・ストラテジーよりも、探索を改善し、目標分布への収束を早くすることを示す。
  論文  参考訳（メタデータ） (2023-06-30T14:19:44Z)
• CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network for Sampling-Based Path Planning [0.0]
  本稿では,畳み込みブロック注意生成ネットワークを用いた新しい画像ベース学習アルゴリズム(CBAGAN-RRT)を提案する。 GANモデルから生成された経路の確率分布を用いて,RRTアルゴリズムのサンプリングプロセスを導出する。 我々は、citezhang 2021によって生成されたデータセット上で、我々のネットワークをトレーニングし、テストし、我々のアルゴリズムが過去の最先端アルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-13T20:06:53Z)
• Vision-aided UAV navigation and dynamic obstacle avoidance using gradient-based B-spline trajectory optimization [7.874708385247353]
  本稿では,ロボットの車載視力を利用した勾配に基づくB-スプライン軌道最適化アルゴリズムを提案する。 提案手法は、まず円ベースのガイドポイントアルゴリズムを用いて、静的障害物を避けるためのコストと勾配を近似する。 視界検出された移動物体では, 動的衝突を防止するために, 反射・水平距離場が同時に使用される。
  論文  参考訳（メタデータ） (2022-09-15T02:12:30Z)
• Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions [65.84090965167535]
  本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。 このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
  論文  参考訳（メタデータ） (2022-06-29T18:47:05Z)
• Collision-Free Navigation using Evolutionary Symmetrical Neural Networks [0.0]
  本稿では、反応衝突回避のための進化的ニューラルネットワークを用いた以前の研究を拡張した。 我々は、対称ニューラルネットワークと呼ばれる新しい手法を提案している。 この手法は,ネットワーク重み間の制約を強制することにより,モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-29T13:02:14Z)
• Autonomous Drone Racing with Deep Reinforcement Learning [39.757652701917166]
  ドローンレースのような多くのロボットタスクにおいて、ゴールはできるだけ速くコースポイントを移動することである。 重要な課題は、事前に通過するウェイポイントの完全な知識を想定して解決される最小時間軌道を計画することです。 本研究では,クワッドロータの最小時間軌道生成法を提案する。
  論文  参考訳（メタデータ） (2021-03-15T18:05:49Z)
• 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)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• Learning to Optimize Non-Rigid Tracking [54.94145312763044]
  我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。 まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。 次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
  論文  参考訳（メタデータ） (2020-03-27T04:40:57Z)

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。