論文の概要: A Fast and Optimal Learning-based Path Planning Method for Planetary
Rovers
- arxiv url: http://arxiv.org/abs/2308.04792v1
- Date: Wed, 9 Aug 2023 08:31:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 14:33:18.451869
- Title: A Fast and Optimal Learning-based Path Planning Method for Planetary
Rovers
- Title(参考訳): プラネタリーローバーの高速かつ最適学習に基づく経路計画法
- Authors: Yiming Ji, Yang Liu, Guanghu Xie, Zongwu Xie, Baoshi Cao
- Abstract要約: 本研究では,NNPPと呼ばれる標高マップの最適経路を高速に探索する学習手法を提案する。
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のセマンティック情報とマップ表現を学習する。
NNPPモデルにより生成された誘導場は,同じハードウェア条件下での最適経路の探索時間を著しく短縮できることを示す。
- 参考スコア(独自算出の注目度): 6.139022993099647
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intelligent autonomous path planning is crucial to improve the exploration
efficiency of planetary rovers. In this paper, we propose a learning-based
method to quickly search for optimal paths in an elevation map, which is called
NNPP. The NNPP model learns semantic information about start and goal
locations, as well as map representations, from numerous pre-annotated optimal
path demonstrations, and produces a probabilistic distribution over each pixel
representing the likelihood of it belonging to an optimal path on the map. More
specifically, the paper computes the traversal cost for each grid cell from the
slope, roughness and elevation difference obtained from the DEM. Subsequently,
the start and goal locations are encoded using a Gaussian distribution and
different location encoding parameters are analyzed for their effect on model
performance. After training, the NNPP model is able to perform path planning on
novel maps. Experiments show that the guidance field generated by the NNPP
model can significantly reduce the search time for optimal paths under the same
hardware conditions, and the advantage of NNPP increases with the scale of the
map.
- Abstract(参考訳): インテリジェントな自律経路計画は、惑星探査機の探索効率を向上させるために不可欠である。
本稿では,標高マップにおける最適経路を高速に探索する学習に基づく手法であるnnppを提案する。
nnppモデルは、多数の事前注釈付き最適経路のデモンストレーションから、開始位置と目標位置に関する意味情報とマップ表現を学習し、地図上の最適経路に属するその可能性を表す各画素上の確率分布を生成する。
より具体的には、DEMから得られた勾配、粗さ、標高差から各格子セルのトラバースコストを算出する。
その後、ガウス分布を用いて開始位置とゴール位置を符号化し、モデル性能に対する異なる位置符号化パラメータを解析する。
トレーニング後、NNPPモデルは新しい地図上で経路計画を実行することができる。
実験の結果,NNPPモデルにより生成された誘導場は,同じハードウェア条件下での最適経路の探索時間を著しく短縮することができ,NNPPの利点は地図の規模によって増大することがわかった。
関連論文リスト
- Vertex-based Networks to Accelerate Path Planning Algorithms [3.684936338492373]
本稿では,RT* のサンプリングプロセスを強化するため,頂点に基づくネットワークの利用を提案し,より効率的な経路計画手法を提案する。
我々は、関連するデータ不均衡問題に対処するために焦点損失を採用し、異なるマスキング構成を探索し、システム性能の実用的なトレードオフを決定する。
論文 参考訳(メタデータ) (2023-07-13T20:56:46Z) - CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network
for Sampling-Based Path Planning [0.0]
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。
論文 参考訳(メタデータ) (2023-05-13T20:06:53Z) - 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) - BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。
我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。
ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
論文 参考訳(メタデータ) (2022-12-08T16:27:54Z) - 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) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳(メタデータ) (2022-05-06T03:37:00Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳(メタデータ) (2021-10-28T14:18:22Z) - Transformer-based Map Matching Model with Limited Ground-Truth Data
using Transfer-Learning Approach [6.510061176722248]
多くのトラジェクトリベースのアプリケーションでは、生のGPSトラジェクトリをデジタルマップの道路網にマッピングする必要がある。
本稿では,データの観点から地図マッチングの課題を考察し,深層学習に基づく地図マッチングモデルを提案する。
合成軌道データを生成し,トランスフォーマーモデルを事前学習し,有限個の接地トラスデータでモデルを微調整する。
論文 参考訳(メタデータ) (2021-08-01T11:51:11Z) - Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。
これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文 参考訳(メタデータ) (2021-06-19T18:06:11Z) - 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) - Deep-Learning-Aided Path Planning and Map Construction for Expediting
Indoor Mapping [0.0]
目標は、所定のレベルの確実性で事前に定義された露出の割合を達成するための時間を最小化することです。
経路計画とマップ構築の両方において、マップ予測器として機能する事前学習された生成深部ニューラルネットワークの使用を提案する。
予測が経路計画とマップ構築プロセスの両方に統合された場合、マッピング時間が50%以上削減されることが示される。
論文 参考訳(メタデータ) (2020-11-03T22:35:25Z)
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。