論文の概要: Convex-Neural RRT*: Fast and Reliable Learning-Guided Sampling for High-Quality Robot Path Planning
- arxiv url: http://arxiv.org/abs/2605.25006v1
- Date: Sun, 24 May 2026 11:17:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.648696
- Title: Convex-Neural RRT*: Fast and Reliable Learning-Guided Sampling for High-Quality Robot Path Planning
- Title（参考訳）: Convex-Neural RRT*:高品質ロボット経路計画のための高速で信頼性の高い学習誘導サンプリング
- Authors: Hichem Cheriet, Badra Khellat Kihel, Samira Chouraqui, Bara J. Emran,
- Abstract要約: 本稿では,高品質な経路に近い情報的経路領域を予測するための神経誘導を組み込んだ改良RT*であるConvex-Neural RRT*を提案する。
提案アルゴリズムは,3種類の環境と18個のベンチマークマップを用いて,ニューラルRT*,ニューラルインフォームドRT*,古典的RT*,LTA*に対して評価を行う。
実験結果から,Convex-Neural RRT*は神経誘導型に比べて30～75%,LTA*と比較して88～98%の時間を短縮し,複雑な環境下での大きな改善が見られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sampling-based algorithms for robot path planning offer probabilistic completeness and strong empirical convergence properties across environments with diverse obstacle configurations. However, in practice, these methods often require many iterations to obtain high-quality solutions. This paper proposes Convex-Neural RRT*, an enhanced RRT* variant that incorporates neural guidance to predict informative waypoint regions near high-quality paths. Convex candidate regions are extracted from these predictions, enabling the planner to concentrate exploration on geometrically relevant areas while preserving global exploration. The proposed algorithm is evaluated against Neural RRT*, Neural Informed RRT*, classical RRT*, and LTA* across three environment types and 18 benchmark maps. Experimental results show that Convex-Neural RRT* reduces computation time by 30-75% compared to neural-guided variants and up to 88-98% relative to LTA*, while achieving an average path length reduction of approximately 5% compared to classical RRT*, with larger improvements observed in complex environments. The method also maintains an overall success rate above 99% across varying obstacle densities. These findings indicate that convex-guided neural sampling provides an effective balance between computational efficiency and solution quality, supporting its applicability to time-sensitive robotic navigation tasks.
- Abstract（参考訳）: ロボット経路計画のためのサンプリングベースのアルゴリズムは、様々な障害物構成を持つ環境にまたがる確率的完全性と強い経験的収束性を提供する。
しかし、実際には、これらの手法は高品質な解を得るのに多くの反復を必要とすることが多い。
本稿では,高品質な経路に近い情報的経路領域を予測するための神経誘導を組み込んだ改良RT*であるConvex-Neural RRT*を提案する。
これらの予測から凸候補領域を抽出し、グローバルな探索を保ちながら、幾何学的に関係のある領域の探索に集中できるようにする。
提案アルゴリズムは,3種類の環境と18個のベンチマークマップを用いて,ニューラルRT*,ニューラルインフォームドRT*,古典的RT*,LTA*に対して評価を行う。
実験の結果,Convex-Neural RRT*は神経誘導型に比べて30～75%,LTA*と比較して88～98%の計算時間を短縮し,従来のRT*に比べて約5%の経路長短縮を実現し,複雑な環境ではより大きな改善が見られた。
この方法は、様々な障害物密度に対して、全体の成功率を99%以上維持する。
これらの結果は,凸誘導型ニューラルサンプリングが計算効率と解法品質のバランスを効果的に保ち,時間に敏感なロボットナビゲーションタスクに適用可能であることを示唆している。
関連論文リスト
- Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation [0.0]
RRT*,Neural RRT*,Neural Informed RRT*の3つのアルゴリズムを実装し評価した。
その結果,神経誘導プランナーは経路の質を向上し,最大で14%の短い経路と55-75%のスムーズな軌道が得られた。
論文 参考訳（メタデータ） (2026-05-24T11:27:31Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - Neural network optimization strategies and the topography of the loss landscape [45.88028371034407]
勾配降下(SGD)によるニューラルネットワーク学習について検討する。
これら2つの最適化手法によって得られたニューラルネットワークパラメータを,いくつかの計算ツールを用いて調査する。
論文 参考訳（メタデータ） (2026-02-24T17:49:13Z) - Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling [9.651071174735804]
本稿では,SSP問題に対するリスク対応型Rapidly-Exploring Random Trees (RRT*)計画アルゴリズムを提案する。
我々のモチベーションは、条件付きバリュー・アット・リスク尺度(CVaR)の段階的コヒーレンスと、SSP問題の最適部分構造に依存している。
解析の結果,木の成長過程にリスクを組み込むことで,騒音パラメータの変動に敏感でない長さの経路が得られることがわかった。
論文 参考訳（メタデータ） (2024-08-16T11:21:52Z) - Convex Relaxations of ReLU Neural Networks Approximate Global Optima in Polynomial Time [45.72323731094864]
本稿では,2層ReLULUネットワーク間における重み減衰と凸緩和の最適性ギャップについて検討する。
私たちの研究は、なぜローカルメソッドがうまく機能するのかを理解することに新たな光を当てています。
論文 参考訳（メタデータ） (2024-02-06T01:29:35Z) - 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) - Uncovering Challenges of Solving the Continuous Gromov-Wasserstein Problem [68.07116119373565]
グロモフ=ワッサーシュタイン最適輸送(Gromov-Wasserstein Optimal Transport, GWOT)問題は、MLコミュニティの特別な関心を集めている。
既存の連続GWOTアプローチをさまざまなシナリオでクラッシュテストし、結果を注意深く記録し分析し、問題を特定します。
本稿では,離散的手法に依存しない新たな連続GWOT法を提案し,競合の問題を部分的に解決する。
論文 参考訳（メタデータ） (2023-03-10T15:21:12Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳（メタデータ） (2022-11-28T00:31:02Z) - Metric Residual Networks for Sample Efficient Goal-conditioned
Reinforcement Learning [52.59242013527014]
ゴール条件強化学習(GCRL)は、現実世界の幅広い応用の可能性を秘めている。
サンプル効率は、GCRLにとって最も重要であり、デフォルトでは、エージェントはその目標に達するとのみ報酬を受ける。
GCRLのための新しいニューラルアーキテクチャを導入し、一般的なモノリシックネットワークアーキテクチャよりもはるかに優れたサンプリング効率を実現する。
論文 参考訳（メタデータ） (2022-08-17T08:04:41Z) - Conditional Generative Adversarial Networks for Optimal Path Planning [30.892250698479064]
条件付き生成逆数ネットワーク(CGAN)と修正RT*アルゴリズム(CGANRRT*で記述)に基づく新しい学習経路計画アルゴリズムを提案する。
CGANモデルは、地上の真理マップから学習することで訓練され、それぞれがRRTアルゴリズムの実行結果を1つの生地図上で50回行った結果から生成される。
CGAN-RRT* アルゴリズムと従来の RRT* アルゴリズムを比較することで,この CGAN モデルの有効性を実証する。
論文 参考訳（メタデータ） (2020-12-06T02:53:50Z) - AM-RRT*: Informed Sampling-based Planning with Assisting Metric [3.42658286826597]
複雑な動的環境下でのオンラインパス計画のためのRRT*とRT-RRT*を拡張する新しいアルゴリズムを提案する。
提案手法はRTRに基づくサンプリング手法を拡張して,障害物のある環境における性能向上のためのアシスト距離測定値の活用を可能にする。
論文 参考訳（メタデータ） (2020-10-28T01:39:40Z)
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。