핵심 개념
CoverLib는 경험 분류기 쌍을 반복적으로 추가하여 문제 공간의 적응 가능한 영역을 효과적으로 커버하는 경험 라이브러리를 구축합니다. 이를 통해 빠른 계획 속도와 높은 성공률을 달성합니다.
초록
이 논문은 CoverLib, 경험 라이브러리 구축을 위한 체계적인 접근법을 제안합니다. CoverLib는 반복적으로 경험-분류기 쌍을 추가하여 문제 공간의 적응 가능한 영역을 효과적으로 커버합니다.
각 반복 단계는 다음과 같습니다:
- 다음 추가할 경험을 선택하여 커버리지 증가를 최대화합니다. 이는 이전에 결정된 분류기 정보를 활용하여 추정합니다.
- 선택된 경험에 대해 기저 항목 ¯
f를 회귀 모델로 학습합니다.
- 바이어스 항목 b를 최적화하여 거짓 양성률 제약을 만족시킵니다.
이 과정을 통해 CoverLib는 빠른 계획 속도와 높은 성공률을 달성합니다. 또한 다양한 적응 알고리즘과 통합될 수 있는 범용성을 지닙니다.
실험 결과, CoverLib는 전역 플래너와 근접한 성능을 보이면서도 계획 시간을 크게 단축할 수 있었습니다. 특히 어려운 문제에서 두드러진 성능 향상을 보였습니다.
통계
이중 적분기 모델의 상태 공간 차원은 32차원입니다.
장애물은 10개의 원형 장애물로 구성되며, 반경은 무작위로 설정됩니다.
속도와 가속도는 각각 ||˙x||∞≤0.3, ||u||∞≤0.1로 제한됩니다.
시작 위치는 고정되어 있고, 목표 위치는 무작위로 설정됩니다.
인용구
"CoverLib는 경험 분류기 쌍을 반복적으로 추가하여 문제 공간의 적응 가능한 영역을 효과적으로 커버합니다."
"CoverLib는 빠른 계획 속도와 높은 성공률을 달성합니다."
"CoverLib는 다양한 적응 알고리즘과 통합될 수 있는 범용성을 지닙니다."