DataSP: A Differential All-to-All Shortest Path Algorithm for Learning Costs and Predicting Paths with Context

要約

さまざまなコンテキスト特徴の下での軌跡のデモンストレーションからグラフ上の遷移の潜在コストを学習するのは困難ですが、経路計画には役立ちます。
しかし、既存の手法はコストの仮定を単純化しすぎているか、観測された軌道の数に合わせて拡張することが不十分です。
このペーパーでは、軌跡からの潜在コストの学習を容易にする微分可能な全対全最短パス アルゴリズムである DataSP を紹介します。
これにより、追加の計算を行わずに、各学習ステップで多数の軌跡から学習することができます。
コンテキスト特徴からの複雑な潜在コスト関数は、ニューラル ネットワーク近似を通じてアルゴリズムで表現できます。
さらに、観測されたパスの分布を再構築/模倣するために、DataSP からパスをサンプリングする方法を提案します。
推定された分布が最大エントロピー原理に従っていることを証明します。
DataSP は、グラフ上のパスの予測において、最先端の微分可能な組み合わせソルバーや古典的な機械学習アプローチよりも優れたパフォーマンスを発揮することを示します。

要約(オリジナル)

Learning latent costs of transitions on graphs from trajectories demonstrations under various contextual features is challenging but useful for path planning. Yet, existing methods either oversimplify cost assumptions or scale poorly with the number of observed trajectories. This paper introduces DataSP, a differentiable all-to-all shortest path algorithm to facilitate learning latent costs from trajectories. It allows to learn from a large number of trajectories in each learning step without additional computation. Complex latent cost functions from contextual features can be represented in the algorithm through a neural network approximation. We further propose a method to sample paths from DataSP in order to reconstruct/mimic observed paths’ distributions. We prove that the inferred distribution follows the maximum entropy principle. We show that DataSP outperforms state-of-the-art differentiable combinatorial solver and classical machine learning approaches in predicting paths on graphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google