論文の概要: PPNet: A Novel Neural Network Structure for End-to-End Near-Optimal Path Planning

• arxiv url: http://arxiv.org/abs/2401.09819v1
• Date: Thu, 18 Jan 2024 09:20:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 17:22:04.308006
• Title: PPNet: A Novel Neural Network Structure for End-to-End Near-Optimal Path Planning
• Title（参考訳）: PPNet: 終端から終端に近い経路計画のための新しいニューラルネットワーク構造
• Authors: Qinglong Meng, Chongkun Xia, Xueqian Wang, Songping Mai, and Bin Liang
• Abstract要約: 経路計画問題の解法として,パス計画ネットワーク (PPNet) という2段階のカスケードニューラルネットワークを提案する。 その結果、PPNetは15.3msでほぼ最適解を見つけることができ、これは最先端のパスプランナーよりもはるかに短い。
• 参考スコア（独自算出の注目度）: 8.609933204182047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classical path planners, such as sampling-based path planners, have the limitations of sensitivity to the initial solution and slow convergence to the optimal solution. However, finding a near-optimal solution in a short period is challenging in many applications such as the autonomous vehicle with limited power/fuel. To achieve an end-to-end near-optimal path planner, we first divide the path planning problem into two subproblems, which are path's space segmentation and waypoints generation in the given path's space. We further propose a two-level cascade neural network named Path Planning Network (PPNet) to solve the path planning problem by solving the abovementioned subproblems. Moreover, we propose a novel efficient data generation method for path planning named EDaGe-PP. The results show the total computation time is less than 1/33 and the success rate of PPNet trained by the dataset that is generated by EDaGe-PP is about $2 \times$ compared to other methods. We validate PPNet against state-of-the-art path planning methods. The results show PPNet can find a near-optimal solution in 15.3ms, which is much shorter than the state-of-the-art path planners.
• Abstract（参考訳）: サンプリングベースのパスプランナーのような古典的なパスプランナーは、初期解に対する感度の限界があり、最適な解への収束が遅い。 しかし、限られた電力/燃料を持つ自動運転車のような多くの応用において、短時間で最適に近い解を見つけることは困難である。 終端から終端に近い経路プランナーを実現するために、まず経路計画問題を、与えられた経路空間における経路空間分割と経路点生成である2つの部分問題に分割する。 さらに,上述した部分問題を解くことで経路計画問題を解決するために,経路計画ネットワーク(ppnet)という2段階のカスケードニューラルネットワークを提案する。 また,EDaGe-PPと呼ばれる経路計画のための新しい効率的なデータ生成手法を提案する。 その結果、計算時間は1/33以下であり、EDaGe-PPが生成したデータセットによってトレーニングされたPPNetの成功率は、他の手法と比較して約2ドルであることがわかった。 我々はPPNetを最先端の経路計画手法に対して検証する。 その結果、PPNetは15.3msでほぼ最適解を見つけることができ、これは最先端のパスプランナーよりもはるかに短い。

関連論文リスト

• Fast End-to-End Generation of Belief Space Paths for Minimum Sensing Navigation [0.6249768559720122]
  本稿では,問題記述から直接最適な経路候補を予測するために,ディープラーニングモデルを活用するアプローチを提案する。 我々は、U-Netアーキテクチャを活用して、入力と出力データの依存関係を学習する。 提案手法はサンプリングベースベースラインアルゴリズムと比較して時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2024-09-19T16:49:36Z)
• TSPDiffuser: Diffusion Models as Learned Samplers for Traveling Salesperson Path Planning Problems [7.566713416204861]
  旅行セールスパーソンパス計画問題(TSPPP)のための新しいデータ駆動パスプランナを提案する。 障害物マップ内の目的地の集合を考慮に入れれば、最も短い衝突のない経路を効率的に見つけることが目的である。 我々は,TSPPP インスタンスの集合とその各ソリューション上で拡散モデルを訓練し,未知の問題インスタンスに対する可塑性経路を生成する。
  論文  参考訳（メタデータ） (2024-06-05T02:15:55Z)
• 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)
• Optimal Horizon-Free Reward-Free Exploration for Linear Mixture MDPs [60.40452803295326]
  線形マルコフ決定過程(MDP)を学習するための新たな報酬なしアルゴリズムを提案する。 我々のアルゴリズムの核心は、探索駆動の擬似回帰を用いた不確実性重み付き値目標回帰である。 我々のアルゴリズムは$tilde O(d2varepsilon-2)$ episodesを探索するだけで、$varepsilon$-optimal policyを見つけることができる。
  論文  参考訳（メタデータ） (2023-03-17T17:53:28Z)
• 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)
• Probability estimation and structured output prediction for learning preferences in last mile delivery [11.23854308665717]
  最終マイル配送の文脈でドライバーとプランナーの好みを学習する問題について検討する。 1つは、停止(またはゾーン)間の遷移確率を学習する確率推定法である。 ゾーン遷移確率推定は良好に動作し、構造化された出力予測学習によりさらなる結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:28:21Z)
• 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)
• 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)
• MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
  MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。 我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-01T14:01:53Z)
• Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
  暗黙的な逐次計画の仮定に代わるものを検討する。 本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。 計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
  論文  参考訳（メタデータ） (2020-04-23T18:08:58Z)
• One-shot path planning for multi-agent systems using fully convolutional neural network [7.753962856673561]
  本稿では,複数のエージェントに対して1ショットで完全な経路を生成することができる完全畳み込みニューラルネットワークを用いた新しい手法を提案する。 本手法は, 単一経路予測の場合の98%以上において, 最適な経路あるいは近い経路を生成できることを実証した。
  論文  参考訳（メタデータ） (2020-04-01T16:56:39Z)

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。