HMLPA*: a hierarchical multi-target LPA* pathfinding algorithm designed for dynamic indoor path network
Notice bibliographique
Résumé
The Lifelong Planning A* (LPA*) algorithm demonstrates unique advantages in dynamic pathfinding by employing incremental update techniques that reuse previously computed search results, enabling rapid path replanning in dynamic road network environments. However, when changes occur near the starting point or specific positions, such as key intersections, bottlenecks, or locations with high connectivity within the path network, even minor changes can trigger significant adjustments, which significantly increase the re-routing search space and computational costs of LPA*. To address this limitation, we propose a Hierarchical Multi-target LPA* (HMLPA*) algorithm that partitions the indoor path network into multiple subgraphs using the METIS graph partitioning algorithm and constructs an abstract trunk graph based on the key nodes of these subgraphs, thereby forming a hierarchical structure for the indoor path network. By leveraging this hierarchical structure, The HMLPA*’s subalgorithm, Multi-target LPA* (MLPA*), initiates pathfinding and confines re-routing to affected subgraphs and the abstract trunk graph. This localized re-routing approach effectively limits the search scope and significantly reduces computational overhead. Experimental results demonstrate that HMLPA* substantially outperforms LPA* in rerouting efficiency, effectively mitigating the high computational costs associated with the dynamic computational environment of the indoor path network.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».