Stochastic path planning in the presence of disambiguation and neutralization capabilities
Notice bibliographique
Résumé
Kanadalı Gezgin Problemi (CTP) ve Engel Etkisizleştirme Problemi (ONP), yazında iyi çalışılmış çizge kullanılarak çözülen yol planlama problemleridir. Yazında, her iki problemin de hesaplama açısından izlenebilir olmadığı gösterilmiştir. Bu tezin en önemli çalışması, belirsizliği giderme ve etkisizleştirme haklarının aynı anda bulunduğu durumda yeni bir olasılıksal yol planlama problemini yazına tanıtmasıdır. Bu çalışma, CTP ile ONP arasındaki yakın ve içsel ilişkiye rağmen, literatürde türünün ilk örneği olarak görünmektedir. Bu yeni problem Etkisizleştirmeli Kanadalı Gezgin Problemi (CTPN) olarak adlandırılır. CTPN için kesin bir şekilde çözüm veren optimal bir algoritma, CAON*, geliştirilmiştir. Bu algoritmanın performansını iyi bilinen değer yineleme (VI) ve AO* arama algoritmaları ile karşılaştırmak için Delaunay çizgelerde deneyler yapılmıştır. Belirsizliği giderme ve nötralizasyon yeteneklerinin göreceli faydası ve önemi araştırılmıştır. Başka bir çalışmada, makul çalışma sürelerinde CTPN'i çözmek için sezgiseller önerilmiştir. CTPN'i çözmek için önerilen gerçek algoritma büyük problem örnekleri için sonuç verememektedir. Bu nedenle, hızlı çalışan ve kabul edilebilir sonuçlar veren sezgiseller tasarlanmıştır. Bu sezgiseller ve gerçek algoritma, çalışmanın deneyler bölümünde performans ve kalite açısından değerlendirilmiştir. Son çalışmada, ayrık Rassal Engelli Ortam Problemi (D-SOSP) için Belirsizliği Giderme Noktası Örnekleme (DPS) sezgiseli geliştirilmiştir. CAO*, D-SOSP örneklerini muadillerine göre daha hızlı çözen ve en uygun sonuç veren optimal bir algoritmadır. Fakat, büyük problem örnekleri için durum uzayının büyüklüğünden dolayı sonuç verememektedir. DPS sezgiseli, CAO* algoritmasının büyük D-SOSP ortamları için mantıklı sürelerde kabul edilebilir sonuçlar vermesi için geliştirilmiştir.\n\n--------------------\nThe Canadian Traveler Problem (CTP) and the Obstacle Neutralization Problem (ONP) are two well-studied graph-theoretic path-planning problems in the literature and both problems have been shown to be computationally intractable. The most important stage in this research is proposing a new probabilistic graph theoretic path-planning problem in the simultaneous presence of disambiguation and neutralization capabilities. This appears to be the first of its kind in the literature despite the close and inherent relationship between CTP and ONP. This new problem is named as the Canadian Traveler Problem with Neutralizations (CTPN). An optimal algorithm, CAON*, is proposed to solve the CTPN exactly. Computational experiments are provided on Delaunay graphs to assess the relative performance of this algorithm in comparison to the well-known value iteration and AO* algorithms. The relative utility and importance of the disambiguation and neutralization capabilities are investigated. In another stage, heuristics are proposed to solve CTPN. The exact algorithm proposed to solve CTPN cannot give results for the large instances of the problem. Therefore, heuristics are designed to run in faster execution times with admissible results. These heuristics and the exact algorithm are compared in terms of performance and quality in the experiments part of this stage. In the last stage, Disambiguation Points Sampling (DPS) heuristic is developed to solve discrete Stochastic Obstacle Scene Problem (D-SOSP). CAO* is a fast exact algorithm due to its opponents which solves D-SOSP optimally. However, for the large problem instances, it does not give results because of the huge state space. DPS heuristic is developed to solve the D-SOSP with CAO* algorithm in reasonable execution times with promising results.
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 | 0,002 | 0,010 |
| 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 | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».