Fugu-MT 論文翻訳(概要): The Planner Optimization Problem: Formulations and Frameworks

論文の概要: The Planner Optimization Problem: Formulations and Frameworks

arxiv url: http://arxiv.org/abs/2303.06768v2
Date: Tue, 14 Mar 2023 15:35:04 GMT
ステータス: 処理完了
システム内更新日: 2023-03-15 11:20:07.939918
Title: The Planner Optimization Problem: Formulations and Frameworks
Title（参考訳）: planner最適化問題:定式化とフレームワーク
Authors: Yiyuan Lee, Katie Lee, Panpan Cai, David Hsu, Lydia E. Kavraki
Abstract要約: 計画のための内部パラメータは、プランナーのパフォーマンスを最大化するために不可欠である。本研究は, 統一プランナー最適化問題 (POP) とオープンプランナー最適化フレームワーク (OPOF) を併用して, これらの問題を再利用可能な方法で定義し, 解決することを提案する。
参考スコア（独自算出の注目度）: 21.898689051774532
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Identifying internal parameters for planning is crucial to maximizing the performance of a planner. However, automatically tuning internal parameters which are conditioned on the problem instance is especially challenging. A recent line of work focuses on learning planning parameter generators, but lack a consistent problem definition and software framework. This work proposes the unified planner optimization problem (POP) formulation, along with the Open Planner Optimization Framework (OPOF), a highly extensible software framework to specify and to solve these problems in a reusable manner.
Abstract（参考訳）: プランナーのパフォーマンスを最大化するためには、計画のための内部パラメータを特定することが重要です。しかし、問題インスタンスで条件付けられた内部パラメータの自動チューニングは、特に難しい。最近の作業は、計画パラメータジェネレータの学習に焦点を当てているが、一貫した問題定義とソフトウェアフレームワークが欠けている。本研究では,これらの問題を再利用可能な方法で特定・解決するための拡張性の高いソフトウェアフレームワークであるOpen Planner Optimization Framework(OPOF)とともに,統一プランナー最適化問題(POP)の定式化を提案する。

関連論文リスト

Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning [44.56909875875932]
具体的かつ可動的な障害を含むタスクでは、タスク・アンド・モーション・プランニング(TAMP)アルゴリズムが実行時の大半を、解決不可能な制約満足度問題の解決に費やしている。我々は、初期状態、目標、および候補計画に基づいて計画の実現可能性を予測する新しいトランスフォーマーベースのアーキテクチャ、PIGINetを開発した。 PIGINetは計画の効率を大幅に改善し, 障害物のあるピック・アンド・プレイスの問題を平均80%削減する。
論文参考訳（メタデータ） (2022-11-03T04:12:04Z)
Hierarchical Constrained Stochastic Shortest Path Planning via Cost Budget Allocation [16.150627252426936]
本稿では,これら2つの重要な要件を満たす階層的制約付き最短経路問題(HC-SSP)を提案する。結果として生じる問題は非常に複雑であり、最適な解を見つけるのが難しくなる。提案手法は,提案手法を高速かつ漸進的に更新するために,ブランチ・アンド・バウンド・スキームに基づく低レベルの計画問題に対して,コスト予算を反復的に割り当てるアルゴリズムである。
論文参考訳（メタデータ） (2022-05-11T01:25:38Z)
Mind Your Solver! On Adversarial Attack and Defense for Combinatorial Optimization [111.78035414744045]
我々は,最適解法に対する敵攻撃と防御のメカニズムの開発を主導する。本稿では, グラフ構造を改良し, 解法の堅牢性を高めるための, 単純かつ効果的な防衛戦略を提案する。
論文参考訳（メタデータ） (2021-12-28T15:10:15Z)
Gradient-Based Mixed Planning with Discrete and Continuous Actions [34.885999774739055]
本稿では,連続パラメータと候補計画の動作を同時に最適化する二次的枠組みを提案する。フレームワークはモジュールと組み合わせて、緩和に基づいて初期状態から目標へ移行する最適な計画候補を推定する。
論文参考訳（メタデータ） (2021-10-19T14:21:19Z)
A feasibility study of a hyperparameter tuning approach to automated inverse planning in radiotherapy [68.8204255655161]
本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。 100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
論文参考訳（メタデータ） (2021-05-14T18:37:00Z)
Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文参考訳（メタデータ） (2021-02-16T06:04:27Z)
Multiple Plans are Better than One: Diverse Stochastic Planning [26.887796946596243]
計画上の問題では、望ましい仕様を完全にモデル化することはしばしば困難です。特に、人間とロボットの相互作用において、そのような困難は、プライベートまたはモデルに複雑である人間の好みによって生じる可能性がある。我々は、最適に近い代表行動の集合を生成することを目的とした、多種多様な計画と呼ばれる問題を定式化する。
論文参考訳（メタデータ） (2020-12-31T07:29:11Z)
Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文参考訳（メタデータ） (2020-06-18T19:11:54Z)
Multi-tier Automated Planning for Adaptive Behavior (Extended Version) [0.4129225533930965]
本稿では,異なる仮定セットの仕様を計画するための多層フレームワークを提案する。非決定論的計画形式への簡潔なコンパイルによる問題インスタンスの解法を示す。
論文参考訳（メタデータ） (2020-02-27T21:16:01Z)
Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文参考訳（メタデータ） (2020-01-03T11:01:52Z)

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。