論文の概要: GePA*SE: Generalized Edge-Based Parallel A* for Slow Evaluations
- arxiv url: http://arxiv.org/abs/2301.10347v1
- Date: Tue, 24 Jan 2023 23:24:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-26 16:13:47.841715
- Title: GePA*SE: Generalized Edge-Based Parallel A* for Slow Evaluations
- Title（参考訳）: GePA*SE: 低速評価のための一般化エッジベース並列A*
- Authors: Shohin Mukherjee, Maxim Likhachev
- Abstract要約: GePA*SE: Slow Evaluations のための一般化エッジベースの並列 A* について紹介する。
状態展開とエッジ評価の並列化の観点から、PA*SEとePA*SEの考え方を一般化する。
特に,動作プリミティブの計算に費用と費用がかかる動作空間を有する高DoFロボットアームの操作計画に焦点をあてる。
- 参考スコア（独自算出の注目度）: 17.726855371829284
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parallel search algorithms have been shown to improve planning speed by
harnessing the multithreading capability of modern processors. One such
algorithm PA*SE achieves this by parallelizing state expansions, whereas
another algorithm ePA*SE achieves this by effectively parallelizing edge
evaluations. ePA*SE targets domains in which the action space comprises actions
with expensive but similar evaluation times. However, in a number of robotics
domains, the action space is heterogenous in the computational effort required
to evaluate the cost of an action and its outcome. Motivated by this, we
introduce GePA*SE: Generalized Edge-based Parallel A* for Slow Evaluations,
which generalizes the key ideas of PA*SE and ePA*SE i.e. parallelization of
state expansions and edge evaluations respectively. This extends its
applicability to domains that have actions requiring varying computational
effort to evaluate them. In particular, we focus on manipulation planning for a
high-DoF robot arm which has an action space comprising both cheap and
expensive to compute motion primitives. The open-source code for GePA*SE along
with the baselines is available here:
https://github.com/shohinm/parallel_search
- Abstract（参考訳）: 並列探索アルゴリズムは、現代のプロセッサのマルチスレッド機能を活用することにより、計画速度を改善することが示されている。
このようなアルゴリズムの1つは状態展開を並列化することでこれを達成し、もう1つはエッジ評価を効果的に並列化する。
ePA*SEは、アクション空間が高価なが同様の評価時間を持つアクションを含むドメインをターゲットにしている。
しかし、多くのロボット分野において、アクションのコストとその結果を評価するのに必要な計算作業において、アクション空間は異種である。
そこで我々は,GePA*SEについて紹介する: 一般化エッジベースParallel A* for Slow Evaluationsは,PA*SEとePA*SEのキーアイデア,すなわち状態展開とエッジ評価の並列化を一般化する。
これは、それらを評価するのに様々な計算労力を必要とするアクションを持つドメインに適用性を拡張する。
特に,動作プリミティブの計算に安価かつ高価な動作空間を有する高自由度ロボットアームの操作計画に焦点をあてた。
gepa*seのオープンソースコードとベースラインはここで入手できる。 https://github.com/shohinm/parallel_search。
関連論文リスト
- Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。
評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。
その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
論文 参考訳（メタデータ） (2024-07-03T03:29:23Z) - Sequential and Shared-Memory Parallel Algorithms for Partitioned Local
Depths [0.0]
PaLDは相対距離に基づいて対関係の強さを同定する手法である。
性能最適化戦略を導入し、ベースラインのシーケンシャルな実装に対して、最大29ドル以上のシーケンシャルなスピードアップを実現した。
論文 参考訳（メタデータ） (2023-07-31T13:32:39Z) - A-ePA*SE: Anytime Edge-Based Parallel A* for Slow Evaluations [15.00536873208851]
任意の検索アルゴリズムは、限られた時間予算の下でソリューションが要求されるような計画上の問題に有用である。
そのようなアルゴリズムの1つであるePA*SEは、より高速な計画を実現するためにエッジ評価を並列化する。
A-ePA*SEは他の検索手法よりもはるかに効率的であることを示す。
論文 参考訳（メタデータ） (2023-05-08T01:21:27Z) - Planning and Learning with Adaptive Lookahead [74.39132848733847]
ポリシーイテレーション(PI)アルゴリズムは、欲求の一段階の改善と政策評価を交互に行う。
近年の文献では、複数段階のルックアヘッドポリシーの改善が、イテレーション毎の複雑さの増加を犠牲にして、よりコンバージェンス率の向上につながることが示されている。
本研究では,多段階の地平線を状態と推定値の関数として動的に適応する手法を初めて提案する。
論文 参考訳（メタデータ） (2022-01-28T20:26:55Z) - COPS: Controlled Pruning Before Training Starts [68.8204255655161]
最先端のディープニューラルネットワーク(DNN)プルーニング技術は、トレーニング開始前にワンショットで適用され、プルーニングスコアと呼ばれる単一の基準の助けを借りてスパースアーキテクチャを評価する。
この作業では、単一プルーニング基準に集中するのではなく、任意のGASを組み合わせてより強力なプルーニング戦略を構築するためのフレームワークを提供します。
論文 参考訳（メタデータ） (2021-07-27T08:48:01Z) - Waypoint Planning Networks [66.72790309889432]
本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。
我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。
WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
論文 参考訳（メタデータ） (2021-05-01T18:02:01Z) - Average-Reward Off-Policy Policy Evaluation with Function Approximation [66.67075551933438]
平均報酬MDPの関数近似によるオフポリシ政策評価を検討する。
ブートストラップは必要であり、オフポリシ学習とFAと一緒に、致命的なトライアドをもたらす。
そこで本研究では,勾配型tdアルゴリズムの成功を再現する2つの新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-08T00:43:04Z) - aphBO-2GP-3B: A budgeted asynchronous parallel multi-acquisition
functions for constrained Bayesian optimization on high-performing computing
architecture [4.738678765150249]
非同期制約付きバッチ並列ベイズ最適化法を提案する。
この方法の利点は3倍である。
aphBO-2GP-3Bフレームワークは2つの高忠実度産業応用を用いて実証されている。
論文 参考訳（メタデータ） (2020-03-20T18:02:27Z) - Accelerating Feedforward Computation via Parallel Nonlinear Equation
Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。
本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。
提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文 参考訳（メタデータ） (2020-02-10T10:11:31Z)
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。