SLOPE: Search with Learned Optimal Pruning-based Expansion

要約

ヒューリスティック検索は、完全性と最適な効率を約束しながら、グラフ内の最短経路を見つけるために、動作計画や経路探索の問題によく使用されます。
欠点は、スペースが複雑であることです。具体的には、展開されたすべての子ノードをメモリに保存し、アクティブなノードの大きなリストを並べ替える必要があり、オンボード計算が制限されているリアルタイム シナリオでは問題になる可能性があります。
これに対処するために、学習済みの最適な枝刈りベースの拡張 (SLOPE) を使用した検索を提案します。これは、コストの値を学習する他のアプローチとは異なり、考えられる最適なパスからのノードの距離を学習します。
次に、不利なノードが上記の距離に従って枝刈りされ、オープン リストのサイズが削減されます。
これにより、メモリと計算コストを削減しながら、最適なパスに近い領域のみを検索することが保証されます。
従来の学習方法とは異なり、私たちのアプローチはコストの推定ヒューリスティックと直交しており、検索効率を向上させるための補完的な戦略を提供します。
スタンドアロンの検索方法として評価し、学習されたヒューリスティック関数と組み合わせて、オープンリスト内の子ノードの数を減らしながら同等以上のノード拡張メトリクスを達成するアプローチの有効性を実証します。
私たちのコードは https://github.com/dbokan1/SLOPE で入手できます。

要約(オリジナル)

Heuristic search is often used for motion planning and pathfinding problems, for finding the shortest path in a graph while also promising completeness and optimal efficiency. The drawback is it’s space complexity, specifically storing all expanded child nodes in memory and sorting large lists of active nodes, which can be a problem in real-time scenarios with limited on-board computation. To combat this, we present the Search with Learned Optimal Pruning-based Expansion (SLOPE), which, learns the distance of a node from a possible optimal path, unlike other approaches that learn a cost-to-go value. The unfavored nodes are then pruned according to the said distance, which in turn reduces the size of the open list. This ensures that the search explores only the region close to optimal paths while lowering memory and computational costs. Unlike traditional learning methods, our approach is orthogonal to estimating cost-to-go heuristics, offering a complementary strategy for improving search efficiency. We demonstrate the effectiveness of our approach evaluating it as a standalone search method and in conjunction with learned heuristic functions, achieving comparable-or-better node expansion metrics, while lowering the number of child nodes in the open list. Our code is available at https://github.com/dbokan1/SLOPE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google