ICMLSep, 2020

神经 A * 搜索的路径规划

PDF
TL;DR本文提出了一种新颖的神经元 A * 算法，它是一种基于数据的搜索路径规划方法，通过将搜索算法经过改进后与卷积编码器相耦合，可以形成一个端到端训练的神经网络规划器。通过提供专家提供正确路径，通过学习与地面实况路径匹配，神经元 A * 可以精确高效地产生与实际路径一致的路径。实验证明，与最先进的基于数据驱动的规划器相比，神经元 A * 在搜索效率与最优性之间的权衡方面表现更好。此外，神经元 A * 成功地在自然图像输入上执行了基于搜索的人类运动预测。
neural a*data-driven search methodpath planningmachine learningdifferentiable a* search
发现论文，激发创造
  • 神经网络 A * 搜索的路径规划再现性报告

    本文为 2021 年 ICML2 “机器学习可重复性挑战赛” 之一 “Path Planning using Neural A* Search” 的可重复性报告，基于原始论文提出的神经 A * 规划器，通过重新实现模型并复现原始论文中的数据，验证了该模型在节点扩展的减少和路径准确性之间达到最佳平衡的说法，并提供了代码流程图以帮助理解；此外，本文还探索了几种扩展合优化模型的方法，如：（1）在混洗数据集上训练模型的泛化能力；（2）引入 dropout 等措施；（3）使用实证选择的超参数作为模型的可训练值；（4）将网络模型改为生成对抗网络（GAN）以引入随机性；（5）将 Unet 的编码器修改为 Unet++；（6）在其他 A * 搜索的变异中，融入从神经 A * 模块获得的成本地图。

    Jul, 2022

  • 神经网络路径规划

    利用神经网络在机器人路径规划中的应用有不同的输入、输出和环境，不同的网络架构能够提供解决方案。

    Jul, 2022

  • PPNet: 一种用于端到端近似最优路径规划的新型神经网络结构

    路径规划研究中，由于对初始解敏感且收敛速度较慢，我们提出了一种分为路径空间划分和路径空间中的路点生成的两级级联神经网络，名为 PPNet，用于解决此问题。此外，我们提出了一种名为 EDaGe-PP 的有效数据生成方法，实验结果表明，与其他方法相比，由 EDaGe-PP 产生的数据集训练的 PPNet 的计算时间少于 1/33，成功率提高了约 2 倍。与最先进的路径规划方法相比，我们验证了 PPNet 的性能，结果表明 PPNet 可以在 15.3 毫秒内找到接近最优解，远远快于最先进的路径规划器。

    Jan, 2024

  • 利用全卷积网络学习人意识路径规划

    论文介绍了一种通过演示学习路径规划的方法，运用了全卷积神经网络来学习专家路径演示的地图，并使用 RRT* 算法来优化路径预测，本方法已在真实路径中进行试验并与逆强化学习算法进行了对比。

    Mar, 2018

  • 规划与学习：自主车辆路径规划方法综述

    该论文综述了目前与规划、调度和学习相关的最新研究，介绍了规划算法、神经网络、图神经网络、强化学习算法、基于神经网络的路径规划的成功方法，以及带不确定性的时间规划问题。

    Jul, 2022

  • 利用神经网络增强 A* 搜索算法，实现个性化路线推荐

    采用神经网络自动化学习经典启发式算法 A * 算法的成本函数，以解决由于人工设置启发式代价函数和利用有用上下文信息等问题导致的个性化路线推荐任务的低效性和不准确性。

    Jul, 2019

  • 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

  • 学习使用不确定拓扑地图进行规划

    本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

    Jul, 2020

  • 学习 A * 启发式算法

    本文利用神经演算法推导出高效的启发式路径搜索算法，结合 Dijkstra 算法和 A * 算法中的一致的启发函数，并将其推广应用于图形中的路径搜索问题，结果表明相较于 Dijkstra 算法，应用基于学习到的 A * 算法中的启发函数的改进搜索在无损质量的情况下，实现了大幅的速度提升。

    Apr, 2022

  • 将算法规划和深度学习相融合用于部分可观测导航

    提出了一种机器人系统的新方法，其中一个较大系统的每个构件都表示为可微分的程序，即深度神经网络，应用到一个具有挑战性的部分可观测机器人导航任务中。在预测性模拟实验中，成功训练 Navigation Networks（NavNets）来解决这个具有挑战性的部分可观察的导航任务。

    Jul, 2018