基于集成学习的非参数船舶操纵运动概率预测

Kouki Wakita; Youhei Akimoto; Atsuo Maki

基于集成学习的非参数船舶操纵运动概率预测

系统与控制 2024-12-03 v1 机器人学系统与控制

作者: Kouki Wakita , Youhei Akimoto , Atsuo Maki

摘要

高自由度机械臂在共享、受限和狭窄空间中的多机器人运动规划是一个复杂问题，对于建筑、手术等许多场景至关重要。传统的耦合方法直接在复合配置空间中规划，可扩展性差；而解耦方法则为每个机器人单独规划，但缺乏完备性。从单个机器人获取路径的混合方法需要枚举许多路径才能找到有效的复合解。本文提出了“调度以避免碰撞”(StAC)，这是一种混合方法，通过调度（沿所有路径添加停止和协调运动）更有效地组合来自单个机器人的路径，并通过在调度器和运动规划器之间使用双向反馈进行信息采样，生成可能可行的路径。在机械臂案例的挑战性问题中，StAC 使用的低层规划器路径数量比最先进的混合基线少 10 到 100 倍。

关键词

probabilistic prediction maneuvering motion ensemble learning non-parametric system identification feedforward neural networks epistemic uncertainty ship maneuvering

引用

@article{arxiv.2412.00363,
  title  = {Probabilistic Prediction of Ship Maneuvering Motion using Ensemble Learning with Feedforward Neural Networks},
  author = {Kouki Wakita and Youhei Akimoto and Atsuo Maki},
  journal= {arXiv preprint arXiv:2412.00363},
  year   = {2024}
}

备注

20 pages, 15 figures. This paper is a preprint that was submitted to the Journal of Marine Science and Technology

基于集成学习的非参数船舶操纵运动概率预测

摘要

关键词

引用

备注

相关论文