論文の概要: RRT*former: Environment-Aware Sampling-Based Motion Planning using Transformer

• arxiv url: http://arxiv.org/abs/2511.15414v1
• Date: Wed, 19 Nov 2025 13:14:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.816469
• Title: RRT*former: Environment-Aware Sampling-Based Motion Planning using Transformer
• Title（参考訳）: RRT*former: Transformer を用いた環境対応サンプリング型モーションプランニング
• Authors: Mingyang Feng, Shaoyuan Li, Xiang Yin,
• Abstract要約: 本稿では,標準RT*アルゴリズムとTransformerネットワークを統合した新しいサンプリングベース計画アルゴリズムemphRRT*formerを提案する。 実験により, RRT* や Neural RRT* などの既存のサンプリングベースアプローチと比較して, 経路の最適性とサンプリング効率の両面において, アルゴリズムは大幅に改善されていることが示された。
• 参考スコア（独自算出の注目度）: 13.195728234274803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the sampling-based optimal path planning problem for robotics in complex and dynamic environments. Most existing sampling-based algorithms neglect environmental information or the information from previous samples. Yet, these pieces of information are highly informative, as leveraging them can provide better heuristics when sampling the next state. In this paper, we propose a novel sampling-based planning algorithm, called \emph{RRT*former}, which integrates the standard RRT* algorithm with a Transformer network in a novel way. Specifically, the Transformer is used to extract features from the environment and leverage information from previous samples to better guide the sampling process. Our extensive experiments demonstrate that, compared to existing sampling-based approaches such as RRT*, Neural RRT*, and their variants, our algorithm achieves considerable improvements in both the optimality of the path and sampling efficiency. The code for our implementation is available on https://github.com/fengmingyang666/RRTformer.
• Abstract（参考訳）: 複雑・動的環境におけるロボットのサンプリングに基づく最適経路計画問題について検討する。 既存のサンプリングベースのアルゴリズムは、環境情報や以前のサンプルの情報を無視している。 しかし、これらの情報を活用することで、次の状態のサンプリング時により優れたヒューリスティックが得られます。 本稿では,標準RT*アルゴリズムとTransformerネットワークを統合した新しいサンプリングベース計画アルゴリズムであるemph{RRT*former}を提案する。 具体的には、Transformerは環境から特徴を抽出し、以前のサンプルから情報を活用してサンプリングプロセスをより良くガイドする。 RRT*やNeural RRT*などの既存のサンプリングベースアプローチと比較して,提案アルゴリズムは,経路の最適性とサンプリング効率の両方において,大幅な改善を実現している。 実装のコードはhttps://github.com/fengmingyang666/RRTformer.comで公開されています。

関連論文リスト

• TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
  TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。 以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-11T06:13:58Z)
• Align Your Steps: Optimizing Sampling Schedules in Diffusion Models [63.927438959502226]
  拡散モデル(DM)は、視覚領域以降における最先端の生成モデリングアプローチとして確立されている。 DMの重大な欠点は、サンプリング速度の遅いことであり、大規模なニューラルネットワークによる多くのシーケンシャルな関数評価に依存している。 本稿では,DMのサンプリングスケジュールを高品質な出力に最適化する汎用的,原理的な手法を提案する。
  論文  参考訳（メタデータ） (2024-04-22T18:18:41Z)
• CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network for Sampling-Based Path Planning [0.0]
  CBAGAN-RRT(Convolutional Block Attention Generative Adrial Network)を用いた新しい画像ベース学習アルゴリズムを提案する。 提案アルゴリズムは,画像品質生成指標と経路計画指標の両方を用いて,従来の最先端アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-13T20:06:53Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Adaptive Client Sampling in Federated Learning via Online Learning with Bandit Feedback [31.826205004616227]
  クライアントサンプリングは、最適化アルゴリズムの収束率に影響を与えるため、連邦学習(FL)システムにおいて重要な役割を果たす。 サンプリング分散の最小化を目的としたオンラインミラー降下(OSMD)アルゴリズムを提案する。 本手法は, 広く使用されている一様サンプリングよりも, フェデレーション最適化アルゴリズムの収束速度を向上できることを示す。
  論文  参考訳（メタデータ） (2021-12-28T23:50:52Z)
• Reparameterized Sampling for Generative Adversarial Networks [71.30132908130581]
  本稿では,マルコフ連鎖をジェネレータの潜在空間に再配置することで,一般依存型提案を可能にする新しいサンプリング手法REP-GANを提案する。 実験的な実験により、我々のREP-GANはサンプル効率を大幅に改善し、同時により良いサンプル品質を得ることを示した。
  論文  参考訳（メタデータ） (2021-07-01T10:34:55Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• 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)
• Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
  カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。 我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
  論文  参考訳（メタデータ） (2020-04-23T05:00:21Z)

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。