論文の概要: Improving Path Planning Performance through Multimodal Generative Models
with Local Critics
- arxiv url: http://arxiv.org/abs/2306.09470v1
- Date: Thu, 15 Jun 2023 19:51:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 15:56:46.076044
- Title: Improving Path Planning Performance through Multimodal Generative Models
with Local Critics
- Title（参考訳）: 局所的批判を伴うマルチモーダル生成モデルによる経路計画性能の向上
- Authors: Jorge Ocampo Jimenez and Wael Suleiman
- Abstract要約: 本稿では,障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。
自由条件構成空間の分布を近似するために,Wasserstein Generative Adversarial Networks (WGANs) と Gradient Penalty (GP) を用いる。
実験の結果,WGAN-GPで準最適経路を生成しながら,未知のシーンでの経路計画タスクを高速化する有望な結果が得られた。
- 参考スコア（独自算出の注目度）: 1.3706331473063877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel method for accelerating path planning tasks in
unknown scenes with obstacles by utilizing Wasserstein Generative Adversarial
Networks (WGANs) with Gradient Penalty (GP) to approximate the distribution of
the free conditioned configuration space. Our proposed approach involves
conditioning the WGAN-GP with a Variational Auto-Encoder in a continuous latent
space to handle multimodal datasets. However, training a Variational
Auto-Encoder with WGAN-GP can be challenging for image-to-configuration-space
problems, as the Kullback-Leibler loss function often converges to a random
distribution. To overcome this issue, we simplify the configuration space as a
set of Gaussian distributions and divide the dataset into several local models.
This enables us to not only learn the model but also speed up its convergence.
We evaluate the reconstructed configuration space using the homology rank of
manifolds for datasets with the geometry score. Furthermore, we propose a novel
transformation of the robot's configuration space that enables us to measure
how well collision-free regions are reconstructed, which could be used with
other rank of homology metrics. Our experiments show promising results for
accelerating path planning tasks in unknown scenes while generating
quasi-optimal paths with our WGAN-GP. The source code is openly available.
- Abstract（参考訳）: 本稿では,Wasserstein Generative Adversarial Networks (WGANs) と Gradient Penalty (GP) を併用し,自由条件設定空間の分布を近似することにより,未知シーンにおける経路計画タスクを障害付きで高速化する手法を提案する。
提案手法では,マルチモーダルデータセットを扱うために,変分オートエンコーダを用いたWGAN-GPを連続潜在空間に条件付けする。
しかし、WGAN-GPを用いた変分オートエンコーダのトレーニングは、Kulback-Leibler損失関数がしばしばランダム分布に収束するので、画像と構成空間の問題では困難である。
この問題を克服するために,ガウス分布の集合として構成空間を単純化し,データセットを複数の局所モデルに分割する。
これにより、モデルを学習するだけでなく、収束をスピードアップすることができます。
幾何スコアを持つデータセットに対する多様体のホモロジーランクを用いて再構成された構成空間を評価する。
さらに,衝突のない領域の再構成の精度を計測し,他の階層のホモロジー指標と併用することのできる,ロボットの構成空間の新たな変換を提案する。
実験の結果,WGAN-GPで準最適経路を生成しながら,未知のシーンでの経路計画タスクを高速化する有望な結果が得られた。
ソースコードは公開されている。
関連論文リスト
- Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces [0.4143603294943439]
障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。
高速探索ランダムツリーアルゴリズムを用いて,衝突のない経路の経路点分布を近似した。
本実験は,臨界時間制約下での経路計画タスクを高速化する有望な結果を実証する。
論文 参考訳（メタデータ） (2025-01-11T21:14:52Z) - Gaussian Ensemble Belief Propagation for Efficient Inference in High-Dimensional Systems [3.6773638205393198]
高次元モデルにおける効率的な推論は、機械学習における中心的な課題である。
本稿では,Gaussian Ensemble Belief Propagation (GEnBP)アルゴリズムを紹介する。
本稿では,GEnBPが既存の信念手法よりも精度と計算効率で優れていることを示す。
論文 参考訳（メタデータ） (2024-02-13T03:31:36Z) - NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain [5.337162499594818]
本稿では,この縮小された検索空間内でのみ最適な経路をAstarのような基礎アルゴリズムで見つけることができるNNPPモデルを提案する。
NNPPモデルは、多くの事前注釈付き最適経路のデモから、スタート地点とゴール地点に関する情報とマップ表現を学習する。
新規地図上での経路計画のテキストカラー化が可能である。
論文 参考訳（メタデータ） (2023-08-09T08:31:05Z) - GIFD: A Generative Gradient Inversion Method with Feature Domain
Optimization [52.55628139825667]
Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。
近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。
textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
論文 参考訳（メタデータ） (2023-08-09T04:34:21Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳（メタデータ） (2023-07-17T07:12:29Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に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） (2023-04-03T13:13:19Z) - DDPEN: Trajectory Optimisation With Sub Goal Generation Model [70.36888514074022]
本稿では,エスケープネットワークを用いた微分動的プログラミング(DDPEN)を提案する。
本稿では,環境の入力マップとして,所望の位置とともにコストマップの形で利用する深層モデルを提案する。
このモデルは、目標に導く可能性のある将来の方向を生成し、リアルタイムに実行可能なローカルなミニマを避ける。
論文 参考訳（メタデータ） (2023-01-18T11:02:06Z) - Few Shot Generative Model Adaption via Relaxed Spatial Structural
Alignment [130.84010267004803]
限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。
実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。
本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
論文 参考訳（メタデータ） (2022-03-06T14:26:25Z) - Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。
NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-10-26T10:45:25Z) - Encoding spatiotemporal priors with VAEs for small-area estimation [2.4783465852664324]
本稿では,新しい時間的設定に対処する深層生成モデリング手法を提案する。
可変オートエンコーダ(VAE)の事前装着による事前サンプリングのクラスを近似する。
VAEは独立に分散された潜在ガウス空間表現のため、推論を驚くほど効率的にすることができる。
ベイズ型小面積推定タスクにおけるVAE2段階アプローチの有用性を実証する。
論文 参考訳（メタデータ） (2021-10-20T08:14:15Z) - 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)
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。