論文の概要: LEA*: An A* Variant Algorithm with Improved Edge Efficiency for Robot Motion Planning

• arxiv url: http://arxiv.org/abs/2309.10722v1
• Date: Tue, 19 Sep 2023 16:04:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 13:44:39.820932
• Title: LEA*: An A* Variant Algorithm with Improved Edge Efficiency for Robot Motion Planning
• Title（参考訳）: LEA*: ロボット運動計画のためのエッジ効率を改善するA*変数アルゴリズム
• Authors: Dongliang Zheng and Panagiotis Tsiotras
• Abstract要約: ロボットの動作計画のための新しいグラフ探索アルゴリズムである遅延エッジベースA*(LEA*)を導入する。 LEA* は A* に最小限の変更を加えるだけで実装が簡単であり、従来の遅延探索アルゴリズムに比べてオーバーヘッドが非常に小さい。 We show that the edge efficiency of wLEA* is close to LazySP, so is almost-optimal。
• 参考スコア（独自算出の注目度）: 17.746746646529424
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work, we introduce a new graph search algorithm, lazy edged based A* (LEA*), for robot motion planning. By using an edge queue and exploiting the idea of lazy search, LEA* is optimally vertex efficient similar to A*, and has improved edge efficiency compared to A*. LEA* is simple and easy to implement with minimum modification to A*, resulting in a very small overhead compared to previous lazy search algorithms. We also explore the effect of inflated heuristics, which results in the weighted LEA* (wLEA*). We show that the edge efficiency of wLEA* becomes close to LazySP and, thus is near-optimal. We test LEA* and wLEA* on 2D planning problems and planning of a 7-DOF manipulator. We perform a thorough comparison with previous algorithms by considering sparse, medium, and cluttered random worlds and small, medium, and large graph sizes. Our results show that LEA* and wLEA* are the fastest algorithms to find the plan compared to previous algorithms.
• Abstract（参考訳）: 本研究では,ロボット動作計画のための新しいグラフ探索アルゴリズムである遅延エッジベースA*(LEA*)を提案する。 エッジキューを用いて遅延探索のアイデアを活用することにより、LEA*はA*と同様の頂点効率が最適であり、A*と比較してエッジ効率が向上する。 LEA* は A* に最小限の変更を加えるだけで実装が簡単であり、従来の遅延探索アルゴリズムに比べてオーバーヘッドが非常に小さい。 また、重み付きLEA* (wLEA*) をもたらす膨らんだヒューリスティックスの効果についても検討する。 wlea*のエッジ効率はlazyspに近いため、ほぼ最適であることを示す。 2次元計画問題と7-DOFマニピュレータの計画についてLEA*とwLEA*をテストする。 我々は,スパース,ミディアム,散在するランダムワールド,小,中,大グラフサイズを考慮し,従来のアルゴリズムと徹底的に比較する。 その結果,LEA* と wLEA* は,従来のアルゴリズムよりも高速に計画を見つけるアルゴリズムであることが示唆された。

関連論文リスト

• ELRA: Exponential learning rate adaption gradient descent optimization method [83.88591755871734]
  我々は, 高速(指数率), ab initio(超自由)勾配に基づく適応法を提案する。 本手法の主な考え方は,状況認識による$alphaの適応である。 これは任意の次元 n の問題に適用でき、線型にしかスケールできない。
  論文  参考訳（メタデータ） (2023-09-12T14:36:13Z)
• Lagrangian based A* algorithm for automated reasoning [0.0]
  重み付けはA*アルゴリズムの一部として導入され、効率が向上する。 このアルゴリズムの応用はUAV経路計画に適用される。
  論文  参考訳（メタデータ） (2023-06-28T17:01:03Z)
• Learning the Positions in CountSketch [49.57951567374372]
  本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。 本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-11T07:28:35Z)
• A-ePA*SE: Anytime Edge-Based Parallel A* for Slow Evaluations [15.00536873208851]
  任意の検索アルゴリズムは、限られた時間予算の下でソリューションが要求されるような計画上の問題に有用である。 そのようなアルゴリズムの1つであるePA*SEは、より高速な計画を実現するためにエッジ評価を並列化する。 A-ePA*SEは他の検索手法よりもはるかに効率的であることを示す。
  論文  参考訳（メタデータ） (2023-05-08T01:21:27Z)
• Symbolic Discovery of Optimization Algorithms [132.62397077095787]
  我々は,効率的な探索手法を用いて,無限小のプログラム空間を探索する。 提案手法は, 単純かつ効率的な最適化アルゴリズムである $textbfLion$ を探索する。 LionはGoogle検索広告CTRモデルのようなプロダクションシステムにうまくデプロイされている。
  論文  参考訳（メタデータ） (2023-02-13T20:27:30Z)
• A Differentiable Loss Function for Learning Heuristics in A* [0.0]
  本稿は、絶対値ではなく相対値に依存するため、A*アルゴリズムの高速化につながるとは限らない、と論じる。 緩和策として,A*探索における過度に拡張された状態の上限となるL*損失を提案する。 ソコバンやモーゼなどの迷路ドメインにおける自動計画のための最先端のディープニューラルネットワークの最適化に使用されるL*損失は、解決された問題の割合、確立された計画の品質を大幅に改善し、拡張された状態の数を約50%削減する。
  論文  参考訳（メタデータ） (2022-09-12T12:43:05Z)
• A Metaheuristic Algorithm for Large Maximum Weight Independent Set Problems [58.348679046591265]
  ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。 このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。 我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-28T21:34:16Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• A Generalized A* Algorithm for Finding Globally Optimal Paths in Weighted Colored Graphs [14.175900236492922]
  ここで定義される最適性の概念に関して、クラス順序A*(COA*)アルゴリズムの完全性と最適性を証明する。 coa* は不確かでない経路を見つけるという点で a* の解を支配する。
  論文  参考訳（メタデータ） (2020-12-24T01:27:31Z)

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。