通过神经探索-利用树在高维空间中学习规划
机器学习
2020-02-25 v4 机器人学
机器学习
摘要
我们提出了一种称为神经探索-利用树（NEXT）的元路径规划算法，用于从先验经验中学习，以解决高维连续状态与动作空间中的新路径规划问题。与 RRT 等更经典的基于采样的方法相比，我们的方法在高维空间中实现了更好的采样效率，并且可从在相似环境中规划的先验经验中获益。更具体地，NEXT 利用一种新颖的神经网络架构，可从问题结构中学习有前景的搜索方向。随后将学习到的先验集成到 UCB 类算法中，以在解决新问题时实现探索与利用的在线平衡。我们进行了充分的实验，表明 NEXT 以更紧凑的搜索树完成新的规划问题，并在多个基准上显著优于最先进的方法。
引用
@article{arxiv.1903.00070,
title = {Learning to Plan in High Dimensions via Neural Exploration-Exploitation Trees},
author = {Binghong Chen and Bo Dai and Qinjie Lin and Guo Ye and Han Liu and Le Song},
journal= {arXiv preprint arXiv:1903.00070},
year = {2020}
}
备注
26 pages, 74 figures, ICLR 2020 spotlight