Learning Local Heuristics for Search-Based Navigation Planning

要約

ナビゲーションのためのグラフ検索計画アルゴリズムは、通常、経路を効率的に計画するためにヒューリスティックに大きく依存しています。
その結果、このようなアプローチはトレーニング フェーズを必要とせず、長いホライズン パスを直接計画できますが、多くの場合、有益なヒューリスティック関数を慎重に手作業で設計する必要があります。
最近の研究では、機械学習を使用して検索アルゴリズムをガイドするヒューリスティック関数を学習することにより、手動で設計されたヒューリスティックをバイパスし始めています。
これらの方法は生の入力から複雑なヒューリスティック関数を学習できますが、i) 重要なトレーニング フェーズが必要であり、ii) 新しいマップやより長いホライズン パスにうまく一般化できません。
私たちの貢献は、グローバル ヒューリスティック推定を学習する代わりに、ローカル ヒューリスティックを定義して学習できることを示しています。これにより、学習問題が大幅に小さくなり、一般化が改善されます。
このようなローカル ヒューリスティックを使用すると、ノードの拡張を 2 倍から 20 倍に減らしながら、限定的な準最適性を維持し、トレーニングが容易で、新しいマップと長期計画に一般化できることを示します。

要約(オリジナル)

Graph search planning algorithms for navigation typically rely heavily on heuristics to efficiently plan paths. As a result, while such approaches require no training phase and can directly plan long horizon paths, they often require careful hand designing of informative heuristic functions. Recent works have started bypassing hand designed heuristics by using machine learning to learn heuristic functions that guide the search algorithm. While these methods can learn complex heuristic functions from raw input, they i) require a significant training phase and ii) do not generalize well to new maps and longer horizon paths. Our contribution is showing that instead of learning a global heuristic estimate, we can define and learn local heuristics which results in a significantly smaller learning problem and improves generalization. We show that using such local heuristics can reduce node expansions by 2-20x while maintaining bounded suboptimality, are easy to train, and generalize to new maps & long horizon plans.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google