論文の概要: An Efficient Beam Search Algorithm for Active Perception in Mobile Robotics

• arxiv url: http://arxiv.org/abs/2604.23327v1
• Date: Sat, 25 Apr 2026 14:35:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.272964
• Title: An Efficient Beam Search Algorithm for Active Perception in Mobile Robotics
• Title（参考訳）: 移動ロボットにおける能動知覚のための効率的なビーム探索アルゴリズム
• Authors: Kaixian Qu, Han Wang, Victor Klemm, Cesar Cadena, Marco Hutter,
• Abstract要約: アクティブな知覚は、ロボットがどこに移動するかを判断しなければならない自律ロボット工学の基本的な問題である。 既存のアプローチは、計算に費用がかかる旅行問題を過剰に選択した情報ノードで解決するか、より効率的だが過度に制約された最短経路木の定式化を採用するかのどちらかである。 本稿では,ノード毎の上位B候補を効率的に探索するノードワイズビームサーチ(NBS)アルゴリズムを提案する。 第2の貢献として、フロンティアの概念を経路選択基準に統合し、期待される利得指標を導入する。 第3の貢献は、高速探索ランダムアンラスグラフ(R)の提案である。
• 参考スコア（独自算出の注目度）: 10.002920418375007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active perception is a fundamental problem in autonomous robotics in which the robot must decide where to move and what to sense in order to obtain the most informative observations for accomplishing its mission. Existing approaches either solve a computationally expensive traveling salesman problem over heuristically selected informative nodes, or adopt a more efficient but overly constrained shortest path tree formulation. To address these limitations, we explore beam search algorithms as scalable alternatives. While the standard beam search provides scalability by preserving the top-B paths at each depth level, it is prone to local optima and exhibits parameter sensitivity. Our first contribution is a node-wise beam search (NBS) algorithm, which maintains top-B candidates per node to enable more effective exploration of the solution space. Systematic benchmarking on graphs shows that NBS consistently outperforms other baselines and maintains strong performance even at low beam widths. As a second contribution, we integrate the concept of frontiers into the path selection criterion, introducing the expected gain metric, which better balances exploration and exploitation compared to existing alternatives. Our third contribution proposes the rapidly-exploring random annulus graph (RRAG), a novel graph construction method that preserves full orientation sampling and ensures connectivity in cluttered environments through a fallback local sampling-based planner. Extensive experiments demonstrate that NBS combined with RRAG achieves the highest performance across all three representative active perception tasks, outperforming state-of-the-art algorithms by at least 20% in one or more tasks. We further validate the approach on real robotic platforms in different scenarios.
• Abstract（参考訳）: アクティブな知覚は自律ロボット工学の基本的な問題であり、ロボットはそのミッションを達成する上で最も情報に富む観察を得るためには、どこに移動するべきか、何を感じるべきかを決定する必要がある。 既存のアプローチでは、ヒューリスティックに選択された情報ノードよりも高価な旅行セールスマンの問題を解決するか、より効率的だが過度に制約された最短経路ツリーの定式化を採用するかのどちらかである。 これらの制限に対処するため、ビーム探索アルゴリズムをスケーラブルな代替手段として検討する。 標準ビームサーチは各深さレベルでトップBパスを保存することでスケーラビリティを提供するが、局所最適であり、パラメータ感度を示す。 最初のコントリビューションはノードワイドビームサーチ(NBS)アルゴリズムであり、ノードごとのトップB候補を維持して、より効率的な解空間探索を可能にする。 グラフのシステマティックベンチマークは、NBSが他のベースラインを一貫して上回り、低ビーム幅でも強い性能を維持していることを示している。 第2のコントリビューションとして、経路選択基準にフロンティアの概念を統合し、期待される利得指標を導入し、既存の選択肢と比較して探索と搾取のバランスを良くする。 第3のコントリビューションは、高速探索ランダムアンラスグラフ(RRAG)を提案する。これは、全方位サンプリングを保存し、フォールバックローカルサンプリングベースのプランナを通じて、散在した環境における接続性を確保する新しいグラフ構築法である。 大規模な実験により、NBSとRRAGが組み合わさって3つの代表的活動的知覚タスクの中で最も高い性能を達成し、少なくとも1つ以上のタスクにおいて最先端のアルゴリズムよりも20%高い性能を発揮することが示されている。 実際のロボットプラットフォームに対するアプローチを、さまざまなシナリオで検証する。

関連論文リスト

• ReSPIRe: Informative and Reusable Belief Tree Search for Robot Probabilistic Search and Tracking in Unknown Environments [25.261065989248877]
  本稿では,ターゲット探索・追跡(SAT)のための情報トラジェクトリ計画手法であるReSPIReを提案する。 我々はまず,非ガウス的信念分布下での相互情報報酬を高速かつ正確に推定する点に基づく新しい近似手法を開発した。 ReSPIReにおいて, 事前目標情報の不十分な不確実性に対処するために, 階層的粒子構造を提案する。
  論文  参考訳（メタデータ） (2025-12-31T07:13:14Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Contribution \`a l'Optimisation d'un Comportement Collectif pour un Groupe de Robots Autonomes [0.0]
  この論文は集団ロボット工学の分野、特にマルチロボットシステムの最適化問題を研究している。 最初の貢献は、未知領域探索問題の解決にButterfly Algorithm Optimization (BOA) を用いることである。 第2の貢献は、ロボット工学における動的増分問題をベンチマークするための新しいシミュレーションフレームワークの開発である。
  論文  参考訳（メタデータ） (2023-06-10T21:49:08Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• 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)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• On Reward-Free RL with Kernel and Neural Function Approximations: Single-Agent MDP and Markov Game [140.19656665344917]
  エージェントが事前に特定された報酬関数を使わずに環境を徹底的に探索することを目的とした報酬のないRL問題について検討する。 関数近似の文脈でこの問題に取り組み、強力な関数近似器を活用する。 我々は、カーネルとニューラルファンクション近似器を用いた、証明可能な効率の良い報酬なしRLアルゴリズムを確立した。
  論文  参考訳（メタデータ） (2021-10-19T07:26:33Z)
• MADE: Exploration via Maximizing Deviation from Explored Regions [48.49228309729319]
  オンライン強化学習(RL)では、高次元環境における効率的な探索は依然として困難であり、報酬は少ない。 調査地域からの次の政策の逸脱を最大化することによる新たな探索手法を提案する。 提案手法は,最先端手法よりもサンプル効率を著しく向上させる。
  論文  参考訳（メタデータ） (2021-06-18T17:57:00Z)
• Robotic Brain Storm Optimization: A Multi-target Collaborative Searching Paradigm for Swarm Robotics [24.38312890501329]
  本稿では,ロボットBSOと呼ばれる群ロボットのためのBSOベースの協調探索フレームワークを提案する。 提案手法はBSOの誘導探索特性をシミュレートし,Swarm Robotics のマルチターゲット探索問題に優れた可能性を持つ。
  論文  参考訳（メタデータ） (2021-05-27T13:05:48Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)

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。