Probabilistic roadmaps: An incremental sampling approach to approximate the connectivity of robot configuration spaces
Notice bibliographique
Résumé
Summary form only given. For over 15 years, a major research theme in robotics has been the development of randomized sampling schemes to create efficient motion planners. The main outcome of this research has been the Probabilistic Roadmap approach (PRM) to motion planning. Originally, this approach was intended to compute collision-free paths of robots with ldquomanyrdquo degrees of freedom-at that time, 4 or more. But, over the years, successive improvements (as well as faster computers) made it possible to handle robotic systems with several dozen degrees of freedom operating in complex geometric environments. PRM was also extended to solve planning problems with motion constraints other than collision avoidance, for instance, visibility, equilibrium, contact, and kinodynamic constraints. Concurrently, PRM planning has also been applied to non-robotics applications, e.g., for animating autonomous digital characters, designing product that can easily be assembled and serviced, testing whether architectural designs satisfy building codes, providing interactive tools to navigate in huge virtual reality models, planning complex surgical operations, and studying folding and binding molecular motions. This talk will consist of two parts. First, the PRM approach and various underlying techniques, especially sampling strategies, will be reviewed. Rather than computing an exact representation of a robotpsilas configuration space, the PRM approach ldquolearnsrdquo incrementally a simplified representation of the connectivity of this space. This representation is a network of simple paths connecting configurations sampled at random. The second part of the talk will analyze the necessary and sufficient conditions under which the PRM approach works well. It will argue that the main outcome of the research on PRM planning is what the empirical success of this approach tells us about motion planning problems, rather than the approach itself.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».