Mar, 2022

利用 PathBench 系统对路径规划算法进行系统比较

PDF
TL;DR本文介绍了 PathBench 平台，它是一个专门用于开发、可视化、训练、测试和基准测试现有和未来的经典路径规划算法以及基于机器学习的路径规划算法的统一路径规划接口，支持对不同硬件系统和地图类型进行算法的比较，提供路径长度、成功率和计算时间等指标用于评估算法的性能，支持在真实机器人系统中应用，且是开源的。
path planningmobile roboticsalgorithm developmentmachine learningbenchmarking
发现论文，激发创造
  • 神经网络训练算法基准测试

    本文提出了一个新的竞争性算法基准测试，AlgoPerf：训练算法基准测试，在多个工作负载上运行固定的硬件，解决了评估训练算法改进的三个基本挑战，包括如何确定训练何时结束和精确测量训练时间，如何处理测量对确切工作负载细节的敏感性，以及如何公平比较需要超参数调整的算法。在本基准测试中，评估了基线结果和各种优化器构建的基线提交，最终证明了新基准测试的可行性。

    Jun, 2023

  • 基于强化学习的移动机器人局部路径规划

    评估了具有深度 Q-Learning 和 Deep DQN 结构的机器学习算法，以解决自主移动机器人避开障碍物的路径规划问题。

    Oct, 2023

  • 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

  • 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

  • 在线并发多机器人覆盖路径规划

    提出一种非基于时间限制的集中式算法，可以实现并发规划和执行，从而在大规模工作区中完成完整覆盖，无需浪费机器人和计算资源。

    Mar, 2024

  • 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

  • 基于图的多机器人路径规划

    对现代算法的评估表明，针对多机器人系统的多智能体路径规划是解决自动仓库实现，火车调度和非完整机器人导航等多个应用领域重要方面的关键技术。

    Jun, 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

  • 路由竞技场：一个神经路由求解器的基准测试套件

    神经组合优化是一项近年来研究热点，然而现有评估方法存在缺陷，对于旧有的运筹学方法也存在忽视。为改进这些问题，本研究提出了一个路由问题基准套件 ——Routing Arena。该评估方法考虑不同应用的解决方案质量和任意性能，并引入了新的评估度量标准 —— 加权相对平均性能（WRAP），既量化了神经路由求解器的运行效率，又突显了现有运筹学方法的优势和神经方法的潜力。

    Oct, 2023

  • RLBench: 机器人学习基准测试与学习环境

    RLBench 是一个机器人学习的挑战性基准和学习环境，旨在加速包括强化学习、模仿学习、几何计算机视觉和少样本学习在内的一些视觉导向操作研究领域的进展。

    Sep, 2019