Investigation of Stochastic Deep Learning Motion Planning Methods for Autonomous Robots
Notice bibliographique
Résumé
Effective path planning is an essential part of motion planning for autonomous mobile \nrobots and vehicles. Classical sampling-based path planning methods, such as RRT* are not \ntime-efficient since they must first create an occupancy map before generating a path. Recently, neural network-based planners have been developed to solve this problem, which can \nquickly generate paths on unseen maps without an occupancy map required. However, these \nplanners perform poorly on unseen maps. To increase success on unseen maps, stochastic \nelements are included in two new neural network-based planners called Noise, Displacement, \nMap - GAN (NDM-GAN) and Stochastic-LSTM (S-LSTM). NDM-GAN performs a series \nof convolutions on a combination of random noise, the start and goal points, and the map, \nwhile S-LSTM uses an encoded map and a tensor holding the current and goal points to \nmake a path. Experiments with show that these new planners are successful between 68.58% \n- 93.40% of the time. Also, on the unseen maps, NDM-GAN and S-LSTM can generate a \npath up to 44.7897x and 379.3125x faster than RRT*, respectively. It is also shown that \npaths generated by NDM-GAN and S-LSTM often possess promising characteristics, such as \nbeing shorter than the RRT*-generated paths, and having a larger clearance from obstacles. \nSince NDM-GAN and S-LSTM are not guaranteed to find a path, if planning reliability is \nmost important, then a classical method like RRT* is preferable.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».