May, 2022

高维多目标路径规划的取样和剪枝：信息斯坦纳树

PDF
TL;DR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。
motion planningminimum spanning treemulti-goal path findinghigh dimensional spacessampling
发现论文，激发创造
  • 在图中学习剪枝斯坦纳树问题的实例

    本文使用基于机器学习的学习剪枝框架来解决史泰纳树问题，结果显示该框架可在商业整数线性规划求解器所需时间的一小部分时间内计算出近乎最优的解决方案，进一步证明了学习剪枝框架在解决各种组合优化问题方面的潜力。

    Aug, 2022

  • 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

  • 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

  • 利用图神经网络协助蒙特卡罗树搜索实现近乎最优斯坦纳树

    本研究介绍了一种通过结合图神经网络和蒙特卡罗树搜索来计算 Steiner 树的方法，该方法在许多不同类型的图上反复优于标准的 2 逼近算法，通常找到最优解。

    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

  • 引导式运动规划框架

    随机抽样、机器人运动规划、引导空间、信息论方法、混合算法

    Apr, 2024

  • 多智能体采样式运动规划的分解

    为了解决多体智能系统中路径规划难度增大的问题，我们将分解概念引入了取样算法中，并且在寻找解决方案的过程中，通过分解启发式方法将不同的智能体子集分解到独立的低维搜索空间，成功将搜索空间维度增长从指数级减少到线性级别。

    Apr, 2023

  • 非凸优化的采样与界限

    用采样方法改进蒙特卡洛树搜索来实现全局非凸函数优化，避免传统分区树方法在高维情况下指数级增长的树规模，通过利用数值上估计的目标不确定性指标、采样估计的一阶和二阶信息，并且避免传统固定组合模式，快速高效地发现有潜力的区域，有效平衡探索与开发。在高维非凸优化测试中与其他方法进行了对比，并分析了超参数的影响。

    Jan, 2024

  • 基于概率推演的连续时间高斯过程运动规划

    该文章中提出了一种基于概率推理的运动规划的新方法，使用稀疏高斯过程模型来表示连续时间轨迹，并开发了一种高效的优化算法，将运动规划问题转化为因子图上的概率推理，最终得到一种快速且具有鲁棒性的规划算法。

    Jul, 2017

  • 分解空间中的随机规划近似推断

    该论文将随机规划分解成两个维度：正向和反向推断以及置信传播法和均值场变分推断等不同方法，进而提出折叠状态变分推断 (CSVI) 算法，并通过实验比较发现其与正向置信传播法是最佳的随机规划方法之一。

    Mar, 2022