ترجمه فارسی مقاله نسل سریع مسیرهای فضایی باور برای حداقل ناوبری حسگر

چکیده

We revisit the problem of motion planning in the Gaussian belief space. Motivated by the fact that most existing sampling-based planners suffer from high computational costs due to the high-dimensional nature of the problem, we propose an approach that leverages a deep learning model to predict optimal path candidates directly from the problem description. Our proposed approach consists of three steps. First, we prepare a training dataset comprising a large number of input-output pairs: the input image encodes the problem to be solved (e.g., start states, goal states, and obstacle locations), whereas the output image encodes the solution (i.e., the ground truth of the shortest path). Any existing planner can be used to generate this training dataset. Next, we leverage the U-Net architecture to learn the dependencies between the input and output data. Finally, a trained U-Net model is applied to a new problem encoded as an input image. From the U-Net’s output image, which is interpreted as a distribution of paths,an optimal path candidate is reconstructed. The proposed method significantly reduces computation time compared to the sampling-based baseline algorithm.

چکیده به فارسی (ترجمه ماشینی)

ما مسئله برنامه ریزی حرکت را در فضای اعتقاد گاوسی دوباره مرور می کنیم.با توجه به این واقعیت که بیشتر برنامه ریزان مبتنی بر نمونه گیری موجود به دلیل ماهیت بالا با ابعاد بالای مشکل از هزینه های محاسباتی بالا رنج می برند ، ما رویکردی را پیشنهاد می کنیم که از یک مدل یادگیری عمیق استفاده می کند تا نامزدهای بهینه را مستقیماً از توضیحات مشکل پیش بینی کند.رویکرد پیشنهادی ما شامل سه مرحله است.اول ، ما یک مجموعه داده آموزشی را تهیه می کنیم که شامل تعداد زیادی از جفت های ورودی و خروجی است: تصویر ورودی مشکل را برای حل (به عنوان مثال ، حالت های شروع ، حالت های هدف و مکان های مانع) رمزگذاری می کند ، در حالی که تصویر خروجی راه حل را رمزگذاری می کند (یعنی ،.حقیقت زمین کوتاهترین مسیر).از هر برنامه ریز موجود می توان برای تولید این مجموعه داده آموزشی استفاده کرد.در مرحله بعد ، ما از معماری U-Net استفاده می کنیم تا وابستگی های بین داده های ورودی و خروجی را بیاموزیم.سرانجام ، یک مدل u-net آموزش دیده برای یک مشکل جدید که به عنوان یک تصویر ورودی رمزگذاری شده است ، اعمال می شود.از تصویر خروجی U-NET ، که به عنوان توزیع مسیرها تعبیر می شود ، یک نامزد بهینه مسیر بازسازی می شود.روش پیشنهادی به طور قابل توجهی زمان محاسبه را در مقایسه با الگوریتم پایه مبتنی بر نمونه گیری کاهش می دهد.