論文の概要: Customizable and Jointly Optimized Route Planning: A Deep Architecture Enabling Differentiable Shortest-Path Search
- arxiv url: http://arxiv.org/abs/2609.19996v1
- Date: Thu, 17 Sep 2026 10:04:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.213338
- Title: Customizable and Jointly Optimized Route Planning: A Deep Architecture Enabling Differentiable Shortest-Path Search
- Title（参考訳）: カスタマイズ可能かつ共同最適化されたルートプランニング:微分可能なショートパス探索を実現するディープアーキテクチャ
- Abstract要約: 本稿では,コスト関数と経路階乗モデルとを併用して任意の経路選好に最適化するディープアーキテクチャを提案する。
私たちのアーキテクチャは、ルート品質とカスタマイズ性において最先端の手法よりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 14.011069595012705
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the widespread use of online navigation and ride-hailing services, achieving optimal route planning for diverse user preferences has recently attracted increasing attention. Classic graph algorithms for pathfinding use heuristic cost functions to define edge weight, thus providing no optimality guarantee of route quality. Prior data-driven approaches equating ground truth of the optimal route with user trajectory, which is however moderately influenced by the navigation service, suffers from the feedback loop problem. To address these issues, we propose a deep architecture that is able to jointly optimize cost functions and route-ranking model towards any route preference. First, we run a multi-objective Dijkstra algorithm offline to collect the set of Pareto optimal routes, deeming it as the complete candidate set. Exploiting the property of such a set, we design a neural network structure that emulates shortest-path search and route ranking in an end-to-end differentiable manner. Second, we define route preference as a task of constrained optimization of route attributes, and propose a novel loss function that optimizes a single-objective variable, with other variables strictly under constraints. We conduct extensive experiments on real-world datasets. The results show that our architecture significantly outperforms state-of-the-art methods in route quality and customizability.
- Abstract（参考訳）: オンラインナビゲーションや配車サービスの普及に伴い、多様なユーザの好みに合わせて最適な経路計画を達成することが近年注目を集めている。
パスフィンディングのための古典的なグラフアルゴリズムは、エッジウェイトを定義するためにヒューリスティックコスト関数を使用し、ルート品質の最適性を保証する。
従来のデータ駆動アプローチでは、最適経路の真理と、ナビゲーションサービスの影響を緩やかに受けているユーザトラジェクトリが、フィードバックループの問題に悩まされていた。
これらの問題に対処するために,コスト関数と経路ランクモデルとを協調的に最適化し,任意の経路優先性を実現するディープアーキテクチャを提案する。
まず、多目的Dijkstraアルゴリズムをオフラインで実行し、パレート最適経路の集合を収集し、それを完全な候補集合とみなす。
このような集合の性質をエクスプロイトし、最短経路探索と経路ランクをエンドツーエンドの異なる方法でエミュレートするニューラルネットワーク構造を設計する。
次に、経路属性の制約付き最適化のタスクとして経路優先を定義し、厳密な制約の下で、単一目的変数を最適化する新しい損失関数を提案する。
実世界のデータセットに関する広範な実験を行う。
その結果、我々のアーキテクチャはルート品質とカスタマイズ性において最先端の手法を著しく上回っていることがわかった。
関連論文リスト
- NaviFormer: A Deep Reinforcement Learning Transformer-like Model to Holistically Solve the Navigation Problem [53.70554593151033]
NaviFormerは、高レベル経路と低レベル軌道の両方を予測することによって、グローバルナビゲーション問題を解決する深層強化学習モデルである。
結果は,各サブプロブレムの制約や難易度を理解することができるため,NaviFormerの競合精度を示す。
計算速度が優れていることは、リアルタイムのミッションに適していることを証明している。
論文 参考訳（メタデータ） (2026-04-18T11:32:34Z) - GenMRP: A Generative Multi-Route Planning Framework for Efficient and Personalized Real-Time Industrial Navigation [25.910561524153167]
マルチルート計画のための生成フレームワークであるGenMRPを提案する。
我々は,GenMRPがオフライン環境とオンライン環境の両方で高い効率で最先端の性能を達成することを示す。
GenMRPは現実世界のナビゲーションアプリに完全にデプロイされており、その効果とメリットを実証している。
論文 参考訳（メタデータ） (2026-02-04T03:21:21Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - Beyond Shortest Path: Agentic Vehicular Routing with Semantic Context [0.3767731868757604]
本稿では,従来のパスフィニングアルゴリズムを文脈推論で拡張するハイブリッドエージェントアシスタントであるPAVeを紹介し,評価する。
現実的な都市シナリオのベンチマークでは、PAVeは複雑なユーザインテントを使って適切なルート修正に成功した。
従来のルーティングアルゴリズムとLLMに基づくセマンティック推論層を組み合わせることは、都市移動最適化のためのパーソナライズされた適応的でスケーラブルなソリューションを作成するための堅牢で効果的なアプローチである、と結論付けている。
論文 参考訳（メタデータ） (2025-11-06T15:37:11Z) - DynamicRouteGPT: A Real-Time Multi-Vehicle Dynamic Navigation Framework Based on Large Language Models [13.33340860174857]
複雑な交通環境におけるリアルタイムな動的経路計画は、交通量の変化や信号待ち時間といった課題を提示する。
DijkstraやA*のような従来の静的ルーティングアルゴリズムは最短経路を計算するが、しばしば動的条件下で失敗する。
本稿では,実時間動的経路計画のための因果推論に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2024-08-26T11:19:58Z) - A Data-driven Resilience Framework of Directionality Configuration based
on Topological Credentials in Road Networks [0.5154704494242526]
本稿では,最適化に基づくBrute Force検索手法と意思決定支援フレームワークを統合した新しい道路再構成手法を提案する。
提案フレームワークは、最適化プロセス中に生成されたシナリオからの入力を組み合わせ、マルチ基準決定分析アプローチを取り入れている。
道路構成のランク付けには、リッジ回帰などの機械学習アルゴリズムを使用して、各基準に対する最適な重みを決定する。
論文 参考訳（メタデータ） (2024-01-14T21:22:22Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - Pruning-as-Search: Efficient Neural Architecture Search via Channel
Pruning and Structural Reparameterization [50.50023451369742]
プルーニング・アズ・サーチ(Pruning-as-Search、PaS)は、必要なサブネットワークを自動的に効率的に検索するエンドツーエンドのプルーニング手法である。
提案したアーキテクチャは,ImageNet-1000分類タスクにおいて,1.0%$ Top-1精度で先行技術より優れていた。
論文 参考訳（メタデータ） (2022-06-02T17:58:54Z) - Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner
with Evolution-Based Optimization [49.207538634692916]
そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。
提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。
我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
論文 参考訳（メタデータ） (2021-10-08T07:22:45Z) - Integrated Decision and Control: Towards Interpretable and Efficient
Driving Intelligence [13.589285628074542]
自動走行車のための解釈可能かつ効率的な意思決定・制御フレームワークを提案する。
駆動タスクを階層的に構造化されたマルチパス計画と最適追跡に分解する。
その結果,オンライン計算の効率性や交通効率,安全性などの運転性能が向上した。
論文 参考訳（メタデータ） (2021-03-18T14:43:31Z) - Learning Dynamic Routing for Semantic Segmentation [86.56049245100084]
本稿では,動的ルーティングと呼ばれる意味表現のスケール分散を緩和する概念的に新しい手法を提案する。
提案フレームワークは,各画像のスケール分布に適応して,データ依存経路を生成する。
この目的のために、ハエのスケール変換経路を選択するために、ソフトコンディショナルゲートと呼ばれる微分可能なゲーティング関数を提案する。
論文 参考訳（メタデータ） (2020-03-23T17:22:14Z)
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。