論文の概要: DAA*: Deep Angular A Star for Image-based Path Planning

• arxiv url: http://arxiv.org/abs/2507.09305v1
• Date: Sat, 12 Jul 2025 14:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:22.958552
• Title: DAA*: Deep Angular A Star for Image-based Path Planning
• Title（参考訳）: DAA*: 画像ベースのパスプランニングのためのディープAngular A星
• Authors: Zhiwei Xu,
• Abstract要約: 提案した経路角自由度(PAF)をA*に組み込むことにより,適応経路の滑らか性を通じて経路類似性を改善することによって,DAA*(Deep angular A*)と呼ばれる新しい学習手法を提案する。 我々は,予測経路と参照経路との経路類似性において,神経性A*に対するDAA*の顕著な改善を示す。 経路損失と経路確率マップ損失を併用したパスフィンディングを共同学習する場合、DAA*は最先端のTransPathを6.7% SPR、6.5% PSIM、3.7% ASIMで大幅に上回っている。
• 参考スコア（独自算出の注目度）: 3.7390723716328726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Path smoothness is often overlooked in path imitation learning from expert demonstrations. In this paper, we introduce a novel learning method, termed deep angular A* (DAA*), by incorporating the proposed path angular freedom (PAF) into A* to improve path similarity through adaptive path smoothness. The PAF aims to explore the effect of move angles on path node expansion by finding the trade-off between their minimum and maximum values, allowing for high adaptiveness for imitation learning. DAA* improves path optimality by closely aligning with the reference path through joint optimization of path shortening and smoothing, which correspond to heuristic distance and PAF, respectively. Throughout comprehensive evaluations on 7 datasets, including 4 maze datasets, 2 video-game datasets, and a real-world drone-view dataset containing 2 scenarios, we demonstrate remarkable improvements of our DAA* over neural A* in path similarity between the predicted and reference paths with a shorter path length when the shortest path is plausible, improving by 9.0% SPR, 6.9% ASIM, and 3.9% PSIM. Furthermore, when jointly learning pathfinding with both path loss and path probability map loss, DAA* significantly outperforms the state-of-the-art TransPath by 6.7% SPR, 6.5% PSIM, and 3.7% ASIM. We also discuss the minor trade-off between path optimality and search efficiency where applicable.
• Abstract（参考訳）: パスの滑らかさは、専門家のデモンストレーションから学んだパスの模倣で見過ごされることが多い。 本稿では,提案した経路角自由度(PAF)をA*に組み込むことにより,適応経路の滑らか性を通じて経路類似性を改善することによって,DAA*(Deep angular A*)と呼ばれる新しい学習手法を提案する。 PAFは、最小値と最大値の間のトレードオフを見つけ、経路ノード拡張に対する移動角の影響を探究することを目的としており、模倣学習のための高い適応性を実現する。 DAA*は、それぞれヒューリスティック距離とAFに対応する経路短縮と平滑化のジョイント最適化により、基準経路と緊密に整合することで、経路最適性を向上させる。 4つの迷路データセット、2つのビデオゲームデータセット、および2つのシナリオを含む実世界のドローンビューデータセットを含む7つのデータセットに関する総合的な評価を通じて、予測パスと参照パス間の経路類似性において、予測パスと参照パスとの経路類似性において、AIA*が顕著に改善され、最短パスが可算である場合、9.0%のSPR、6.9%のASIM、および3.9%のPSIMが向上することを示した。 さらに、経路損失と経路確率マップ損失を併用してパスフィニングを共同学習する場合、DAA*は最先端のTransPathを6.7%、PSIM6.5%、ASIM3.7%で大幅に上回っている。 また,経路最適性と探索効率の微妙なトレードオフについても論じる。

関連論文リスト

• Soft Reasoning Paths for Knowledge Graph Completion [63.23109723605835]
  推論パスは知識グラフ補完(KGC)における信頼できる情報である 現実のアプリケーションでは、計算に手頃なパスが全ての候補エンティティに対して存在することを保証することは困難である。 そこで本研究では,提案アルゴリズムを不備な経路状況に対してより安定にするために,ソフト推論パスを導入する。
  論文  参考訳（メタデータ） (2025-05-06T08:12:48Z)
• InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method [10.561470037080177]
  本稿では,LiDARを用いたオンライン車両中心交差点位置推定手法を提案する。 我々は,鳥の視線表示における交差点候補を検出するために,セマンティック・ロードセグメンテーションを車両の局所的なポーズと融合する。 次に、分岐位相を解析し、最小二乗の交叉点を補正することによりそれらの候補を洗練する。
  論文  参考訳（メタデータ） (2025-05-01T13:30:28Z)
• 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)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。 反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。 提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
  本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。 我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。 挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2024-07-08T12:52:46Z)
• Path Planning in a dynamic environment using Spherical Particle Swarm Optimization [0.0]
  本研究では, 球面ベクトルを用いた粒子群最適化技術を用いたUAV用動的パスプランナ(DPP)を提案する。 経路は、チェックポイントを再計画する一組の経路として構築されている。経路長、安全、姿勢、経路平滑性はすべて、最適な経路がどうあるべきかを決定する上で考慮される。 実際のデジタル標高モデルを用いて4つのテストシナリオが実施される。それぞれのテストは、SPSO-DPPが安全で効率的な経路セグメントを生成することができるかを示すために、パスの長さと安全性に異なる優先順位を与える。
  論文  参考訳（メタデータ） (2024-03-19T13:56:34Z)
• ELRA: Exponential learning rate adaption gradient descent optimization method [83.88591755871734]
  我々は, 高速(指数率), ab initio(超自由)勾配に基づく適応法を提案する。 本手法の主な考え方は,状況認識による$alphaの適応である。 これは任意の次元 n の問題に適用でき、線型にしかスケールできない。
  論文  参考訳（メタデータ） (2023-09-12T14:36:13Z)
• 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)
• Efficient Ground Vehicle Path Following in Game AI [77.34726150561087]
  本稿では,ゲームAIに適した地上車両の効率的な追従経路を提案する。 提案したパスフォロワは,一対一シューティングゲームにおいて,様々なテストシナリオを通じて評価される。 その結果,既存の経路と比較すると,立ち往生するイベントの総数が70%減少した。
  論文  参考訳（メタデータ） (2023-07-07T04:20:07Z)
• Deep Reinforcement Learning-based Multi-objective Path Planning on the Off-road Terrain Environment for Ground Vehicles [1.5469452301122177]
  深層強化学習に基づく2.5D多目的経路計画法(DMOP)を提案する。 DMOPは,(1)高解像度の2.5Dマップを小型の地図に変換する。 同様の計画経路では,提案手法の速度はA*法よりも100倍以上,H3DM法より30倍高速である。
  論文  参考訳（メタデータ） (2023-05-23T07:53:35Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• OPANAS: One-Shot Path Aggregation Network Architecture Search for Object Detection [82.04372532783931]
  近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。 本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T01:48:53Z)
• Lifted Disjoint Paths with Application in Multiple Object Tracking [39.205794818196395]
  この問題は整数多成分流と3-SATの低減によってNPハードであることが示される。 高品質なLP-レラクセーションを生成する線形不等式をいくつか提案する。 昇降経路トラッカーは入力検出に関してほぼ最適に割り振られる。
  論文  参考訳（メタデータ） (2020-06-25T16:49:08Z)

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。