S&Reg：面向多目标路径规划问题的端到端学习模型
机器人学
2023-08-09 v1
摘要
本文提出一种新颖的端到端方法，用于解决障碍环境中的多目标路径规划问题。我们提出的模型称为 S&Reg，它将多任务学习网络与 TSP 求解器和路径规划器相集成，以快速计算访问所有目标的闭合可行路径。具体而言，模型首先作为分割任务预测可能包含连接两目标最优路径的 promising regions（有希望区域）。同时，神经网络作为回归任务估计目标间两两距离，其结果构造出供 TSP 求解器使用的对称权重矩阵。借助 TSP 结果，路径规划器在有希望区域引导下高效探索可行路径。我们通过仿真对 S&Reg 模型进行了广泛评估，并将其与其他基于采样的算法比较。结果表明，我们所提模型在计算时间与解代价方面均取得更优性能，使其成为障碍环境中多目标路径规划的有效方案。该方法有潜力扩展至其他基于采样的多目标路径规划算法。
引用
@article{arxiv.2308.04160,
title = {S&Reg: End-to-End Learning-Based Model for Multi-Goal Path Planning Problem},
author = {Yuan Huang and Kairui Gu and Hee-hyol Lee},
journal= {arXiv preprint arXiv:2308.04160},
year = {2023}
}
备注
7 paegs, 12 figures. Accepted at IEEE International Conference on Robot and Human Interactive Communication (ROMAN), 2023