論文の概要: Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation
- arxiv url: http://arxiv.org/abs/2605.25010v1
- Date: Sun, 24 May 2026 11:27:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.652718
- Title: Performance Comparison of Classical and Neural Sampling Algorithms for Robotic Navigation
- Title（参考訳）: ロボットナビゲーションのための古典的およびニューラルサンプリングアルゴリズムの性能比較
- Authors: Hichem Cheriet, Badra Khellat Kihel, Samira Chouraqui,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrating artificial intelligence (AI) into sampling-based motion planning provides new possibilities for improving autonomous navigation efficiency. In this paper, three algorithms, namely RRT*, Neural RRT*, and Neural Informed RRT*, are implemented and evaluated on environments containing convex and concave obstacles with different obstacle densities. The obtained results indicate that neural-guided planners improve path quality, producing up to 14\% shorter paths and 55--75\% smoother trajectories compared with the conventional RRT* algorithm. Among the evaluated methods, Neural Informed RRT* achieves the best overall performance in terms of path length and trajectory smoothness. These results demonstrate the effectiveness of AI-guided sampling strategies for improving reliability and trajectory efficiency in robotic and UAV navigation, despite a slight increase in computation time. Overall, the study highlights the growing importance of artificial intelligence in real-time robotic path planning applications.
- Abstract（参考訳）: 人工知能(AI)をサンプリングベースのモーションプランニングに統合することは、自律的なナビゲーション効率を改善する新たな可能性を提供する。
本稿では,RRT*,Neural RRT*,Neural Informed RRT*の3つのアルゴリズムを,障害物密度の異なる凸障害物と凹障害物を含む環境上で実装し,評価する。
その結果,ニューラル誘導型プランナーは経路品質を向上し,従来のRRT*アルゴリズムと比較して14\%の短い経路と55-75\%のスムーズな軌道が得られた。
評価手法の中で,ニューラルインフォームドRT*は経路長と軌道の滑らかさの観点から,最高の総合的な性能を達成する。
これらの結果から,ロボット航法やUAV航法における信頼性と軌道効率向上のためのAI誘導サンプリング手法の有効性が示された。
全体としてこの研究は、リアルタイムのロボット経路計画アプリケーションにおける人工知能の重要性の高まりを強調している。
関連論文リスト
- Convex-Neural RRT*: Fast and Reliable Learning-Guided Sampling for High-Quality Robot Path Planning [0.0]
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。
論文 参考訳（メタデータ） (2026-05-24T11:17:57Z) - Self-Supervised Learning-Based Path Planning and Obstacle Avoidance Using PPO and B-Splines in Unknown Environments [0.0]
Smart BSPは、自律ロボット工学におけるリアルタイムパス計画と障害物回避のための高度な自己教師型学習フレームワークである。
提案システムは,PPO(Proximal Policy Optimization)と畳み込みニューラルネットワーク(Convolutional Neural Networks, CNN)とActor-Criticアーキテクチャを統合する。
トレーニングプロセス中に、経路曲率、終端近接、障害物回避を考慮に入れたニュアンスコスト関数を最小化する。
論文 参考訳（メタデータ） (2024-12-03T05:20:29Z) - 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) - Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。
現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。
本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
論文 参考訳（メタデータ） (2023-06-09T18:45:15Z) - 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)
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。