論文の概要: Scalable Probabilistic Routes
- arxiv url: http://arxiv.org/abs/2306.10736v1
- Date: Mon, 19 Jun 2023 07:10:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 18:57:42.831399
- Title: Scalable Probabilistic Routes
- Title(参考訳): スケーラブルな確率的経路
- Authors: Suwei Yang, Victor C. Liang, Kuldeep S. Meel
- Abstract要約: ルート予測のための有望なアプローチの1つは、確率値で拡張された決定図を使用する。
線形な変数数を用いた緩和符号化を導入し、結果の決定図のサイズを大幅に削減する。
ステップワイズサンプリング方式の代わりに,単一パスサンプリングに基づく経路予測を提案する。
- 参考スコア(独自算出の注目度): 33.119667669694216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inference and prediction of routes have become of interest over the past
decade owing to a dramatic increase in package delivery and ride-sharing
services. Given the underlying combinatorial structure and the incorporation of
probabilities, route prediction involves techniques from both formal methods
and machine learning. One promising approach for predicting routes uses
decision diagrams that are augmented with probability values. However, the
effectiveness of this approach depends on the size of the compiled decision
diagrams. The scalability of the approach is limited owing to its empirical
runtime and space complexity. In this work, our contributions are two-fold:
first, we introduce a relaxed encoding that uses a linear number of variables
with respect to the number of vertices in a road network graph to significantly
reduce the size of resultant decision diagrams. Secondly, instead of a stepwise
sampling procedure, we propose a single pass sampling-based route prediction.
In our evaluations arising from a real-world road network, we demonstrate that
the resulting system achieves around twice the quality of suggested routes
while being an order of magnitude faster compared to state-of-the-art.
- Abstract(参考訳): パッケージデリバリーとライドシェアリングサービスの劇的な増加により、過去10年間でルートの推測と予測が関心を集めている。
基礎となる組合せ構造と確率の組み入れを考えると、経路予測には形式的手法と機械学習の両方の手法が含まれる。
ルート予測の有望なアプローチのひとつに、確率値で拡張された決定図がある。
しかし、このアプローチの有効性は、コンパイルされた決定図のサイズに依存する。
このアプローチのスケーラビリティは、経験的なランタイムと空間の複雑さのために制限されている。
まず,道路網グラフの頂点数に対して,線形数の変数を用いた緩和符号化を導入し,結果の決定図のサイズを大幅に削減する。
第2に,ステップワイズサンプリングではなく,単一パスサンプリングに基づく経路予測を提案する。
実世界の道路ネットワークから得られた評価では,提案した経路の約2倍の品質を達成でき,しかも最先端に比べて桁違いに高速であることを示す。
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) - Efficient Data Representation for Motion Forecasting: A Scene-Specific Trajectory Set Approach [12.335528093380631]
本研究では,異なる状況に合わせたシーン固有の軌跡セットを生成するための新しい手法を提案する。
決定論的ゴールサンプリングアルゴリズムは関連する地図領域を同定する一方,再帰的分布サブサンプリング (RIDS) 法はトラジェクトリの妥当性を高める。
Argoverse 2データセットの実験では、運転エリアコンプライアンスの最大10%の改善が達成されている。
論文 参考訳(メタデータ) (2024-07-30T11:06:39Z) - DataSP: A Differential All-to-All Shortest Path Algorithm for Learning Costs and Predicting Paths with Context [4.202961704179733]
本稿では,トラジェクトリからの遅延コストの学習を容易にするために,DataSPを提案する。
コンテキスト特徴からの複雑な遅延コスト関数は、ニューラルネットワーク近似を通じてアルゴリズムで表現することができる。
データSPは,グラフ上での経路予測において,最先端の機械学習手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-05-08T09:45:54Z) - Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A
Pair-wise Attention-based Pointer Neural Network [5.092311422459955]
最終マイルの配達では、道路や縁石のインフラについて暗黙の知識があるため、ドライバーは計画されたルートから逸脱する。
人間のドライバーが従うような実際の停止シーケンスを予測することは、ラストマイル配送におけるルート計画を改善するのに役立つ。
本稿では、ドライバーの過去の配送軌跡データを用いて、この予測タスクのためのペアワイズアテンションに基づくポインターニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2023-01-10T06:11:20Z) - GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。
提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
論文 参考訳(メタデータ) (2022-05-30T16:22:53Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳(メタデータ) (2022-05-13T21:09:41Z) - Road Extraction from Overhead Images with Graph Neural Networks [18.649284163019516]
本稿では,最終道路グラフを1パスで直接推測する手法を提案する。
鍵となるアイデアは、関心点の特定を担当する完全な畳み込みネットワークと、これらのポイント間のリンクを予測するグラフニューラルネットワークを組み合わせることである。
我々は,一般的なRoadTracerデータセット上の既存の作業に対して評価を行い,競合する結果を得た。
論文 参考訳(メタデータ) (2021-12-09T21:10:27Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳(メタデータ) (2021-04-16T17:58:56Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳(メタデータ) (2021-03-26T02:42:33Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z) - Joint Multi-Dimension Pruning via Numerical Gradient Update [120.59697866489668]
本稿では,空間,深さ,チャネルの3つの重要な側面において,ネットワークを同時に切断する方法であるジョイント・マルチディメンジョン・プルーニング(ジョイント・プルーニング)を提案する。
本手法は,1つのエンドツーエンドトレーニングにおいて3次元にわたって協調的に最適化され,従来よりも効率がよいことを示す。
論文 参考訳(メタデータ) (2020-05-18T17:57:09Z)
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。