論文の概要: DDPEN: Trajectory Optimisation With Sub Goal Generation Model

• arxiv url: http://arxiv.org/abs/2301.07433v1
• Date: Wed, 18 Jan 2023 11:02:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 16:18:56.354750
• Title: DDPEN: Trajectory Optimisation With Sub Goal Generation Model
• Title（参考訳）: DDPEN:サブゴール生成モデルによる軌道最適化
• Authors: Aleksander Gamayunov, Aleksey Postnikov, Gonzalo Ferrer
• Abstract要約: 本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。 本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。 このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
• 参考スコア（独自算出の注目度）: 70.36888514074022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Differential dynamic programming (DDP) is a widely used and powerful trajectory optimization technique, however, due to its internal structure, it is not exempt from local minima. In this paper, we present Differential Dynamic Programming with Escape Network (DDPEN) - a novel approach to avoid DDP local minima by utilising an additional term used in the optimization criteria pointing towards the direction where robot should move in order to escape local minima. In order to produce the aforementioned directions, we propose to utilize a deep model that takes as an input the map of the environment in the form of a costmap together with the desired goal position. The Model produces possible future directions that will lead to the goal, avoiding local minima which is possible to run in real time conditions. The model is trained on a synthetic dataset and overall the system is evaluated at the Gazebo simulator. In this work we show that our proposed method allows avoiding local minima of trajectory optimization algorithm and successfully execute a trajectory 278 m long with various convex and nonconvex obstacles.
• Abstract（参考訳）: ディファレンシャル・ダイナミック・プログラミング(ddp)は広く使われ、強力な軌道最適化手法であるが、内部構造のため局所的ミニマから除外されていない。 本稿では,DDP ローカル・ミニマを避けるために,DDP ローカル・ミニマを回避するために,ロボットが移動すべき方向を示す最適化基準に使用される追加用語を用いることにより,DDP ローカル・ミニマを避けるための新しいアプローチを提案する。 上記の方向を生成するために,所望の目標位置とともにコストマップの形で環境マップを入力として利用する深層モデルを提案する。 モデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。 モデルは合成データセットに基づいてトレーニングされ、システム全体はGazeboシミュレータで評価される。 本研究では,提案手法により軌道最適化アルゴリズムの局所的最小化を回避でき,様々な凸および非凸の障害物に対して278mの軌道を成功させることを示す。

関連論文リスト

• Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
  本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。 我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。 挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2024-07-08T12:52:46Z)
• Learning-Initialized Trajectory Planning in Unknown Environments [4.2960463890487555]
  未知の環境での自律飛行の計画には、空間軌道と時間軌道の両方を正確に計画する必要がある。 本稿ではニューラルdトラジェクトリ・プランナーを用いて最適化を導く新しい手法を提案する。 遅延計画に対する耐性を持って、堅牢なオンラインリプランニングをサポートするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain [5.337162499594818]
  本稿では,この縮小された検索空間内でのみ最適な経路をAstarのような基礎アルゴリズムで見つけることができるNNPPモデルを提案する。 NNPPモデルは、多くの事前注釈付き最適経路のデモから、スタート地点とゴール地点に関する情報とマップ表現を学習する。 新規地図上での経路計画のテキストカラー化が可能である。
  論文  参考訳（メタデータ） (2023-08-09T08:31:05Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Waypoint Models for Instruction-guided Navigation in Continuous Environments [68.2912740006109]
  本稿では,言語条件付きウェイポイント予測ネットワークのクラスを開発し,この問題について検討する。 プロファイリングされたLoCoBotロボット上でのタスク性能と実行時間の推定を行う。 我々のモデルは、VLN-CEにおける以前の仕事を上回り、新しい最先端の技術を公衆のリーダーボードに置きました。
  論文  参考訳（メタデータ） (2021-10-05T17:55:49Z)
• GPU-accelerated Optimal Path Planning in Stochastic Dynamic Environments [0.0]
  自律型海洋車両の計画時間とエネルギー最適経路は、運用コストを削減するために不可欠である。 意思決定プロセス(MDP)は、そのような環境でロボットエージェントのシーケンシャルな意思決定のための自然な枠組みを提供する。 我々は、MDPモデルを構築し、MDPを解き、最適なポリシーを演算する効率的なエンドツーエンド高速化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-02T12:14:34Z)
• Reinforcement Learning for Robot Navigation with Adaptive Forward Simulation Time (AFST) in a Semi-Markov Model [20.91419349793292]
  本稿では,この問題を解決するために,半マルコフ決定プロセス (SMDP) と連続的な動作空間を持つDRLベースのナビゲーション手法であるAdaptive Forward Time Simulation (AFST) を提案する。
  論文  参考訳（メタデータ） (2021-08-13T10:30:25Z)
• 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)
• 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)

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。