要約
マルチゴール パス検索 (MGPF) は、一連のゴールを秩序正しく訪れるための、閉じた衝突のないパスを見つけることを目的としています。
物理的な巡回セールスマンの問題として、正確な重みを含む無向の完全なグラフは訪問順序を決定するために重要です。
頂点間のローカル パスに関する事前知識が不足しているため、アルゴリズムの最適性と効率の要件を満たす際に課題が生じます。
この研究では、事前知識抽出 (PKE) と呼ばれるマルチタスク学習モデルが、グラフの重みとしてペアワイズ頂点間のローカル パス長を推定するように設計されています。
同時に、経路探索プロセスのヒューリスティックとして、有望な領域とガイドラインが予測されます。
PKE モデルの出力を利用して、PKE-RRT として知られる Rapidly-exploring Random Tree (RRT) のバリアントが提案されています。
完全なグラフから得られる優先順位付けされた訪問順序を組み込むローカル プランナーによって、MGPF 問題に効果的に取り組みます。
さらに、予測領域とガイドラインによりツリー構造の効率的な探索が容易になり、アルゴリズムが次善の解決策を迅速に提供できるようになります。
広範な数値実験により、計算時間、パス コスト、サンプル数、成功率の観点から、さまざまな目標数を使用した MGPF 問題に対する PKE-RRT の優れたパフォーマンスが実証されています。
要約(オリジナル)
Multi-goal path finding (MGPF) aims to find a closed and collision-free path to visit a sequence of goals orderly. As a physical travelling salesman problem, an undirected complete graph with accurate weights is crucial for determining the visiting order. Lack of prior knowledge of local paths between vertices poses challenges in meeting the optimality and efficiency requirements of algorithms. In this study, a multi-task learning model designated Prior Knowledge Extraction (PKE), is designed to estimate the local path length between pairwise vertices as the weights of the graph. Simultaneously, a promising region and a guideline are predicted as heuristics for the path-finding process. Utilizing the outputs of the PKE model, a variant of Rapidly-exploring Random Tree (RRT) is proposed known as PKE-RRT. It effectively tackles the MGPF problem by a local planner incorporating a prioritized visiting order, which is obtained from the complete graph. Furthermore, the predicted region and guideline facilitate efficient exploration of the tree structure, enabling the algorithm to rapidly provide a sub-optimal solution. Extensive numerical experiments demonstrate the outstanding performance of the PKE-RRT for the MGPF problem with a different number of goals, in terms of calculation time, path cost, sample number, and success rate.
arxiv情報
著者 | Yuan Huang |
発行日 | 2023-12-22 12:22:12+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google