May, 2014

批量通知树（BIT *）：通过启发式引导搜索隐式随机几何图的采样最优规划

PDF
TL;DR本文提出一种基于图形和采样基规划技术的易于操作的 Batch Informed Trees（BIT*）规划算法，展示了 BIT * 在模拟的随机环境和 CMU HERB 机器人的操作问题上的实用性，并证明了其概率上完备和渐近最优。
bit*planning algorithmgraph-basedsampling-basedprobabilistically complete
发现论文，激发创造
  • 基于信息批次置信树的不确定性运动规划

    本文提出一种名为 IBBT 算法的运动规划算法，该算法利用启发式算法，将随机运动规划问题划分为确定性运动规划问题和图搜索问题，并交替进行批量状态采样、路径规划和启发式搜索，以找到满足信念空间运动规划的最优解。实验表明，IBBT 算法在不同规划环境中具有更快的运行速度和更好的性能。

    Apr, 2023

  • 基于逐步采样的最优运动规划算法

    本文介绍了一种新型的算法 —— 快速探索随机图（RRG）及其树形版本 RRT $ ^ * $ 算法，并证明这两个算法都可以在几乎确定地收敛到最优解。此外，文章还建立起采样运动规划算法和随机几何图理论之间的新联系，以证明所提出算法的复杂度与传统 RRT 算法相比是等价的。

    May, 2010

  • 基于信息的 RRT*：通过合法椭球启发式直接采样聚焦于最优采样路径规划

    本文介绍一种有效的路径规划方法 Informed RRT*，通过直接采样路径长度的子集来提高搜索的效率，达到更高的收敛速度和更好的最终解决方案质量。

    Apr, 2014

  • 基于采样的最优路径规划算法

    本文介绍了一种新的算法 PRM * 和 RRT*，证明了它们是渐近最优的，并且在样本数增加的情况下，它们的解决方案成本几乎肯定收敛于最优值。这些算法的计算复杂度与传统的，但不是渐近最优的算法相当。

    May, 2011

  • 高维多目标路径规划的取样和剪枝：信息斯坦纳树

    本文提出了一种新的方法，在高维空间中交替在选择的区域中采样点并减弱不能导致多目标路径查找问题的良好解决方案的区域。实验结果证明该方法在解决问题质量和计算速度方面优于一般均匀采样方法。

    May, 2022

  • 强化学习中基于反馈的树搜索

    本文提出一种基于模型的强化学习技术，该技术将 Monte-Carlo 树搜索应用于无限期 Marov 决策过程的有限期版本，并使用值函数和策略函数的组合来规定有限期问题的终端条件或决策树的叶节点评估器。作者还提供了第一个基于树搜索的强化学习算法的样本复杂度边界，并证明由深度神经网络实现的技术能够创建一种竞争性人工智能代理。

    May, 2018

  • 基于蒙特卡罗树搜索和价值函数的离散分布近似推断

    利用强化学习中的蒙特卡罗树搜索（Monte Carlo Tree Search）算法对概率模型的近似推理进行建模，提出了基于 “最佳先行探索” 的启发式方法来动态分配函数调用，并展示了该方法的效果优于标准的近似推理方法。

    Oct, 2019

  • 基于顶点的网络加速路径规划算法

    本论文提出了一种基于顶点网络的路径规划方法，该方法利用关键顶点来优化 RRT * 采样过程，提高了路径规划效率，实验结果表明相比基准模型提高了 400% 以上。

    Jul, 2023

  • 一种高效的动态采样策略用于蒙特卡洛树搜索

    本文探讨在有限时间马尔可夫决策过程的框架下，基于树形搜索策略的蒙特卡罗树搜索 (MCTS)。提出了一种动态抽样树策略，有效地分配有限的计算预算，以最大化选择最佳根节点动作的正确性概率。实验结果表明，所提出的树策略比其他竞争方法更有效。

    Apr, 2022

  • 使用 IBIA 框架的边缘近似推理

    该论文提出了一种新的基于 IBIA 范例的算法，它通过使用启发式置信度更新算法来推断边际。该方法与现有的变分和采样方法相比，在多个基准测试数据集上具有更好或相当的准确性，并且运行时间更短。

    Jun, 2023