論文の概要: Serialized Red-Green-Gray: Quicker Heuristic Validation of Edges in Dynamic Roadmap Graphs

• arxiv url: http://arxiv.org/abs/2603.28674v1
• Date: Mon, 30 Mar 2026 16:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.523374
• Title: Serialized Red-Green-Gray: Quicker Heuristic Validation of Edges in Dynamic Roadmap Graphs
• Title（参考訳）: シリアライズされた赤緑光線:動的ロードマップグラフにおけるエッジのクイックヒューリスティックな検証
• Authors: Yulie Arad, Stav Ashur, Marta Markowicz, James D. Motes, Marco Morales, Nancy M. Amato,
• Abstract要約: Red-Green-Gray (RGG)は、SPITE上に構築され、ロードマップエッジを無効(赤)、有効(緑)、不確実(灰色)と迅速に分類する手法である。 Serial RGGは、バッチシリアライゼーションとベクトル化を活用して効率的なGPUアクセラレーションを実現する高性能なバリエーションを提供する。 この幾何精度と計算速度の組み合わせにより、SerRGGは時間クリティカルなロボット応用に非常に効果的である。
• 参考スコア（独自算出の注目度）: 0.8681909776958183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion planning in dynamic environments, such as robotic warehouses, requires fast adaptation to frequent changes in obstacle poses. Traditional roadmap-based methods struggle in such settings, relying on inefficient reconstruction of a roadmap or expensive collision detection to update the existing roadmap. To address these challenges we introduce the Red-Green-Gray (RGG) framework, a method that builds on SPITE to quickly classify roadmap edges as invalid (red), valid (green), or uncertain (gray) using conservative geometric approximations. Serial RGG provides a high-performance variant leveraging batch serialization and vectorization to enable efficient GPU acceleration. Empirical results demonstrate that while RGG effectively reduces the number of unknown edges requiring full validation, SerRGG achieves a 2-9x speedup compared to the sequential implementation. This combination of geometric precision and computational speed makes SerRGG highly effective for time-critical robotic applications.
• Abstract（参考訳）: ロボット倉庫のような動的環境における運動計画では、障害物ポーズの頻繁な変化に迅速に適応する必要がある。 従来のロードマップベースの手法は、ロードマップの非効率な再構築や、既存のロードマップを更新するための高価な衝突検出に依存して、そのような設定で苦労する。 これらの課題に対処するために、SPITE上に構築されたRed-Green-Gray(RGG)フレームワークを導入し、ロードマップのエッジを、保守的な幾何学的近似を用いて、無効(赤)、有効(緑)、不確実(灰)と迅速に分類する。 Serial RGGは、バッチシリアライゼーションとベクトル化を活用して効率的なGPUアクセラレーションを実現する高性能なバリエーションを提供する。 実験の結果、RGGは完全検証を必要とする未知のエッジの数を効果的に削減するが、SerRGGはシーケンシャル実装と比較して2-9倍のスピードアップを達成する。 この幾何精度と計算速度の組み合わせにより、SerRGGは時間クリティカルなロボット応用に非常に効果的である。

関連論文リスト

• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Quick Heuristic Validation of Edges in Dynamic Roadmap Graphs [0.5811502603310249]
  ノードとエッジの妥当性を分類できる「レッドグリーングレー」パラダイムを導入する。 精度の向上に加えて、エッジを同等の更新ランタイムを維持しながら、正しく無効にラベル付けする能力も示しています。
  論文  参考訳（メタデータ） (2026-01-28T19:07:31Z)
• EraRAG: Efficient and Incremental Retrieval Augmented Generation for Growing Corpora [20.890240791042302]
  グラフベースのRetrieval-Augmented Generation (Graph-RAG)は、外部コーパス上の検索を構造化することにより、大きな言語モデル(LLM)を強化する。 高速でスケーラブルな動的更新をサポートする新しい多層グラフ-RAGフレームワークであるEraRAGを紹介する。 提案手法は,超平面に基づく局所性感性ハッシュ(LSH)を利用して,元のコーパスを階層グラフ構造に分割,整理する。
  論文  参考訳（メタデータ） (2025-06-26T03:01:33Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Geometric Retargeting: A Principled, Ultrafast Neural Hand Retargeting Algorithm [50.52643618961044]
  遠隔操作のための超高速・原理的ハンドアルゴリズムGeoRTを紹介する。 GeoRTは、人間の指のキーポイントを1KHzでロボットの手のキーポイントに変換し、最先端のスピードと精度を達成する。
  論文  参考訳（メタデータ） (2025-03-10T17:10:21Z)
• Speedup Techniques for Switchable Temporal Plan Graph Optimization [7.478072166004144]
  MAPF (Multi-Agent Path Finding) は、複数エージェントの衝突のない経路を計画することに焦点を当てている。 MAPF計画の実行中、エージェントは予期せぬ遅延に遭遇し、非効率性、デッドロック、さらには衝突に至る可能性がある。 本稿では,グラフベーススイッチブルエッジサーチ(GSES)を4つの高速化手法により大幅に高速化する改良GSESを提案する。
  論文  参考訳（メタデータ） (2024-12-20T13:59:15Z)
• RAGO: Recurrent Graph Optimizer For Multiple Rotation Averaging [62.315673415889314]
  本稿では,複数回転平均化(MRA)のための深部繰り返し回転平均化グラフ(RAGO)を提案する。 我々のフレームワークは、実世界のアプリケーションに小さなサイズでデプロイされた、リアルタイムに学習から最適化するローテーション平均化グラフである。
  論文  参考訳（メタデータ） (2022-12-14T13:19:40Z)
• Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks [10.698553177585973]
  本研究では,衝突チェックを減らし,動作計画の高速化を図るための新しい学習手法を提案する。 経路探索と経路平滑化を行うグラフニューラルネットワーク(GNN)を訓練する。 実験の結果,学習したコンポーネントは衝突チェックを著しく低減し,全体の計画効率を向上できることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T09:02:04Z)
• Parameter-free Locally Accelerated Conditional Gradients [91.19349793915615]
  私たちは小説を紹介します。 自由局所加速cg(pf-lacg)アルゴリズムは,厳密な収束保証を提供する。 我々の理論結果は,局所加速度を実証し,非加速アルゴリズムに対するPF-LaCGの実用的改善を示す数値実験によって補完される。
  論文  参考訳（メタデータ） (2021-02-12T22:50:01Z)
• Gradient Coding with Dynamic Clustering for Straggler Mitigation [57.9123881133818]
  GC-DCは、前回のイテレーションにおけるストラグラーの振る舞いに基づいて、各クラスタ内のストラグラーワーカ数を規制する。 本稿では,GC-DCが従来のGC方式に比べて通信負荷を増大させることなく,各イテレーションの平均完了時間(各イテレーション)を大幅に改善できることを数値的に示す。
  論文  参考訳（メタデータ） (2020-11-03T18:52:15Z)

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。