.png){kind=icon}
返回
DualGF: Example-Driven Path Planning via Dual Gradient Fields
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04555-3_23.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
路径规划是智能体的一项关键功能，其应用范围从导航到物体追踪与重排。现有方法主要关注具有明确目标和约束说明的任务，限制了其在难以定义此类说明场景下的适用性。本研究引入一种新的数据驱动范式，称为示例驱动规划，允许用户分别通过目标示例集和支持示例集来指定目标和约束。将此任务表述为约束优化问题，我们提出一个基于学习的框架，即DualGF，以解决该任务。具体而言，DualGF使用两个梯度场来建模规划过程：目标梯度场吸引智能体朝向目标示例，支持梯度场则排斥智能体远离支持示例。这两个场均由图神经网络参数化，并基于提供的示例通过去噪分数匹配目标进行训练。为平衡这两个场，我们引入一个梯度混合器，在执行过程中动态调整混合率。在四个任务（导航、追踪、粒子重排和房间重排）上的实验证明了我们方法的可扩展性、通用性和有效性。
Keyword:
Generative Model
Object Rearrangement Planning
Graph Neural Network
期刊
A
IF:
0
论文数:
30
被引数:
0
机构
引用论文
A review: On path planning strategies for navigation of mobile robot移动机器人导航路径规划策略研究综述.png)
DEFENCE TECHNOLOGY
OAAI
DEFENCE TECHNOLOGYIF5.9
OAAI分享收藏分享收藏
查看更多内容