Navigating Intelligence: A Survey of Google OR-Tools and Machine Learning for Global Path Planning in Autonomous Vehicles

要約

私たちは、ロミーという名前の自律的なマイニングサンプリングロボットである無人の地上車両のグローバルパス計画（GPP）の新しい詳細な調査を提供しています。
GPPは、Romieの最適なパフォーマンスに不可欠です。これは、移動セールスマンの問題を解決することに変換されます。これは、マイニングフィールドのすべてのサンプリング場所をカバーするための最も効果的なルートを決定するために重要な複雑なグラフ理論の課題です。
この問題は、コストと時間を最適化することにより、ロミーの運用効率と人間の労働に対する競争力を高めるための中心です。
この研究の主な目的は、費用効率の高いソフトウェアとWebアプリケーションを開発、評価、改善することにより、GPPを前進させることです。
Google Operations Research（OR）-Tools Optimization Algorithmsの広範な比較と分析を掘り下げています。
私たちの研究は、補強学習技術を初めて統合することにより、OR-Tools機能の限界を適用およびテストするという目標によって推進されています。
これにより、これらの方法をOR-Toolsと比較し、計算効果と現実世界のアプリケーション効率を評価できます。
私たちの分析は、各手法の有効性と実用的な応用に関する洞察を提供しようとしています。
私たちの調査結果は、Q学習が最適な戦略として際立っていることを示しており、データセット全体の最適なソリューションから平均で1.2％のみを逸脱することにより、優れた効率を実証しています。

要約(オリジナル)

We offer a new in-depth investigation of global path planning (GPP) for unmanned ground vehicles, an autonomous mining sampling robot named ROMIE. GPP is essential for ROMIE’s optimal performance, which is translated into solving the traveling salesman problem, a complex graph theory challenge that is crucial for determining the most effective route to cover all sampling locations in a mining field. This problem is central to enhancing ROMIE’s operational efficiency and competitiveness against human labor by optimizing cost and time. The primary aim of this research is to advance GPP by developing, evaluating, and improving a cost-efficient software and web application. We delve into an extensive comparison and analysis of Google operations research (OR)-Tools optimization algorithms. Our study is driven by the goal of applying and testing the limits of OR-Tools capabilities by integrating Reinforcement Learning techniques for the first time. This enables us to compare these methods with OR-Tools, assessing their computational effectiveness and real-world application efficiency. Our analysis seeks to provide insights into the effectiveness and practical application of each technique. Our findings indicate that Q-Learning stands out as the optimal strategy, demonstrating superior efficiency by deviating only 1.2% on average from the optimal solutions across our datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google