Jul, 2018

使用得分空间表示学习任务和运动规划指导

PDF
TL;DR本文提出了一种学习算法，用于加速任务和运动规划问题的搜索，方法包括通过评估空间中的一组解的表现来预测搜索空间上的约束条件，以及通过类似评估空间的相似性来传递先前问题上的知识，并设计了一个顺序算法来高效地预测这些约束条件。实验结果表明，该算法比未引导的规划方法快几个数量级。
发现论文，激发创造
  • 通过可解释的语义表示感知、预测并规划安全运动

    本论文提出了一种全新的端到端可学网络，它可以对自动驾驶车辆进行联合感知、预测和运动规划，并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致，通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习，用大规模手动驾驶数据集和闭环模拟实验表明，所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。

    Aug, 2020

  • 基于无监督学习的目标领域非赏值驱动探索

    本研究提出使用深度表示学习算法学习目标空间的方法，通过此方法可以发现探索算法，与工程化表示法相比性能表现相匹配。

    Mar, 2018

  • 几何任务与运动规划的表示、学习和规划算法

    该论文介绍了一种用于引导几何任务和运动计划（GTAMP）的学习框架，它通过引入新颖的 planner 来扩展启发式搜索与随机采样和启发式函数相结合，以解决 GTAMP 问题中的困难，并提出了两种学习算法以提高其效率。该框架在挑战性的 GTAMP 问题中进行了评估，显示它能够提高计划的效率和数据效率。

    Mar, 2022

  • 使用神经网络学习特定搜索空间启发式算法

    建议并评估了一种系统，该系统学习了一种用于基于正向搜索的满足经典规划的神经网络启发式函数。我们的系统从头开始学习目标估计器，并生成训练数据。通过反向回归搜索或通过反向搜索从给定或猜测的目标状态生成培训数据。

    Jun, 2023

  • 从状态空间结构学习规划的一阶符号表示

    通过将规划器使用的一阶符号表示从编码状态空间结构的非符号输入中学习，我们解决了图像与符号之间的鸿沟，这意味着推断一个完整的一阶表示（即一般的动作模式、关系符号和对象）来解释所观察到的状态空间结构。

    Sep, 2019

  • 发现用于通用任务和动作规划的状态和动作抽象

    本文提出一种算法，用于通过学习特征、抽象和广义计划来解决连续机器人任务和运动规划中的困难问题。研究表明，仅使用少量示例学习的简单广义计划可以用于优化 TAMP 求解器的搜索效率。

    Sep, 2021

  • 利用预测状态表示关闭学习和规划循环

    本文提出并演示了一种精确学习环境模型的新算法，该算法从行动 - 观测对的序列中直接学习此类环境的模型，并通过在学习的模型中进行规划并恢复一个接近原始环境的最优策略实现从观测到行动的闭环。

    Dec, 2009

  • 评估引导空间用于运动规划

    本文提出了运动规划指导空间的概念，并使用信息理论方法评估引导式规划，为多种机器人动作规划算法的研究提供了新的应用框架。

    Oct, 2022

  • 学习用于规划的抽象且可迁移的表示

    该论文提出了一个框架来自我学习代理环境的状态抽象，这些抽象是任务无关的可重用的，从而显著提高了学习效率和代理任务解决的能力。

    May, 2022

  • 通过立方空间先验学习神经符号描述性规划模型：归航（到 STRIPS）

    我们提出了一种新型的神经符号结构，通过从图像中学习出稳固而高效的离散状态转移模型，兼容基于启发式搜索的现代解算器，并且通过在学习过程中加入有利的先验知识降低了学习精度，并开展其对于学习符号表现的优良特质的理论探索。

    Apr, 2020