論文の概要: Global Tensor Motion Planning

• arxiv url: http://arxiv.org/abs/2411.19393v2
• Date: Tue, 31 Dec 2024 14:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-03 14:35:07.699901
• Title: Global Tensor Motion Planning
• Title（参考訳）: グローバルテンソル運動計画
• Authors: An T. Le, Kay Hansel, João Carvalho, Joe Watson, Julen Urain, Armin Biess, Georgia Chalvatzaki, Jan Peters,
• Abstract要約: グローバルモーションプランニング(GTMP)は、テンソル操作のみを含むサンプリングベースのモーションプランニングアルゴリズムである。 ランダム多部グラフとして表現された新しい離散化構造を導入し,効率的なベクトル化サンプリングを実現する。 ライダースキャンされた占有マップとMotionBenchMarkerデータセットの実験は、バッチ計画におけるGTMPの計算効率を実証している。
• 参考スコア（独自算出の注目度）: 18.678206099088843
• License:
• Abstract: Batch planning is increasingly necessary to quickly produce diverse and high-quality motion plans for downstream learning applications, such as distillation and imitation learning. This paper presents Global Tensor Motion Planning (GTMP) -- a sampling-based motion planning algorithm comprising only tensor operations. We introduce a novel discretization structure represented as a random multipartite graph, enabling efficient vectorized sampling, collision checking, and search. We provide a theoretical investigation showing that GTMP exhibits probabilistic completeness while supporting modern GPU/TPU. Additionally, by incorporating smooth structures into the multipartite graph, GTMP directly plans smooth splines without requiring gradient-based optimization. Experiments on lidar-scanned occupancy maps and the MotionBenchMarker dataset demonstrate GTMP's computation efficiency in batch planning compared to baselines, underscoring GTMP's potential as a robust, scalable planner for diverse applications and large-scale robot learning tasks.
• Abstract（参考訳）: バッチプランニングは、蒸留や模倣学習のような下流学習アプリケーションのための多種多様な高品質なモーションプランを迅速に作成するためにますます必要となる。 本稿では, テンソル操作のみからなるサンプリングベース動作計画アルゴリズムであるGTMPを提案する。 ランダムな多部グラフとして表現される新しい離散化構造を導入し,効率的なベクトル化サンプリング,衝突チェック,探索を可能にした。 本稿では,最新のGPU/TPUをサポートしながら,GTMPが確率的完全性を示すことを示す理論的調査を行う。 さらに、多部グラフに滑らかな構造を組み込むことで、GTMPは勾配に基づく最適化を必要とせず、スムーズなスプラインを直接計画する。 ライダースキャンされた占有マップとMotionBenchMarkerデータセットの実験は、GTMPが多様なアプリケーションや大規模ロボット学習タスクに対して堅牢でスケーラブルなプランナーとしての可能性を示すベースラインと比較して、バッチ計画におけるGTMPの計算効率を実証している。

関連論文リスト

• Real-Time Polygonal Semantic Mapping for Humanoid Robot Stair Climbing [19.786955745157453]
  階段などの複雑な地形を探索するヒューマノイドロボットに適した,リアルタイムな平面意味マッピングのための新しいアルゴリズムを提案する。 奥行き画像上での異方性拡散フィルタを用いて,重要なエッジ情報を保持しつつ,勾配ジャンプからの雑音を効果的に最小化する。 提案手法は,30Hz以上のレートで1フレームをリアルタイムに処理し,詳細な平面抽出とマップ管理を迅速かつ効率的に行う。
  論文  参考訳（メタデータ） (2024-11-04T09:34:55Z)
• Searching for Efficient Linear Layers over a Continuous Space of Structured Matrices [88.33936714942996]
  アインシュタイン和を通じて表現可能なすべての線形作用素の探索を可能にする統一フレームワークを提案する。 計算-最適スケーリング法則の違いは主に少数の変数によって支配されていることを示す。 そこで,Mixture-of-Experts (MoE) は,注目ブロックの投影を含む,モデルのすべての線形層におけるMoEを学習する。
  論文  参考訳（メタデータ） (2024-10-03T00:44:50Z)
• Learning to Explore for Stochastic Gradient MCMC [15.286308920219446]
  マルチモーダルなターゲット分布を効率的に探索できるglssgmcmcを構築するメタラーニング戦略を提案する。 我々のアルゴリズムは、学習したSGMCMCが後部景観の高密度領域を迅速に探索することを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T08:36:42Z)
• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• Unlocking Large Language Model's Planning Capabilities with Maximum Diversity Fine-tuning [10.704716790096498]
  大規模言語モデル(LLM)は、技術やシステム設計の推進によって達成された、目覚ましいタスク解決能力を示している。 本稿では,LLMの計画能力に及ぼす微調整の影響について検討する。 計画領域におけるファインチューニングのサンプル効率を向上させるために,MDFT(Maximum Diversity Fine-Tuning)戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-15T03:06:14Z)
• Transformer-Enhanced Motion Planner: Attention-Guided Sampling for State-Specific Decision Making [6.867637277944729]
  Transformer-Enhanced Motion Planner (TEMP)は、新しいディープラーニングベースのモーションプランニングフレームワークである。 TEMPによる環境情報セマンティック(EISE)と運動計画変換器(MPT)の相乗効果
  論文  参考訳（メタデータ） (2024-04-30T09:48:11Z)
• Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
  部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究 まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。 次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
  論文  参考訳（メタデータ） (2023-06-21T16:04:03Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Efficient and Feasible Robotic Assembly Sequence Planning via Graph Representation Learning [22.447462847331312]
  本稿では,製品集合体に対するアセンブリグラフと呼ばれるグラフ表現を含む総合的なグラフィカルアプローチを提案する。 GRACEでは、グラフ入力から意味のある情報を抽出し、ステップバイステップでアセンブリシーケンスを予測する。 実験では,アルミニウムプロファイルの積変種にまたがって,本手法が実現可能なアセンブリシーケンスを予測可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-17T17:23:14Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)

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。