Non-Trivial Query Sampling For Efficient Learning To Plan

要約

近年、学習ベースのアプローチが運動計画に革命をもたらしました。
これらのメソッドのデータ生成プロセスには、さまざまな環境でのさまざまなクエリ (開始、ゴールのペア) に対する多数の高品質パスのキャッシュが含まれます。
従来、これらのクエリのサンプリングには一様ランダム戦略が使用されていました。
ただし、これにより、データセットに「単純なパス」が含まれることになります (たとえば、長さ最適計画の場合は直線パス)。これは、プランナーがステアリング機能にアクセスできる場合に効率的に解決できます。
この作業は、データセットにより複雑なパスを追加するための「重要な」クエリ サンプリング手順を提案しています。
数値実験は、このような重要なデータセットでトレーニングされたニューラル プランナーのほうが、より高い成功率を達成できることを示しています。

要約(オリジナル)

In recent years, learning-based approaches have revolutionized motion planning. The data generation process for these methods involves caching a large number of high quality paths for different queries (start, goal pairs) in various environments. Conventionally, a uniform random strategy is used for sampling these queries. However, this leads to inclusion of ‘trivial paths’ in the dataset (e.g.,, straight line paths in case of length-optimal planning), which can be solved efficiently if the planner has access to a steering function. This work proposes a ‘non-trivial’ query sampling procedure to add more complex paths in the dataset. Numerical experiments show that a higher success rate can be attained for neural planners trained on such a non-trivial dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google