論文の概要: Learning-Initialized Trajectory Planning in Unknown Environments

• arxiv url: http://arxiv.org/abs/2309.10683v1
• Date: Tue, 19 Sep 2023 15:07:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 13:51:34.194098
• Title: Learning-Initialized Trajectory Planning in Unknown Environments
• Title（参考訳）: 未知環境における学習初期化軌道計画
• Authors: Yicheng Chen, Jinjie Li, Wenyuan Qin, Yongzhao Hua, Xiwang Dong, Qingdong Li
• Abstract要約: 未知の環境での自律飛行の計画には、空間軌道と時間軌道の両方を正確に計画する必要がある。 本稿ではニューラルdトラジェクトリ・プランナーを用いて最適化を導く新しい手法を提案する。 遅延計画に対する耐性を持って、堅牢なオンラインリプランニングをサポートするフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.2960463890487555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous flight in unknown environments requires precise planning for both the spatial and temporal profiles of trajectories, which generally involves nonconvex optimization, leading to high time costs and susceptibility to local optima. To address these limitations, we introduce the Learning-Initialized Trajectory Planner (LIT-Planner), a novel approach that guides optimization using a Neural Network (NN) Planner to provide initial values. We first leverage the spatial-temporal optimization with batch sampling to generate training cases, aiming to capture multimodality in trajectories. Based on these data, the NN-Planner maps visual and inertial observations to trajectory parameters for handling unknown environments. The network outputs are then optimized to enhance both reliability and explainability, ensuring robust performance. Furthermore, we propose a framework that supports robust online replanning with tolerance to planning latency. Comprehensive simulations validate the LIT-Planner's time efficiency without compromising trajectory quality compared to optimization-based methods. Real-world experiments further demonstrate its practical suitability for autonomous drone navigation.
• Abstract（参考訳）: 未知の環境での自律飛行は、一般に非凸最適化を伴う軌道の空間的および時間的プロファイルの両方を正確に計画する必要がある。 これらの制約に対処するために、ニューラルネットワーク(NN)プランナーを用いて最適化を誘導し初期値を提供する新しいアプローチであるLIT-Planner(Learning-Initialized Trajectory Planner)を導入する。 まず,空間-時間最適化をバッチサンプリングで活用し,訓練事例を生成し,軌跡のマルチモーダリティを捉える。 これらのデータに基づいて、NN-Plannerは、未知の環境を扱うための軌跡パラメータに視覚的および慣性的な観察をマッピングする。 ネットワーク出力は信頼性と説明可能性の両方を強化し、堅牢な性能を保証するように最適化される。 さらに,計画遅延に対する耐性を持って,堅牢なオンライン再計画を支援するフレームワークを提案する。 総合シミュレーションにより、LIT-Plannerの時間効率は最適化法と比較して軌道品質を損なうことなく検証できる。 実世界の実験は、自律ドローンナビゲーションの実用性をさらに実証している。

関連論文リスト

• Wireless Federated Learning over UAV-enabled Integrated Sensing and Communication [2.8203310972866382]
  本稿では,無人航空機(UAV)を利用した統合型統合学習(FL)における新しい遅延最適化問題について検討する。 ベンチマーク方式と比較して,システム遅延を最大68.54%削減し,高品質な近似解を求めるため,単純かつ効率的な反復アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-01T14:25:24Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  将来の多機のミッションでは、安全かつ効率的なランデブー操作を確保するために、堅牢な自律的な最適化機能が必要である。 この負担を軽減するため、生成トランスフォーマーモデルを導入し、ロバストな最適初期推定を提供する。 この研究はARTの機能を拡張し、堅牢な制約付き最適制御問題に対処する。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Energy-Efficient Federated Edge Learning with Streaming Data: A Lyapunov Optimization Approach [34.00679567444125]
  本研究では,長期エネルギー制約下でのデータ到着や資源の可利用性に固有のランダム性に対処する動的スケジューリングと資源割当アルゴリズムを開発した。 提案アルゴリズムは, デバイススケジューリング, 計算容量調整, 帯域幅の割り当ておよび各ラウンドの送信電力を適応的に決定する。 本手法の有効性をシミュレーションにより検証し,ベースライン方式と比較して学習性能とエネルギー効率が向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-20T14:13:22Z)
• Continual Model-based Reinforcement Learning for Data Efficient Wireless Network Optimisation [73.04087903322237]
  制御ポリシの継続強化学習としてスループット最適化を定式化する。 シミュレーションの結果,提案システムでは,エンド・ツー・エンドのデプロイメントのリードタイムを2倍に短縮できることがわかった。
  論文  参考訳（メタデータ） (2024-04-30T11:23:31Z)
• Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
  我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。 限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
  論文  参考訳（メタデータ） (2023-05-02T07:41:16Z)
• 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)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• 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)
• Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning [6.015556590955814]
  ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。 温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
  論文  参考訳（メタデータ） (2021-08-14T21:32:33Z)
• Trajectory Planning for Autonomous Vehicles Using Hierarchical Reinforcement Learning [21.500697097095408]
  不確実かつ動的条件下で安全な軌道を計画することは、自律運転問題を著しく複雑にする。 RRT(Rapidly Exploring Random Trees)のような現在のサンプリングベース手法は、高い計算コストのため、この問題には理想的ではない。 軌道計画のための階層型強化学習構造とPID(Proportional-Integral-Derivative)コントローラを提案する。
  論文  参考訳（メタデータ） (2020-11-09T20:49:54Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)

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。