Computing a Minimal Set of t-Spanning Motion Primitives for Lattice\n Planners
Notice bibliographique
Résumé
In this paper we consider the problem of computing an optimal set of motion\nprimitives for a lattice planner. The objective we consider is to compute a\nminimal set of motion primitives that t-span a configuration space lattice. A\nset of motion primitives t-span a lattice if, given a real number t greater or\nequal to one, any configuration in the lattice can be reached via a sequence of\nmotion primitives whose cost is no more than t times the cost of the optimal\npath to that configuration. Determining the smallest set of t-spanning motion\nprimitives allows for quick traversal of a state lattice in the context of\nrobotic motion planning, while maintaining a t-factor adherence to the\ntheoretically optimal path. While several heuristics exist to determine a\nt-spanning set of motion primitives, these are presented without guarantees on\nthe size of the set relative to optimal. This paper provides a proof that the\nminimal t-spanning control set problem for a lattice defined over an arbitrary\nrobot configuration space is NP-complete, and presents a compact mixed integer\nlinear programming formulation to compute an optimal t-spanner. We show that\nsolutions obtained by the mixed integer linear program have significantly fewer\nmotion primitives than state of the art heuristic algorithms, and out perform a\nset of standard primitives used in robotic path planning.\n
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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 ».