데이터 효율적인 지역 휴리스틱 학습 프레임워크
A* 검색 중 발생하는 지역 계획 문제를 활용하여 지역 휴리스틱 데이터를 효율적으로 수집하고, 이를 통해 온라인으로 지역 휴리스틱 모델을 학습할 수 있는 프레임워크를 제안한다.
최적화 기반 플래너와 B-스플라인 매개변수화된 연속 시간 기준 신호
본 연구에서는 로봇의 온보드 컴퓨팅 파워가 제한적인 상황에서 저주파 고수준 플래너와 고주파 저수준 제어기 간의 주파수 격차 문제를 해결하기 위해 B-스플라인 매개변수화된 최적화 기반 플래너(BSPOP)를 제안한다. BSPOP는 연속 시간 제어 입력을 생성하여 임의의 주파수로 작동하는 저수준 제어기가 추적할 수 있도록 한다. 또한 볼록 제어 입력 집합을 고려할 때 BSPOP는 볼록 외피 특성을 활용하여 연속 시간 제어 입력을 자동으로 볼록 집합 내에 제한한다. 그 결과 기존 이산 시간 최적화 기반 플래너에 비해 BSPOP는 의사 결정 변수와 불평등 제약 조건의 수를 줄여 계산 효율성을 높인다.
다중 AGV 경로 계획을 위한 강화 학습 및 입자 필터 기반 방법
본 연구는 입자 필터를 활용하여 다중 AGV 경로 계획 문제를 해결하는 PF-DDQN 방법을 제안한다. 이 방법은 기존 DDQN 알고리즘의 한계를 극복하고, 복잡한 환경에서 더 효율적이고 정확한 경로 계획을 달성한다.
효율적인 경로 탐색을 위한 명령형 학습 기반 A* 알고리즘
본 연구는 기존 A* 알고리즘의 한계를 극복하고 경로 탐색 효율을 높이기 위해 명령형 학습 기반의 iA* 알고리즘을 제안한다. iA는 하위 최적화 단계에서 차별화된 A 모듈을 활용하고, 상위 최적화 단계에서 데이터 기반 모델을 통해 탐색 공간을 효과적으로 축소한다. 이를 통해 데이터 레이블링 문제를 해결하고 해석 가능성을 높였다.
시간 불확실성에 강인한 신호 시간 논리 사양을 위한 분할 선형 궤적 경로 계획
실제 세계 시나리오에는 지연 및 교란과 같은 시간 불확실성이 특징입니다. 시간 강인 알고리즘은 이러한 시나리오에서 작업 및 임무의 성공적인 실행을 보장하는 데 필수적입니다. 본 연구에서는 신호 시간 논리(STL) 사양에 따라 시간 강인 경로 계획을 연구합니다. 기존 접근법과 달리 우리는 분할 선형(PWL) 신호를 사용하여 합성을 수행합니다. PWL 신호는 시간 스탬프된 웨이포인트 시퀀스를 통해 궤적을 나타냅니다. 이를 통해 STL 공식을 변수 수가 적은 혼합 정수 선형 프로그램(MILP)으로 인코딩할 수 있습니다. 이 감소는 긴 계획 수평선을 가진 사양에 더 두드러집니다.
시간 불확실성에 강인한 신호 시간 논리 사양을 위한 분할 선형 궤적 경로 계획
실제 세계 시나리오에는 지연, 교란 등의 시간 불확실성이 특징적이다. 이러한 상황에서 작업 및 임무의 성공적인 실행을 보장하기 위해서는 시간 강인성을 가진 알고리즘이 필수적이다. 본 연구에서는 신호 시간 논리(STL) 사양을 만족하는 로봇 궤적 합성을 위한 시간 강인 경로 계획을 다룬다. 기존 접근법과 달리, 본 연구는 분할 선형(PWL) 신호를 활용하여 시간 강인성을 직접 인코딩할 수 있는 혼합 정수 선형 프로그래밍(MILP) 기반 합성 방법을 제안한다.
에너지 제한된 UAV와 이동식 충전 UGV를 이용한 효율적인 영역 커버리지 계획
에너지 제한된 UAV와 이동식 충전 UGV를 이용하여 주어진 영역을 효율적으로 커버하는 경로 계획 알고리즘을 제안한다.
로봇이 물체를 밀어내며 좁은 공간에서 효율적으로 경로를 계획하는 강화학습 기반 방법
강화학습 기반 정책을 통해 로봇이 물체를 비선형적으로 밀어내며 좁은 공간에서 효율적으로 경로를 계획할 수 있다.
DiPPeR: Diffusion-based 2D Path Planner for Legged Robots
Diffusion 기반의 2D 경로 계획 프레임워크인 DiPPeR의 핵심 메시지는 신속하고 효율적인 로봇 경로 계획을 가능하게 하는 것이다.
신경 기반 정보 RRT*: 학습 기반 경로 계획
신경 기반 정보 RRT*는 학습 기반 경로 계획을 통해 최적 경로 계획을 가속화하고 경로 안내 상태 추론에 포인트 기반 네트워크를 통합하는 방법을 제시합니다.
