基于图卷积网络与优化树搜索的约束路径规划问题最优求解
人工智能
2022-04-05 v4 机器学习
机器人学
摘要
基于深度学习的方法在规划任务中日益重要。本文中，我们提出一种混合规划器，结合图机器学习模型与基于分支定界树搜索的最优求解器，用于路径规划任务。更具体地，图神经网络用于协助分支定界算法处理与期望解路径相关的约束。存在多个下游实际应用，例如自主无人地面车辆（AUGV），通常部署于救灾或搜救行动中。在非道路环境中，AUGV 必须在各种操作约束下动态优化源-目的地路径，其中若干约束难以提前预测而需在线处理。我们在真实场景中进行实验，表明图神经网络的支持可实现显著加速并更平滑地扩展至更难的路径规划问题。此外，图神经网络提供的信息使该方法优于针对特定问题的手工启发式，凸显了图神经网络在路径规划任务中的潜力。
引用
@article{arxiv.2108.01036,
title = {Optimal Solving of Constrained Path-Planning Problems with Graph Convolutional Networks and Optimized Tree Search},
author = {Kevin Osanlou and Andrei Bursuc and Christophe Guettier and Tristan Cazenave and Eric Jacopin},
journal= {arXiv preprint arXiv:2108.01036},
year = {2022}
}
备注
Published as a conference paper at IROS 2019