論文の概要: Quantum-Enhanced Hybrid Reinforcement Learning Framework for Dynamic Path Planning in Autonomous Systems

• arxiv url: http://arxiv.org/abs/2504.20660v2
• Date: Tue, 20 May 2025 06:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.135945
• Title: Quantum-Enhanced Hybrid Reinforcement Learning Framework for Dynamic Path Planning in Autonomous Systems
• Title（参考訳）: 自律システムにおける動的経路計画のための量子強化ハイブリッド強化学習フレームワーク
• Authors: Sahil Tomar, Shamshe Alam, Sandeep Kumar, Amit Mathur,
• Abstract要約: 量子を古典的強化学習と相乗化する新しい量子古典ハイブリッドフレームワークが提案されている。 提案手法は,従来の強化学習パイプラインと統合された,堅牢なQテーブルと特別なターンコスト推定を生成する。
• 参考スコア（独自算出の注目度）: 2.7173738939072796
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, a novel quantum classical hybrid framework is proposed that synergizes quantum with Classical Reinforcement Learning. By leveraging the inherent parallelism of quantum computing, the proposed approach generates robust Q tables and specialized turn cost estimations, which are then integrated with a classical Reinforcement Learning pipeline. The Classical Quantum fusion results in rapid convergence of training, reducing the training time significantly and improved adaptability in scenarios featuring static, dynamic, and moving obstacles. Simulator based evaluations demonstrate significant enhancements in path efficiency, trajectory smoothness, and mission success rates, underscoring the potential of framework for real time, autonomous navigation in complex and unpredictable environments. Furthermore, the proposed framework was tested beyond simulations on practical scenarios, including real world map data such as the IIT Delhi campus, reinforcing its potential for real time, autonomous navigation in complex and unpredictable environments.
• Abstract（参考訳）: 本稿では,古典的強化学習と量子を相乗化する新しい量子古典ハイブリッドフレームワークを提案する。 量子コンピューティングの本質的な並列性を活用することによって、提案手法は堅牢なQテーブルと、古典的な強化学習パイプラインと統合された特別なターンコスト推定を生成する。 古典的量子融合は、トレーニングの急速な収束をもたらし、トレーニング時間が大幅に短縮され、静的、動的、移動障害を含むシナリオにおける適応性が改善される。 シミュレーションに基づく評価は、経路効率、軌道の滑らかさ、ミッション成功率を大幅に向上させ、複雑で予測不可能な環境での自律的なナビゲーションをリアルタイムにフレームワークの可能性を強調している。 さらに、IITデリーキャンパスのような実世界地図データや、その可能性のリアルタイム強化、複雑で予測不可能な環境での自律的なナビゲーションなど、現実的なシナリオのシミュレーションを超えて、提案手法を検証した。

関連論文リスト

• Explorative Curriculum Learning for Strongly Correlated Electron Systems [5.443662050302865]
  ニューラルネットワーク量子状態(NQS)の最近の進歩により、複雑な量子多体系に対する高精度な予測が可能になった。 NQSのための転写学習に基づく新しいカリキュラム学習フレームワークを提案する。 計算における約200倍の高速化と,従来の手法に比べて最適化安定性が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2025-05-01T00:46:52Z)
• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Provably Efficient Adiabatic Learning for Quantum-Classical Dynamics [4.381980584443765]
  学習アルゴリズムを用いて量子古典的断熱力学を解析するための一般的な理論的枠組みを開発する。 量子情報理論を基礎として,対数的システムサイズサンプリングの複雑さを生かした,証明可能な効率の良いAdiabatic Learning (PEAL) アルゴリズムを開発した。 我々は,ホルシュタインモデル上でPEALをベンチマークし,シングルパスダイナミクスとアンサンブルダイナミクスの観測値の予測における精度と,ハミルトンの家系における伝達学習の精度を示す。
  論文  参考訳（メタデータ） (2024-08-01T04:31:36Z)
• Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning [17.229068960497273]
  量子情報科学と技術における中心的な課題は、量子システムのリアルタイム推定とフィードフォワード制御の実現である。 量子ビット対の自己アテンション機構を強調するトランスフォーマーモデルを用いた新しいフレームワークを提案する。 提案手法は量子システムの性能を著しく改善し,ルールベースエージェントよりも3ドル以上向上する。
  論文  参考訳（メタデータ） (2024-05-25T23:39:35Z)
• SimVPv2: Towards Simple yet Powerful Spatiotemporal Predictive Learning [61.419914155985886]
  空間的・時間的モデリングにおけるUnetアーキテクチャの必要性を解消する合理化モデルであるSimVPv2を提案する。 SimVPv2はモデルアーキテクチャを単純化するだけでなく、性能と計算効率も改善する。 標準のMoving MNISTベンチマークでは、SimVPv2は、FLOPが少なく、トレーニング時間の半分、推論効率が60%速く、SimVPよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-11-22T08:01:33Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Enhancement of quantum correlations and geometric phase for a driven bipartite quantum system in a structured environment [77.34726150561087]
  構造環境下で進化する初期最大絡み合い状態における運転の役割について検討した。 この知識は、散逸動力学の下で量子特性を最もよく保持する物理装置の探索に役立つ。
  論文  参考訳（メタデータ） (2021-03-18T21:11:37Z)
• Autoregressive Transformer Neural Network for Simulating Open Quantum Systems via a Probabilistic Formulation [5.668795025564699]
  オープン量子システムのダイナミクスに対処するためのアプローチを提案する。 自己回帰変換ニューラルネットワークを用いて量子状態をコンパクトに表現する。 効率的なアルゴリズムは、リウヴィリア超作用素の力学をシミュレートするために開発された。
  論文  参考訳（メタデータ） (2020-09-11T18:00:00Z)

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。