論文の概要: Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces
- arxiv url: http://arxiv.org/abs/2501.06639v1
- Date: Sat, 11 Jan 2025 21:14:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:22:51.875205
- Title: Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces
- Title(参考訳): 高次元構成空間の画像表現学習による経路計画性能の向上
- Authors: Jorge Ocampo Jimenez, Wael Suleiman,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.4143603294943439
- License:
- Abstract: This paper presents a novel method for accelerating path-planning tasks in unknown scenes with obstacles by utilizing Wasserstein Generative Adversarial Networks (WGANs) with Gradient Penalty (GP) to approximate the distribution of waypoints for a collision-free path using the Rapidly-exploring Random Tree algorithm. Our approach involves conditioning the WGAN-GP with a forward diffusion process in a continuous latent space to handle multimodal datasets effectively. We also propose encoding the waypoints of a collision-free path as a matrix, where the multidimensional ordering of the waypoints is naturally preserved. This method not only improves model learning but also enhances training convergence. Furthermore, we propose a method to assess whether the trained model fails to accurately capture the true waypoints. In such cases, we revert to uniform sampling to ensure the algorithm's probabilistic completeness; a process that traditionally involves manually determining an optimal ratio for each scenario in other machine learning-based methods. Our experiments demonstrate promising results in accelerating path-planning tasks under critical time constraints. The source code is openly available at https://bitbucket.org/joro3001/imagewgangpplanning/src/master/.
- Abstract(参考訳): 本稿では,Wasserstein Generative Adversarial Networks (WGANs) と Gradient Penalty (GP) を用いて,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することにより,未知のシーンにおける経路計画タスクを障害付きで高速化する手法を提案する。
提案手法は,マルチモーダルデータセットを効果的に処理するために,WGAN-GPを連続潜時空間の前方拡散過程で条件付けすることを含む。
また,衝突のない経路の経路点を行列として符号化し,経路点の多次元順序付けを自然に保存する手法を提案する。
この方法は、モデル学習を改善するだけでなく、トレーニング収束を向上させる。
さらに,訓練されたモデルが真のウェイポイントを正確に捕捉できないかどうかを評価する手法を提案する。
このような場合、アルゴリズムの確率的完全性を保証するため、一様サンプリングに回帰する。従来、他の機械学習手法では、各シナリオに対して最適な比率を手動で決定するプロセスである。
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。
ソースコードはhttps://bitbucket.org/joro3001/imagewgangpplanning/src/master/で公開されている。
関連論文リスト
- Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳(メタデータ) (2023-10-04T09:39:05Z) - 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) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳(メタデータ) (2023-07-20T15:21:28Z) - Thompson sampling for improved exploration in GFlowNets [75.89693358516944]
生成フローネットワーク(Generative Flow Networks, GFlowNets)は、合成対象物上の分布からのサンプリングを、学習可能なアクションポリシーを用いたシーケンシャルな意思決定問題として扱う、アモータイズされた変分推論アルゴリズムである。
2つの領域において、TS-GFNは、過去の研究で使われたオフ・ポリティクス・サーベイ・ストラテジーよりも、探索を改善し、目標分布への収束を早くすることを示す。
論文 参考訳(メタデータ) (2023-06-30T14:19:44Z) - Improving Path Planning Performance through Multimodal Generative Models
with Local Critics [1.3706331473063877]
本稿では,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。
自由条件構成空間の分布を近似するために,Wasserstein Generative Adversarial Networks (WGANs) と Gradient Penalty (GP) を用いる。
実験の結果,WGAN-GPで準最適経路を生成しながら,未知のシーンでの経路計画タスクを高速化する有望な結果が得られた。
論文 参考訳(メタデータ) (2023-06-15T19:51:35Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳(メタデータ) (2023-05-24T17:26:22Z) - 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) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T02:27:55Z) - Generative Adversarial Network based Heuristics for Sampling-based Path
Planning [34.368519009432426]
本稿では,サンプリングに基づく経路計画の限界を克服する画像ベース経路計画アルゴリズムを提案する。
具体的には、環境マップを他の前処理作業なしに入力として扱うために、GAN(Generative Adversarial Network)を設計する。
提案手法の有効性を検証するためのシミュレーション実験を多数実施し,本手法が初期解の品質と最適解への収束速度の面ではるかに優れた性能を発揮することを実証した。
論文 参考訳(メタデータ) (2020-12-07T07:29:57Z) - Conditional Generative Adversarial Networks for Optimal Path Planning [30.892250698479064]
条件付き生成逆数ネットワーク(CGAN)と修正RT*アルゴリズム(CGANRRT*で記述)に基づく新しい学習経路計画アルゴリズムを提案する。
CGANモデルは、地上の真理マップから学習することで訓練され、それぞれがRRTアルゴリズムの実行結果を1つの生地図上で50回行った結果から生成される。
CGAN-RRT* アルゴリズムと従来の RRT* アルゴリズムを比較することで,この CGAN モデルの有効性を実証する。
論文 参考訳(メタデータ) (2020-12-06T02:53:50Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-28T22:24:07Z)
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。