論文の概要: Rapidly-Iterating Grid-Based Near-Optimal Kinodynamic Motion Planning

• arxiv url: http://arxiv.org/abs/2609.22733v1
• Date: Sat, 19 Sep 2026 03:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:29:04.741778
• Title: Rapidly-Iterating Grid-Based Near-Optimal Kinodynamic Motion Planning
• Title（参考訳）: 高速点火格子型近距離運動計画法
• Abstract要約: Rapidly-iterating KinoDynamic Grid (RDG)アルゴリズムは、高速反復により高品質なソリューションを生成する。 RDGアルゴリズムは、10 DOFまでの複雑なキノダイナミックな運動計画環境における模擬試行を通して評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper develops the Rapidly-iterating kinoDynamic Grid (RDG) algorithm, an asymptotically near-optimal kinodynamic motion planning algorithm that produces high quality solutions through rapid iteration. The algorithm leverages a state space grid decomposition to perform node selection, dynamics propagation, and graph revision in constant time complexity with respect to the number of nodes in the trajectory tree. Through a covering ball sequence induction proof, the algorithm is shown to be asymptotically near-optimal and probabilistically complete. Different subsystems of the algorithm are evaluated against common nearest-neighbor search-based methods at generating exploration bias. The RDG algorithm is evaluated through simulated trials in complex, kinodynamic motion planning problem environments up to 10 DOF relative to similar sparse, kinodynamic planning algorithms with optimality guarantees, SST and DIRT. The RDG algorithm outperforms both SST and DIRT in mean final solution quality by up to 104% and 40% respectively. Additionally, RDG maintained a 100% success rate, even on a 10-DOF test case where both SST and DIRT did not.
• Abstract（参考訳）: 本稿では,高速反復による高品質な解を生成する,漸近的にほぼ最適なキノダイナミック動作計画アルゴリズムであるRapidly-iterating KinoDynamic Grid (RDG)アルゴリズムを開発した。 このアルゴリズムは状態空間グリッド分解を利用して、軌道木内のノード数に対するノード選択、動的伝播、グラフ修正を行う。 被覆球列誘導証明により、アルゴリズムは漸近的にほぼ最適で確率論的に完備であることが示されている。 探索バイアスを生成するために,アルゴリズムの様々なサブシステムが近接探索に基づく一般的な手法に対して評価される。 RDGアルゴリズムは, 最適性保証付きキノダイナミック計画アルゴリズム, SST, DIRTに対して, 10 DOFまでの複雑なキノダイナミック運動計画問題環境において, シミュレーション実験により評価される。 RDG アルゴリズムは SST と DIRT をそれぞれ 104% と 40% で上回っている。 さらにRDGは、SSTとDIRTが一致しない10-DOFテストケースでも100%の成功率を維持した。

関連論文リスト

• Tuning-Free Sampling via Optimization on the Space of Probability Measures [14.429970585649945]
  Wasserstein勾配流の時間離散化として得られた勾配に基づくサンプリングアルゴリズムのチューニング不要サンプリングアルゴリズム 特に、最適に調整されたアルゴリズムの収束率を対数係数まで回復する。 様々なタスクにまたがって、我々のアルゴリズムは、ステップサイズパラメータをチューニングすることなく、既存のアルゴリズムの最適性能と同じような性能を達成する。
  論文  参考訳（メタデータ） (2025-10-29T09:29:39Z)
• A Differential Evolution Algorithm with Neighbor-hood Mutation for DOA Estimation [11.842677286643609]
  2次元多重信号分類アルゴリズムは、アレイ信号処理における高分解能方向推定(DOA)のための強力な手法である。 我々は,ピークフィニング過程をマルチモーダルな最適化プロブレムとして再構成し,複数のピークを効率よくローカライズするための近傍突然変異(DE-NM)を用いた微分方程式アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-08T14:30:01Z)
• Stochastic Ratios Tracking Algorithm for Large Scale Machine Learning Problems [0.7614628596146599]
  古典的なSGDフレームワークにおける適応的なステップ長選択のための新しいアルゴリズムを提案する。 妥当な条件下では、アルゴリズムは十分に確立された理論的な要件に従ってステップ長を生成する。 このアルゴリズムは,手動チューニングから得られる最良ステップ長に匹敵するステップ長を生成することができることを示す。
  論文  参考訳（メタデータ） (2023-05-17T06:22:11Z)
• Genetically Modified Wolf Optimization with Stochastic Gradient Descent for Optimising Deep Neural Networks [0.0]
  本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。 Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。 このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
  論文  参考訳（メタデータ） (2023-01-21T13:22:09Z)
• Distributed stochastic optimization with large delays [59.95552973784946]
  大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。 DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
  論文  参考訳（メタデータ） (2021-07-06T21:59:49Z)
• Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
  バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。 両レベル最適化のための2つの新しいアルゴリズムを提案する。 両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:05:30Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Sequential Subspace Search for Functional Bayesian Optimization Incorporating Experimenter Intuition [63.011641517977644]
  本アルゴリズムは,実験者のガウス過程から引き出された一組の引き数で区切られた関数空間の有限次元ランダム部分空間列を生成する。 標準ベイズ最適化は各部分空間に適用され、次の部分空間の出発点(オリジン)として用いられる最良の解である。 シミュレーションおよび実世界の実験,すなわちブラインド関数マッチング,アルミニウム合金の最適析出強化関数の探索,深層ネットワークの学習速度スケジュール最適化において,本アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2020-09-08T06:54:11Z)
• IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
  本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。 提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。 加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
  論文  参考訳（メタデータ） (2020-06-11T18:49:06Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。