iA$^*$: Imperative Learning-based A$^*$ Search for Path Planning

要約

2つのポイント間の衝突のないパスを特定することを目的とするパスファインディングの問題は、ロボットナビゲーションや自律運転など、多くのアプリケーションで重要です。
$^*$検索などの古典的な方法は、小規模マップでうまく機能しますが、拡大するのは難しいことです。
逆に、データ駆動型のアプローチはパスフィンディング効率を改善することができますが、広範なデータラベル付けが必要であり、理論的な保証が欠けているため、実用的なアプリケーションに挑戦します。
2つの方法の強みを組み合わせるために、Imperative Learning（IL）戦略を利用し、命令学習に基づくA $^*$（ia $^*$）と呼ばれる新しい自己監視パスフィンディングフレームワークを提案します。
具体的には、ia $^*$は、下位レベルの最適化が、微分可能なa $^*$検索モジュールによる最適なパスを見つけることに専念するバイレベル最適化プロセスであり、上位レベルの最適化は、データ駆動型モデルから適切な初期値を設定することで効率を改善するために検索空間を狭めます。
また、上位レベルの最適化内のモデルは、完全に畳み込みのあるネットワークであり、低レベルの最適化の計算された損失によって訓練されています。
したがって、このフレームワークは広範なデータラベル付けを回避し、多様な環境で適用できます。
当社の包括的な実験は、IA $^*$がパスファインディング効率のクラシックおよびデータ駆動型の両方の方法を上回り、パブリックデータセットとシミュレーション環境で検証されたさまざまなタスクの間で優れた堅牢性を示すことを示しています。

要約(オリジナル)

The pathfinding problem, which aims to identify a collision-free path between two points, is crucial for many applications, such as robot navigation and autonomous driving. Classic methods, such as A$^*$ search, perform well on small-scale maps but face difficulties scaling up. Conversely, data-driven approaches can improve pathfinding efficiency but require extensive data labeling and lack theoretical guarantees, making it challenging for practical applications. To combine the strengths of the two methods, we utilize the imperative learning (IL) strategy and propose a novel self-supervised pathfinding framework, termed imperative learning-based A$^*$ (iA$^*$). Specifically, iA$^*$ is a bilevel optimization process where the lower-level optimization is dedicated to finding the optimal path by a differentiable A$^*$ search module, and the upper-level optimization narrows down the search space to improve efficiency via setting suitable initial values from a data-driven model. Besides, the model within the upper-level optimization is a fully convolutional network, trained by the calculated loss in the lower-level optimization. Thus, the framework avoids extensive data labeling and can be applied in diverse environments. Our comprehensive experiments demonstrate that iA$^*$ surpasses both classical and data-driven methods in pathfinding efficiency and shows superior robustness among different tasks, validated with public datasets and simulation environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google