基于学习的约束多准则路径规划偏好预测
人工智能
2021-08-04 v1 机器学习
机器人学
摘要
基于学习的方法在单准则优化问题的搜索算法中日益流行。相比之下，尽管存在大量应用，多准则优化的方法却明显较少。自主地面车辆（AGV）的约束路径规划就是这样一个应用，其中AGV通常部署在越野环境下的灾害救援或搜索救援任务中。智能体可能面临以下困境：在操作约束下，根据一个已知准则和一个不确定准则优化从起点到终点的路径。已知准则与路径成本相关，代表距离。不确定准则代表无需人工干预即可通过路径的可行性。它取决于各种外部参数，如车辆物理特性、所探索地形的状态或天气条件。在这项工作中，我们利用通过离线仿真获得的知识，训练一个神经网络模型来预测不确定准则。我们将该模型集成到一个可以在线解决问题的路径规划器中。最后，我们在真实的AGV场景上进行了实验，结果表明所提出的框架需要人工干预的频率更低，代价是路径距离的有限增加。
引用
@article{arxiv.2108.01080,
title = {Learning-based Preference Prediction for Constrained Multi-Criteria Path-Planning},
author = {Kevin Osanlou and Christophe Guettier and Andrei Bursuc and Tristan Cazenave and Eric Jacopin},
journal= {arXiv preprint arXiv:2108.01080},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2108.00978