Transformer-based Heuristic for Advanced Air Mobility Planning

要約

安全性は、自律型無人航空機 (UAV) の都市部での飛行にとって非常に重要です。
リスクを認識した経路計画は、UAV の安全を保証する最も効果的な方法の 1 つです。
このタイプの計画は、事前定義された安全制約を満たす最短ルートを見つけようとする制約付き最短経路 (CSP) 問題として表すことができます。
CSP 問題を解決することは NP 困難であり、重大な計算上の課題が生じます。
従来の方法は CSP 問題を正確に解決できますが、非常に時間がかかる傾向があります。
以前、制約付き最短パス (CSP) 問題を効果的に処理するために、ASD A* として知られる従来の A* アルゴリズムに追加の安全性次元を導入しました。
次に、トランスフォーマー ベースのニューラル ネットワークを使用してカスタム学習ベースのヒューリスティックを開発しました。これにより、計算負荷が大幅に軽減され、ASD A* アルゴリズムのパフォーマンスが向上しました。
このペーパーでは、より多くのリスク マップとタスクを含むようにデータセットを拡張し、提案されたモデルを改善し、そのパフォーマンスを向上させます。
また、新しいヒューリスティック戦略と新しいニューラル ネットワークも導入し、アプローチの全体的な有効性を高めます。

要約(オリジナル)

Safety is extremely important for urban flights of autonomous Unmanned Aerial Vehicles (UAVs). Risk-aware path planning is one of the most effective methods to guarantee the safety of UAVs. This type of planning can be represented as a Constrained Shortest Path (CSP) problem, which seeks to find the shortest route that meets a predefined safety constraint. Solving CSP problems is NP-hard, presenting significant computational challenges. Although traditional methods can accurately solve CSP problems, they tend to be very slow. Previously, we introduced an additional safety dimension to the traditional A* algorithm, known as ASD A*, to effectively handle Constrained Shortest Path (CSP) problems. Then, we developed a custom learning-based heuristic using transformer-based neural networks, which significantly reduced computational load and enhanced the performance of the ASD A* algorithm. In this paper, we expand our dataset to include more risk maps and tasks, improve the proposed model, and increase its performance. We also introduce a new heuristic strategy and a novel neural network, which enhance the overall effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google