基于顶点的网络加速路径规划算法
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
提出了基于 MA-RRT * 算法的多智能体路径规划问题解决方案,该算法在解决真实世界中大型但稀疏环境的多飞机防撞等任务时性能很好,能够有效利用采样机制,比以往的正向搜索方法更具可扩展性。
Feb, 2013
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
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
本文提出了一种多智能体坐标线路图的图神经网络模型,利用学习价值迭代在稀疏相互连接图中执行坐标线路图,并通过通信模块使智能体在线协调并更有效地适应变化,可以应用于自主车辆中实现实时映射和车队管理等。
Jul, 2020
通过层级循环网络输出结构化多段线,我们提出了一种用于在线道路网络提取的方法,并以新型可微分损失函数度量模型预测结果和真实路径的偏差。实验表明,该方法可在 90 公里的公路上正确恢复 92% 的拓扑结构。
Dec, 2020
本文提出了一种基于图像学习的路径规划算法(CBAGAN-RRT),使用卷积块注意力生成对抗网络(CBAGAN)及新型损失函数设计启发式规则以找到更佳的优化路径,提高算法收敛性能,在路径生成质量与时间成本等方面优于现有算法,且可以适应复杂环境,并可方便地与其他基于采样的路径规划算法集成。
May, 2023
我们提出了一种自适应图注意力采样与边融合框架(GASE),通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入,进一步融合采样网络中的消息传递和节点嵌入,在学习导向的 VRP 任务上表现出色,并在随机生成实例和真实世界数据集上展现出超越现有方法的性能。
May, 2024
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。
Mar, 2022
利用机器学习的分支限界算法,通过比较三个神经网络 —— 图卷积神经网络(GCNN)、GraphSAGE 和图注意力网络(GAT)的结果,在解决有容量限制的车辆路径问题方面展现了潜力。通过训练这些神经网络,以模拟计算代价高昂的 Strong Branching 策略的决策过程。经过严格的实验证明,这种方法可以在较短的计算时间内达到或超过分支限界算法与 Strong Branching 策略的性能,并且所对应的研究结果和方法的源代码在以下网址中可以轻松获得并进行参考。
Oct, 2023