日本語タイトル#
検索に基づくナビゲーション計画のための局所ヒューリスティック学習
英文タイトル#
Learning Local Heuristics for Search-Based Navigation Planning
日本語摘要#
ナビゲーションのためのグラフ検索計画アルゴリズムは、効率的に経路を計画するためにヒューリスティックに大きく依存します。そのため、これらのアプローチはトレーニングフェーズを必要とせず、長期的な経路を直接計画できますが、情報的なヒューリスティック関数を慎重に手作りする必要があります。最近の研究では、手作りのヒューリスティックを回避するために、機械学習を使用して検索アルゴリズムを導くヒューリスティック関数を学習することが始まっています。これらの方法は、生の入力から複雑なヒューリスティック関数を学習できますが、i) 重要なトレーニングフェーズを必要とし、ii) 新しい地図や長期的な経路に対して一般化がうまくいきません。私たちの貢献は、グローバルなヒューリスティック推定を学習する代わりに、局所ヒューリスティックを定義し学習することで、学習問題を大幅に小さくし、一般化を改善できることを示すことです。このような局所ヒューリスティックを使用することで、ノードの拡張を 2-20 倍削減し、制約された最適性を維持し、トレーニングが容易であり、新しい地図や長期的な計画に一般化できることを示します。
英文摘要#
Graph search planning algorithms for navigation typically rely heavily on heuristics to efficiently plan paths. As a result, while such approaches require no training phase and can directly plan long horizon paths, they often require careful hand designing of informative heuristic functions. Recent works have started bypassing hand designed heuristics by using machine learning to learn heuristic functions that guide the search algorithm. While these methods can learn complex heuristic functions from raw input, they i) require a significant training phase and ii) do not generalize well to new maps and longer horizon paths. Our contribution is showing that instead of learning a global heuristic estimate, we can define and learn local heuristics which results in a significantly smaller learning problem and improves generalization. We show that using such local heuristics can reduce node expansions by 2-20x while maintaining bounded suboptimality, are easy to train, and generalize to new maps & long horizon plans.
PDF 获取#
抖音でスキャンしてさらに素晴らしいコンテンツを確認