神经加权 A*: 利用可微随时 A* 学习图代价与启发式
机器学习
2022-02-04 v2
摘要
近来，在机器学习研究中出现了将可微算法融入深度学习架构的趋势，因为神经层与算法层的融合有利于处理组合数据，例如图上的最短路径。近期与数据驱动规划相关的工作旨在学习代价函数或启发式函数之一，而非两者兼学。我们提出 Neural Weighted A*，一种可微的随时规划器，能够生成作为图代价与启发式函数的平面地图的改进表示。得益于集成在架构中的可微 A* 求解器，训练以端到端方式在原始图像上进行，并对规划实例进行直接监督。更重要的是，用户可在运行时以单一实值参数权衡规划精度与效率。解的次优性被约束在一个线性界内，等于最优路径代价乘以该权衡参数。我们通过将 Neural Weighted A* 与若干基线在引入的新型基于瓦片的导航数据集上测试，实验性地验证了我们的主张。我们在规划精度与效率上均优于类似架构。
引用
@article{arxiv.2105.01480,
title = {Neural Weighted A*: Learning Graph Costs and Heuristics with Differentiable Anytime A*},
author = {Alberto Archetti and Marco Cannici and Matteo Matteucci},
journal= {arXiv preprint arXiv:2105.01480},
year = {2022}
}