S&Reg: End-to-End Learning-Based Model for Multi-Goal Path Planning Problem

要約

この論文では、障害物環境におけるマルチゴール経路計画問題を解決するための新しいエンドツーエンドのアプローチを提案します。
私たちが提案する S&Reg と呼ばれるモデルは、マルチタスク学習ネットワークを TSP ソルバーおよびパス プランナーと統合し、すべての目標を達成する閉じた実行可能なパスを迅速に計算します。
具体的には、モデルはまず、セグメンテーション タスクとして 2 つの目標を結ぶ最適なパスを含む可能性のある有望な領域を予測します。
同時に、ゴール間のペアごとの距離の推定がニューラル ネットワークによる回帰タスクとして実行され、その結果によって TSP ソルバーの対称重み行列が構築されます。
TSP の結果を活用して、パス プランナーは、有望な領域に基づいて実現可能なパスを効率的に探索します。
私たちはシミュレーションを通じて S&Reg モデルを徹底的に評価し、他のサンプリングベースのアルゴリズムと比較します。
結果は、私たちが提案したモデルが計算時間とソリューションコストの点で優れたパフォーマンスを達成し、障害物環境におけるマルチゴールパス計画の効果的なソリューションとなることを示しています。
提案されたアプローチは、マルチゴール パス計画のための他のサンプリング ベースのアルゴリズムに拡張される可能性があります。

要約(オリジナル)

In this paper, we propose a novel end-to-end approach for solving the multi-goal path planning problem in obstacle environments. Our proposed model, called S&Reg, integrates multi-task learning networks with a TSP solver and a path planner to quickly compute a closed and feasible path visiting all goals. Specifically, the model first predicts promising regions that potentially contain the optimal paths connecting two goals as a segmentation task. Simultaneously, estimations for pairwise distances between goals are conducted as a regression task by the neural networks, while the results construct a symmetric weight matrix for the TSP solver. Leveraging the TSP result, the path planner efficiently explores feasible paths guided by promising regions. We extensively evaluate the S&Reg model through simulations and compare it with the other sampling-based algorithms. The results demonstrate that our proposed model achieves superior performance in respect of computation time and solution cost, making it an effective solution for multi-goal path planning in obstacle environments. The proposed approach has the potential to be extended to other sampling-based algorithms for multi-goal path planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google