論文の概要: Path Database Guidance for Motion Planning

• arxiv url: http://arxiv.org/abs/2504.05550v1
• Date: Mon, 07 Apr 2025 23:00:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:00.600278
• Title: Path Database Guidance for Motion Planning
• Title（参考訳）: 運動計画のための経路データベースガイダンス
• Authors: Amnon Attali, Praval Telagi, Marco Morales, Nancy M. Amato,
• Abstract要約: 本稿では,既存の作業を2つの方法で革新するPath Database Guidance(PDG)を提案する。 まず,データベースを用いて探索木のどのノードを拡大すべきかを実験的に計算する。 第二に、データベースを単一の固定された事前として扱う他の方法とは対照的に、我々のデータベースは暗黙的に定義されたロボット構成空間を検索する際に更新する。
• 参考スコア（独自算出の注目度）: 1.4078050092809555
• License:
• Abstract: One approach to using prior experience in robot motion planning is to store solutions to previously seen problems in a database of paths. Methods that use such databases are characterized by how they query for a path and how they use queries given a new problem. In this work we present a new method, Path Database Guidance (PDG), which innovates on existing work in two ways. First, we use the database to compute a heuristic for determining which nodes of a search tree to expand, in contrast to prior work which generally pastes the (possibly transformed) queried path or uses it to bias a sampling distribution. We demonstrate that this makes our method more easily composable with other search methods by dynamically interleaving exploration according to a baseline algorithm with exploitation of the database guidance. Second, in contrast to other methods that treat the database as a single fixed prior, our database (and thus our queried heuristic) updates as we search the implicitly defined robot configuration space. We experimentally demonstrate the effectiveness of PDG in a variety of explicitly defined environment distributions in simulation.
• Abstract（参考訳）: ロボット・モーション・プランニングにおける先行経験を利用する1つのアプローチは、これまで見られた問題に対するソリューションをパスのデータベースに格納することである。 このようなデータベースを使用するメソッドは、パスに対するクエリ方法と、新しい問題が発生した場合のクエリの使用方法によって特徴付けられる。 本研究では,既存の業務を2つの方法で革新するPath Database Guidance(PDG)を提案する。 まず,探索木のどのノードを拡大すべきかを決定するためのヒューリスティックをデータベースを用いて計算する。 そこで本手法は,データベースガイダンスを応用したベースラインアルゴリズムに基づく探索を動的に行うことにより,他の探索手法とより簡単に構成できることを実証した。 第二に、データベースを単一の固定された事前として扱う他の方法とは対照的に、暗黙的に定義されたロボット構成空間を検索する際に、データベース(と我々のクエリされたヒューリスティック)が更新される。 本研究では,シミュレーションにおけるPDGの有効性を実験的に検証した。

関連論文リスト

• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• A Framework for Guided Motion Planning [1.179253400575852]
  我々は、ガイド空間の概念を定義することにより、ガイド付き探索の概念を定式化する。 この新しい言語は、同じフレームワークの下で、明らかに異なる先行メソッドをカプセル化している。 本稿では,既知のアルゴリズムでテストした場合の直感と実験的に一致したガイダンスを評価するための情報理論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-04T00:58:19Z)
• Selecting Walk Schemes for Database Embedding [6.7609045625714925]
  関係データベースのコンポーネントの埋め込みについて検討する。 我々は、動的データベース用に設計された最近のFoRWaRDアルゴリズムに焦点を当てる。 いくつかの情報的ウォークスキームに焦点をあてることで,品質を維持しつつ,埋め込みをはるかに高速に行うことができることを示す。
  論文  参考訳（メタデータ） (2024-01-20T11:39:32Z)
• Testing Database Engines via Query Plan Guidance [6.789710498230718]
  本稿では,自動テストの"興味深い"テストケースへの誘導を目的としたクエリプランガイダンス(QPG)の概念を提案する。 我々は,成熟した,広く使用されている,多様なデータベースシステム –DBite,TiDB,Cockroach – に適用した。
  論文  参考訳（メタデータ） (2023-12-29T08:09:47Z)
• SoK: Privacy-Preserving Data Synthesis [72.92263073534899]
  本稿では,プライバシ保護データ合成(PPDS)に注目し,その分野の総合的な概要,分析,議論を行う。 PPDSでは,統計的手法と深層学習(DL)に基づく手法の2つの顕著な研究を統一するマスターレシピを作成した。
  論文  参考訳（メタデータ） (2023-07-05T08:29:31Z)
• QUADRo: Dataset and Models for QUestion-Answer Database Retrieval [97.84448420852854]
  質問/回答(q/a)ペアのデータベース(DB)が与えられた場合、同じ質問に対してDBをスキャンすることで、対象の質問に答えることができる。 我々は6.3Mのq/aペアからなる大規模DBを構築し、公開質問を用いて、ニューラルIRとq/aペアリランカに基づく新しいシステムを設計する。 我々は、Bing検索エンジン上に構築されたQAシステムという、Webベースの手法とDBベースのアプローチが競合することを示す。
  論文  参考訳（メタデータ） (2023-03-30T00:42:07Z)
• Algorithm Design for Online Meta-Learning with Task Boundary Detection [63.284263611646]
  非定常環境におけるタスクに依存しないオンラインメタ学習のための新しいアルゴリズムを提案する。 まず,タスクスイッチと分散シフトの簡易かつ効果的な2つの検出機構を提案する。 軽度条件下では,線形タスク平均的後悔がアルゴリズムに対して達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T04:02:49Z)
• E2R: a Hierarchical-Learning inspired Novelty-Search method to generate diverse repertoires of grasping trajectories [0.0]
  プラットフォームに依存しない方法で軌道を把握できる大規模なデータセットを生成できるNSベースの新しい手法を提案する。 階層的な学習パラダイムにインスパイアされた我々の手法は、行動空間をより滑らかにするためにアプローチと理解を分離する。 3つの異なるロボットグルーパーのセットアップといくつかの標準オブジェクトによる実験により,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-14T15:13:10Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
  パスプランニングは、モバイルロボティクスの重要なコンポーネントです。 アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2021-05-04T21:48:18Z)
• Towards a General Framework for ML-based Self-tuning Databases [3.3437858804655383]
  最先端のアプローチとしては、ベイズ最適化(BO)と強化学習(RL)がある。 この文脈でまだ研究されていないデータベースにこれらのメソッドを適用する際の私たちの経験について説明する。 BO法とRL法はFoundationDBのスループットを最大38%向上させることができるが,ランダム検索は競争の激しいベースラインである。
  論文  参考訳（メタデータ） (2020-11-16T13:13:10Z)

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。