論文の概要: QCQP-Tunneling: Ellipsoidal Constrained Agent Navigation
- arxiv url: http://arxiv.org/abs/2302.13307v1
- Date: Sun, 26 Feb 2023 12:41:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 17:55:29.522903
- Title: QCQP-Tunneling: Ellipsoidal Constrained Agent Navigation
- Title(参考訳): qcqp-tunneling: 楕円型制約付きエージェントナビゲーション
- Authors: Sanjeev Sharma
- Abstract要約: 本稿では, 楕円形制約エージェントナビゲーション (ECAN) という, 凸QCQPに基づく新しい経路計画アルゴリズムを提案する。
ECANは、エリスポイドの重なり合うトンネルを、環境を通じてオンライン的に作ることで、エージェントの経路を計画している。
- 参考スコア(独自算出の注目度): 2.5382095320488665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a convex-QCQP based novel path planning algorithm named
ellipsoidal constrained agent navigation (ECAN), for a challenging problem of
online path planning in completely unknown and unseen continuous environments.
ECAN plans path for the agent by making a tunnel of overlapping ellipsoids, in
an online fashion, through the environment. Convex constraints in the
ellipsoid-formation step circumvent collision with the obstacles. The problem
of online-tunneling is solved as a convex-QCQP. This paper assumes no
constraints on shape of the agent and the obstacles. However, to make the
approach clearer, this paper first introduces the framework for a point-mass
agent with point-size obstacles. After explaining the underlying principle in
drawing an ellipsoid tunnel, the framework is extended to the agent and
obstacles having finite area (2d space) and finite-volume (3d-space).
- Abstract(参考訳): 本稿では,完全未知の連続環境におけるオンライン経路計画の難解な問題に対して,ecan(ellipsoidal restricteded agent navigation)という,convex-qcqpに基づく新しい経路計画アルゴリズムを提案する。
ECANは、エリスポイドの重なり合うトンネルを、環境を通じてオンライン的に作ることで、エージェントの経路を計画している。
楕円体形成ステップにおける凸制約は障害物との衝突を回避する。
オンライントンネルの問題は凸qcqpとして解決される。
本稿では,エージェントの形状や障害物の制約を想定しない。
しかし,本論文ではまず,点サイズの障害物を持つ点質量エージェントの枠組みを紹介する。
楕円形トンネルを描く際の基本原理を説明すると、この枠組みは有限領域(2d空間)と有限体積(3d空間)を持つエージェントと障害物に拡張される。
関連論文リスト
- Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。
アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。
提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
論文 参考訳(メタデータ) (2023-12-25T18:51:23Z) - OPA-3D: Occlusion-Aware Pixel-Wise Aggregation for Monocular 3D Object
Detection [51.153003057515754]
OPA-3Dは、Occlusion-Aware Pixel-Wise Aggregationネットワークである。
密集した風景深度と、奥行きのある箱残量と物の境界箱を共同で推定する。
メインカーのカテゴリーでは最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2022-11-02T14:19:13Z) - Obstacle Identification and Ellipsoidal Decomposition for Fast Motion
Planning in Unknown Dynamic Environments [0.0]
未知環境における衝突回避は、無人システムにとって最も重要な課題の1つである。
線形障害物速度と角障害物速度を推定するために, 楕円体の観点から障害物を同定する手法を提案する。
論文 参考訳(メタデータ) (2022-09-28T17:00:10Z) - Implicit Neural Representation for Mesh-Free Inverse Obstacle Scattering [21.459567997723376]
多層パーセプトロンのレベルセットとしての形状のインプシット表現は、最近、形状解析、圧縮、再構成タスクで栄えている。
メッシュフリーで逆障害物散乱問題を解決するための暗黙的ニューラルネットワーク表現に基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-04T17:16:09Z) - Lagrangian PINNs: A causality-conforming solution to failure modes of
physics-informed neural networks [5.8010446129208155]
物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワークを利用して偏微分方程式(PDE)に制約された最適化問題の解を求める。
境界条件が厳格に強制された場合でも,トレーニングの課題は継続することを示す。
PDEインフォームド・ソリューションとして,ラグランジアン・フレーム(LPINN)上でのPINNの再構成を提案する。
論文 参考訳(メタデータ) (2022-05-05T19:48:05Z) - Zero Pixel Directional Boundary by Vector Transform [77.63061686394038]
我々は境界を1次元曲面として再解釈し、1対1のベクトル変換関数を定式化し、クラス不均衡問題を完全に回避する境界予測の訓練を可能にする。
我々の問題定式化は、境界の方向推定だけでなく、よりリッチなコンテキスト情報もたらし、もし望めば、訓練時にもゼロピクセルの薄い境界が利用可能となる。
論文 参考訳(メタデータ) (2022-03-16T17:55:31Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳(メタデータ) (2021-09-16T03:52:17Z) - MT-ORL: Multi-Task Occlusion Relationship Learning [38.21973582100365]
我々はOcclusion-shared and Path-separated Network (OPNet)と呼ばれる新しいアーキテクチャを提案する。
本手法は, PIOD/BSDSオーナシップデータセット上でのバウンダリーAPの6.1%/8.3%, オリエンテーションAPの6.5%/10%を超越する手法である。
論文 参考訳(メタデータ) (2021-08-12T13:06:25Z) - Tracking Partially-Occluded Deformable Objects while Enforcing Geometric
Constraints [11.247580943940916]
我々は、変形可能な物体の追跡を支援するために、高忠実度物理シミュレーションを構築した。
我々はRGBD画像と幾何運動推定に基づいてオブジェクトに焦点を当てる。
コントリビューションにより、従来の手法よりも精度の面で大きなマージンを達成できます。
論文 参考訳(メタデータ) (2020-11-01T21:13:18Z) - 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) - Local Propagation in Constraint-based Neural Network [77.37829055999238]
ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。
本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
論文 参考訳(メタデータ) (2020-02-18T16:47:38Z)
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。