แนวคิดหลัก
Der iA*-Algorithmus kombiniert die Stärken klassischer Suchalgorithmen und datengetriebener Methoden, um effiziente und interpretierbare Pfadplanung zu ermöglichen. Durch ein zweistufiges Optimierungsverfahren kann der Suchraum reduziert und gleichzeitig nahezu optimale Pfade gefunden werden.
บทคัดย่อ
Der Artikel stellt einen neuartigen Ansatz zur Pfadplanung vor, den imperativen Lernalgorithmus iA* (Imperative Learning-based A*). Dieser kombiniert die Vorteile klassischer Suchalgorithmen wie A* mit datengetriebenen Methoden, um die Effizienz der Pfadplanung zu steigern.
Der Kern des iA*-Algorithmus ist ein zweistufiger Optimierungsprozess. In der unteren Ebene wird ein differenzierbarer A*-Algorithmus verwendet, um den optimalen Pfad zu finden. In der oberen Ebene trainiert ein neuronales Netzwerk als Instanzkoder, um den Suchraum zu reduzieren und so die Effizienz zu erhöhen.
Der Instanzkoder ist als vollständig konvolutionelles Netzwerk aufgebaut, um verschiedene Kartengrößen verarbeiten zu können. Durch selbstüberwachtes Lernen kann das Netzwerk ohne aufwendige Datenbeschriftung trainiert werden, indem die Ergebnisse des unteren Optimierungsschritts als Rückkopplung dienen.
Die Experimente zeigen, dass iA* sowohl klassische als auch datengetriebene Methoden in Bezug auf Sucheffizienz und Robustheit übertrifft. Über verschiedene Testumgebungen hinweg konnte iA* den Suchraum um durchschnittlich 67,2% reduzieren und die Rechenzeit um 58,3% verkürzen, bei nur geringfügiger Erhöhung der Pfadlänge.
สถิติ
Die Suchfläche von iA* ist im Durchschnitt 67,2% kleiner als die von klassischem A*.
Die Rechenzeit von iA* ist im Durchschnitt 58,3% kürzer als die von klassischem A*.
คำพูด
"Der Kern des iA*-Algorithmus ist ein zweistufiger Optimierungsprozess."
"Durch selbstüberwachtes Lernen kann das Netzwerk ohne aufwendige Datenbeschriftung trainiert werden."