論文の概要: IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty
- arxiv url: http://arxiv.org/abs/2304.10984v1
- Date: Fri, 21 Apr 2023 14:31:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 14:34:18.518638
- Title: IBBT: Informed Batch Belief Trees for Motion Planning Under Uncertainty
- Title（参考訳）: IBBT:不確実性下での運動計画のためのインフォームドバッチリーフツリー
- Authors: Dongliang Zheng, Panagiotis Tsiotras
- Abstract要約: 本研究では,動作計画と不確実性検出のためのIBBTアルゴリズムを提案する。
IBBTは、バッチ状態サンプリング、名目上の軌道構築、計算、およびグラフ上の探索の間でインターリーブし、信念空間の運動計画を見つける。
IBBTは非自明な動作計画を発見し,従来の類似手法と比較して高速であることを確認した。
- 参考スコア（独自算出の注目度）: 15.472200104646447
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this work, we propose the Informed Batch Belief Trees (IBBT) algorithm for
motion planning under motion and sensing uncertainties. The original stochastic
motion planning problem is divided into a deterministic motion planning problem
and a graph search problem. We solve the deterministic planning problem using
sampling-based methods such as PRM or RRG to construct a graph of nominal
trajectories. Then, an informed cost-to-go heuristic for the original problem
is computed based on the nominal trajectory graph. Finally, we grow a belief
tree by searching over the graph using the proposed heuristic. IBBT interleaves
between batch state sampling, nominal trajectory graph construction, heuristic
computing, and search over the graph to find belief space motion plans. IBBT is
an anytime, incremental algorithm. With an increasing number of batches of
samples added to the graph, the algorithm finds motion plans that converge to
the optimal one. IBBT is efficient by reusing results between sequential
iterations. The belief tree searching is an ordered search guided by an
informed heuristic. We test IBBT in different planning environments. Our
numerical investigation confirms that IBBT finds non-trivial motion plans and
is faster compared with previous similar methods.
- Abstract（参考訳）: 本研究では,動作中の動作計画と不確かさを検知するためのインフォームド・バッチ・信念木(ibbt)アルゴリズムを提案する。
元の確率的動き計画問題は、決定論的動き計画問題とグラフ探索問題に分けられる。
PRM や RRG のようなサンプリングに基づく手法を用いて,名目軌道グラフを構築する決定論的計画問題を解く。
次に,原問題に対する情報的コスト対ゴーヒューリスティックを名目軌道グラフに基づいて計算する。
最後に,提案するヒューリスティックを用いてグラフを探索することで,信念木を成長させる。
IBBTは、バッチ状態サンプリング、名目的軌道グラフ構築、ヒューリスティックコンピューティング、およびグラフを探索して信念空間の運動計画を見つける。
IBBTは任意の段階的アルゴリズムである。
グラフに追加されるサンプルのバッチ数が増加すると、アルゴリズムは最適なものに収束する動き計画を見つける。
IBBTは逐次イテレーション間の結果を再利用することで効率が良い。
信仰木探索は情報ヒューリスティックによって導かれる順序付き探索である。
IBBTをさまざまな計画環境でテストします。
IBBTは非自明な動作計画を発見し,従来の類似手法と比較して高速であることを確認した。
関連論文リスト
- Depth-Bounded Epistemic Planning [50.42592219248395]
本稿では,動的てんかん論理に基づく新しい計画法を提案する。
新規性は、計画エージェントの推論の深さを上界bに制限することである。
推論深度の境界b内における解を持つ計画タスクに関して、完全なものであることを示す。
論文 参考訳（メタデータ） (2024-06-03T09:30:28Z) - Cyclical Log Annealing as a Learning Rate Scheduler [0.0]
学習率スケジューラ(英: learning rate scheduler)とは、モデル学習過程において、様々な探索ステップの指示セットである。
本稿では,降下勾配を通したステップサイズを過度に再起動する手法を提案する。
論文 参考訳（メタデータ） (2024-03-13T14:07:20Z) - Learning Regularized Graphon Mean-Field Games with Unknown Graphons [155.38727464526923]
グラフィック平均フィールドゲーム(GMFG)のための強化学習アルゴリズムを設計する。
我々は、正規化されたGMFGのナッシュ平衡(NE)を、グラフンが未知のときに学習することを目指している。
これらのアルゴリズムは、サンプルエージェントからグラモンを学習するために設計された最初のものである。
論文 参考訳（メタデータ） (2023-10-26T16:19:24Z) - STAMP: Differentiable Task and Motion Planning via Stein Variational Gradient Descent [35.96763689715956]
シーケンシャルなロボティクスタスクの計画には、しばしば記号的および幾何学的推論を必要とする。
TAMPアルゴリズムは、運動学的および動的実現可能性を確認しながら、高レベルのタスクシーケンス上でツリーサーチを実行することで、これらの問題を解決するのが一般的である。
本稿では,ハイブリッド最適化問題を連続領域に緩和するSTAMP(Stein Task and Motion Planning)という新しいTAMP手法を提案する。
論文 参考訳（メタデータ） (2023-10-03T03:53:51Z) - A fast topological approach for predicting anomalies in time-varying
graphs [0.0]
トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。
本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。
実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
論文 参考訳（メタデータ） (2023-05-11T01:54:45Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳（メタデータ） (2023-02-08T08:17:43Z) - Learning Graph Search Heuristics [48.83557172525969]
本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。
我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。
実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
論文 参考訳（メタデータ） (2022-12-07T22:28:00Z) - Learning to Search in Task and Motion Planning with Streams [20.003445874753233]
ロボット工学におけるタスク計画問題と動作計画問題は、個別のタスク変数に対するシンボリック計画と、連続状態および動作変数に対する動作最適化を組み合わせたものである。
対象と事実の集合を最優先的に拡張する幾何学的情報に基づく記号プランナを提案する。
ブロックスタッキング操作タスクにおいて,このアルゴリズムを7DOFロボットアームに適用する。
論文 参考訳（メタデータ） (2021-11-25T15:58:31Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Methods of Adaptive Signal Processing on Graphs Using Vertex-Time
Autoregressive Models [0.0]
ランダムプロセスの概念は、最近グラフ信号に拡張されている。
この問題のオンライン版はアダプティブフレームワークを通じて提案された。
可能性、可能性、そしてこの研究の可能性について光を当てるために実験が行われた。
論文 参考訳（メタデータ） (2020-03-10T12:42:27Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z)
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。