論文の概要: Fast End-to-End Generation of Belief Space Paths for Minimum Sensing Navigation
- arxiv url: http://arxiv.org/abs/2409.12902v1
- Date: Thu, 19 Sep 2024 16:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 12:59:09.663346
- Title: Fast End-to-End Generation of Belief Space Paths for Minimum Sensing Navigation
- Title(参考訳): 最小センシングナビゲーションのための空間経路の高速終端生成
- Authors: Lukas Taus, Vrushabh Zinage, Takashi Tanaka, Richard Tsai,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.6249768559720122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We revisit the problem of motion planning in the Gaussian belief space. Motivated by the fact that most existing sampling-based planners suffer from high computational costs due to the high-dimensional nature of the problem, we propose an approach that leverages a deep learning model to predict optimal path candidates directly from the problem description. Our proposed approach consists of three steps. First, we prepare a training dataset comprising a large number of input-output pairs: the input image encodes the problem to be solved (e.g., start states, goal states, and obstacle locations), whereas the output image encodes the solution (i.e., the ground truth of the shortest path). Any existing planner can be used to generate this training dataset. Next, we leverage the U-Net architecture to learn the dependencies between the input and output data. Finally, a trained U-Net model is applied to a new problem encoded as an input image. From the U-Net's output image, which is interpreted as a distribution of paths,an optimal path candidate is reconstructed. The proposed method significantly reduces computation time compared to the sampling-based baseline algorithm.
- Abstract(参考訳): ガウス的信念空間における運動計画の問題を再考する。
既存のサンプリングベースプランナの多くは高次元的な問題の性質から高い計算コストに悩まされているため,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。
提案手法は3段階からなる。
まず、入力画像は解決すべき問題を符号化する(例えば、開始状態、目標状態、障害物位置)一方、出力画像は解を符号化する(すなわち、最短経路の基本真実)。
既存のプランナーを使えば、このトレーニングデータセットを生成することができる。
次に、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。
最後に、入力画像として符号化された新しい問題に対して、トレーニングされたU-Netモデルを適用する。
経路分布として解釈されるU-Netの出力画像から最適経路候補を再構成する。
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計算時間を著しく短縮する。
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) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Symmetry-preserving graph attention network to solve routing problems at
multiple resolutions [1.9304772860080408]
問題解決のために,最初の完全同変モデルとトレーニングを導入する。
入力グラフのマルチスケール構造を捉えることが不可欠である。
本稿では,Equi Graph Attention Network (mEGAT) アーキテクチャと組み合わせたマルチレゾリューション方式を提案する。
論文 参考訳(メタデータ) (2023-10-24T06:22:20Z) - 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) - Ideal Abstractions for Decision-Focused Learning [108.15241246054515]
本稿では,決定関連情報の損失を最小限に抑えるために,出力空間を自動的に構成する手法を提案する。
本手法は,ディープニューラルネットワークトレーニングのためのデータ取得と,閉ループ山火事管理タスクの2つの領域で実証する。
論文 参考訳(メタデータ) (2023-03-29T23:31:32Z) - OReX: Object Reconstruction from Planar Cross-sections Using Neural
Fields [10.862993171454685]
OReXはスライス単独で3次元形状を復元する手法であり、前者がニューラルネットワーク勾配である。
適度なニューラルネットワークは入力平面上でトレーニングされ、与えられた3D座標の内外推定を返却し、滑らかさと自己相似性を誘導する強力な先行を与える。
我々は、粗大な訓練を奨励する反復的な推定アーキテクチャと階層的な入力サンプリングスキームを提供し、訓練プロセスは後段の高周波に集中できるようにする。
論文 参考訳(メタデータ) (2022-11-23T11:44:35Z) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳(メタデータ) (2021-09-30T10:23:55Z) - Data-driven Weight Initialization with Sylvester Solvers [72.11163104763071]
本稿では,ディープニューラルネットワークのパラメータを初期化するためのデータ駆動方式を提案する。
提案手法は,特にショットや微調整の設定において有効であることを示す。
論文 参考訳(メタデータ) (2021-05-02T07:33:16Z) - Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。
このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
論文 参考訳(メタデータ) (2020-08-19T14:26:47Z) - Performance Improvement of Path Planning algorithms with Deep Learning
Encoder Model [1.1995939891389429]
この状況を克服するために畳み込みニューラルネットワーク(CNN)が用いられた。
本稿では,このCNNモデルを用いて性能を詳細に解析し,無駄な経路を除去する。
論文 参考訳(メタデータ) (2020-08-05T17:34:31Z) - Model Inversion Networks for Model-Based Optimization [110.24531801773392]
スコアから入力への逆写像を学習するモデル反転ネットワーク(MIN)を提案する。
MINは高次元の入力空間にスケールでき、コンテキスト最適化と非コンテキスト最適化の両方にオフラインログデータを利用する。
我々は,ベイズ最適化の文献から,画像やタンパク質の設計に対する高次元モデルベース最適化問題,ログデータからのコンテキスト的帯域最適化といったタスクのMINを評価した。
論文 参考訳(メタデータ) (2019-12-31T18:06:49Z)
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。