論文の概要: CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network
for Sampling-Based Path Planning
- arxiv url: http://arxiv.org/abs/2305.10442v1
- Date: Sat, 13 May 2023 20:06:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-21 10:24:15.639304
- Title: CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network
for Sampling-Based Path Planning
- Title（参考訳）: CBAGAN-RRT:Samping-based Path Planningのための畳み込みブロック注意生成支援ネットワーク
- Authors: Abhinav Sagar, Sai Teja Gilukara
- Abstract要約: 本稿では,畳み込みブロック注意生成ネットワークを用いた新しい画像ベース学習アルゴリズム(CBAGAN-RRT)を提案する。
GANモデルから生成された経路の確率分布を用いて,RRTアルゴリズムのサンプリングプロセスを導出する。
我々は、citezhang 2021によって生成されたデータセット上で、我々のネットワークをトレーニングし、テストし、我々のアルゴリズムが過去の最先端アルゴリズムより優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sampling-based path planning algorithms play an important role in autonomous
robotics. However, a common problem among the RRT-based algorithms is that the
initial path generated is not optimal and the convergence is too slow to be
used in real-world applications. In this paper, we propose a novel image-based
learning algorithm (CBAGAN-RRT) using a Convolutional Block Attention
Generative Adversarial Network with a combination of spatial and channel
attention and a novel loss function to design the heuristics, find a better
optimal path, and improve the convergence of the algorithm both concerning time
and speed. The probability distribution of the paths generated from our GAN
model is used to guide the sampling process for the RRT algorithm. We train and
test our network on the dataset generated by \cite{zhang2021generative} and
demonstrate that our algorithm outperforms the previous state-of-the-art
algorithms using both the image quality generation metrics like IOU Score, Dice
Score, FID score, and path planning metrics like time cost and the number of
nodes. We conduct detailed experiments and ablation studies to illustrate the
feasibility of our study and show that our model performs well not only on the
training dataset but also on the unseen test dataset. The advantage of our
approach is that we can avoid the complicated preprocessing in the state space,
our model can be generalized to complicated environments like those containing
turns and narrow passages without loss of accuracy, and our model can be easily
integrated with other sampling-based path planning algorithms.
- Abstract（参考訳）: サンプリングに基づく経路計画アルゴリズムは自律ロボットにおいて重要な役割を果たす。
しかし、RTRベースのアルゴリズムで共通する問題は、生成した初期経路が最適ではなく、収束が遅すぎて現実のアプリケーションでは利用できないことである。
本稿では,空間的およびチャネル的注意と新たな損失関数を組み合わせた畳み込みブロック的注意生成逆ネットワークを用いた新しい画像ベース学習アルゴリズム(cbagan-rrt)を提案する。
我々のganモデルから生成される経路の確率分布は、rrtアルゴリズムのサンプリングプロセスを導くために用いられる。
我々は, \cite{zhang2021generative} が生成したデータセット上でネットワークをトレーニングし, IOU Score, Dice Score, FIDスコア, 時間コストやノード数といったパス計画指標を用いて, 従来の最先端アルゴリズムよりも優れた性能を示す。
我々は,本研究の実現可能性を示すため,詳細な実験とアブレーション実験を行い,本モデルがトレーニングデータセットだけでなく,未発見のテストデータセット上でも良好に機能することを示す。
このアプローチの利点は、状態空間における複雑な前処理を回避でき、精度を損なうことなくターンや狭い通路を含むような複雑な環境に一般化でき、我々のモデルはサンプリングに基づく他の経路計画アルゴリズムと容易に統合できることである。
関連論文リスト
- Neural Algorithmic Reasoning Without Intermediate Supervision [21.852775399735005]
我々は、中間的監督に訴えることなく、入出力ペアからのみニューラルネットワーク推論を学ぶことに集中する。
我々は、アルゴリズムの軌跡にアクセスできることなく、モデルの中間計算を正規化できる自己教師対象を構築する。
CLRSic Algorithmic Reasoning Benchmarkのタスクにおいて,提案手法はトラジェクトリを教師する手法と競合することを示す。
論文 参考訳（メタデータ） (2023-06-23T09:57:44Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳（メタデータ） (2023-05-24T17:26:22Z) - Pathfinding Neural Cellular Automata [23.831530224401575]
Pathfindingは、ロボットパス計画、トランスポートルーティング、ゲームプレイなど、幅広い複雑なAIタスクの重要なサブコンポーネントである。
我々は, Breadth-First Search (BFS) のモデル,すなわち最短経路探索のハンドコードと学習を行う。
本稿では、Depth-First Search(DFS)のニューラル実装を提案し、グラフの直径を計算するためのNAAを生成するために、ニューラルネットワークBFSと組み合わせる方法について概説する。
我々は,これらの手書きNCAに触発されたアーキテクチャ変更を実験し,グリッド迷路の直径問題を解くためにゼロからネットワークをトレーニングし,高い能力の一般化を示した。
論文 参考訳（メタデータ） (2023-01-17T11:45:51Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Generative Adversarial Network based Heuristics for Sampling-based Path
Planning [34.368519009432426]
本稿では,サンプリングに基づく経路計画の限界を克服する画像ベース経路計画アルゴリズムを提案する。
具体的には、環境マップを他の前処理作業なしに入力として扱うために、GAN(Generative Adversarial Network)を設計する。
提案手法の有効性を検証するためのシミュレーション実験を多数実施し,本手法が初期解の品質と最適解への収束速度の面ではるかに優れた性能を発揮することを実証した。
論文 参考訳（メタデータ） (2020-12-07T07:29:57Z) - Conditional Generative Adversarial Networks for Optimal Path Planning [30.892250698479064]
条件付き生成逆数ネットワーク(CGAN)と修正RT*アルゴリズム(CGANRRT*で記述)に基づく新しい学習経路計画アルゴリズムを提案する。
CGANモデルは、地上の真理マップから学習することで訓練され、それぞれがRRTアルゴリズムの実行結果を1つの生地図上で50回行った結果から生成される。
CGAN-RRT* アルゴリズムと従来の RRT* アルゴリズムを比較することで,この CGAN モデルの有効性を実証する。
論文 参考訳（メタデータ） (2020-12-06T02:53:50Z) - 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) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z) - Channel Assignment in Uplink Wireless Communication using Machine
Learning Approach [54.012791474906514]
本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。
我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。
計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
論文 参考訳（メタデータ） (2020-01-12T15:54:20Z)
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。