Improving Human Decision-Making by Discovering Efficient Strategies for Hierarchical Planning
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
为了在现实世界中做出好的决策,人们需要有效的规划策略,因为他们的计算资源是有限的。了解哪些规划策略最适合不同情况下的人,对于理解和改进人类决策非常有用。但我们计算这些策略的能力过去仅限于非常小和非常简单的规划任务。为了克服这一计算瓶颈,我们引入了一种认知启发的强化学习方法,可以通过利用人类行为的层次结构来克服这一限制。其基本思想是将顺序决策问题分解为两个子问题:设定目标和规划如何实现目标。这种层次分解使我们能够在比以前可能的更大和更复杂的任务中发现人类规划的最佳策略。所发现的策略优于现有的规划算法,并实现了超人水平的计算效率。我们证明,教人们使用这些策略显着提高了他们的表现,在顺序决策任务,需要规划多达八个步骤。相比之下,以前的方法都不能提高人类在这些问题上的表现。这些研究结果表明,我们的认知知情的方法使得有可能利用强化学习,以改善人类在复杂的顺序决策问题的决策。未来的工作可以利用我们的方法来开发决策支持系统,改善人类在现实世界中的决策。
2021-01-31 cs.AI
Integrating Planning and Execution in Stochastic Domains
University of British Columbia(不列颠哥伦比亚大学)
我们调查规划在时间关键域表示为马尔可夫决策过程,搜索为基础的技术可以是一个非常强大的方法,找到接近最优的计划。为了降低这些领域规划的计算成本,我们在构建计划时执行操作,并通过搜索到固定深度并使用启发式函数来估计状态值来牺牲最优性。虽然本文集中在搜索算法,我们也讨论了构造适合这种方法的启发式函数的方法。我们的研究结果表明,通过交错搜索和执行,可以找到接近最优的政策,而不需要其他方法的计算要求。
2013-02-27 cs.AI
Contingency Planning Using Bi-level Markov Decision Processes for Space Missions
Stanford University(斯坦福大学);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
本文提出双层 MDP 框架,用于解决行星巡视器任务中因动作空间大和时间范围长导致的计算难题,并在 RoverGridWorld 上验证了其计算可处理性与近最优策略。
2024-02-26 cs.AI cs.RO
Planning by Prioritized Sweeping with Small Backups
University of Alberta(阿尔伯塔大学)
有效的规划在基于模型的强化学习中起着至关重要的作用。传统上,主要的规划操作是基于继承状态的当前估计的完全备份。因此,其计算时间与后继状态的数量成比例。在本文中,我们介绍了一种新的规划备份,只使用当前值的一个单一的后继状态,并有一个独立的后继状态的数量的计算时间。这种新的备份,我们称之为小备份,为一类新的基于基于模型的强化学习方法打开了大门,这些方法对规划过程的控制比传统方法要精细得多。我们的经验表明,这种增加的灵活性,允许更有效的规划,通过显示,优先级扫描的基础上小备份实现了显着的性能改进,经典的实现。
2013-01-10 cs.AI cs.LG
Attention-Based Planning with Active Perception
Worcester Polytechnic Institute(伍斯特理工学院)
注意控制是人类选择与当前任务相关的信息的一种关键认知能力。本文提出了一个注意力的计算模型,并给出了马尔可夫决策过程中基于注意力的概率规划算法。在基于注意力的规划中,机器人决定处于不同的注意力模式。注意模式对应于由机器人监测的状态变量的子集。通过在不同的注意力模式之间切换,机器人主动感知与任务相关的信息,以降低信息获取和处理的成本,同时实现接近最佳的任务性能。虽然基于注意力的主动感知的规划不可避免地引入部分观测,但部分观测的MDP公式使得问题的求解计算成本很高。相反,我们提出的方法采用了一个层次规划框架,其中机器人确定要注意什么,以及在转移到其他信息源之前应该持续多长时间的注意力。在注意力维持阶段,机器人执行子策略,从给定当前注意力的原始MDP的抽象计算。我们使用一个例子,机器人的任务是捕捉一组入侵者在一个随机的gridworld。实验结果表明,该方法能够在随机环境中实现信息和计算效率高的优化规划。
2020-11-30 cs.AI cs.RO
MAGIC: Learning Macro-Actions for Online POMDP Planning
National University of Singapore(新加坡国立大学)
部分可观测马尔可夫决策过程(POMDP)是机器人在不确定性条件下进行决策的基本框架,但当需要进行长期规划时,POMDP规划具有较高的计算复杂性。虽然时间扩展的宏动作有助于减少有效的规划视野和显着提高计算效率,我们如何获得良好的宏动作?本文提出了Macro-Action Generator-Critic(MAGIC),它对针对在线POMDP规划优化的宏动作进行离线学习。具体来说,MAGIC端到端地学习宏动作生成器,使用在线计划器的性能作为反馈。在在线规划过程中,生成器根据机器人的信念和环境上下文生成动态的情境感知宏动作。我们评估了MAGIC在模拟和真实机器人上的几个长期规划任务。实验结果表明,与原始动作和手工宏动作相比,学习的宏动作在在线规划性能方面具有显着优势。
2021-07-01 cs.AI cs.LG cs.RO
Computing Programs for Generalized Planning as Heuristic Search
Universitat Pompeu Fabra(庞培法布拉大学)
虽然启发式搜索是经典规划中最成功的方法之一,但这种规划范式并不直接适用于广义规划(GP)。本文将规划作为启发式搜索的一种范式,应用于规划问题的特殊性,提出了第一种求解规划问题的原生启发式搜索方法。首先,本文定义了一个基于程序的解决方案空间GP是独立的规划实例的数量在GP问题,这些实例的大小。其次,本文定义了BFGP算法的GP,实现了最佳优先搜索在我们的程序为基础的解决方案空间,并指导不同的评价和启发式功能。
2022-05-12 cs.AI
CAMPs: Learning Context-Specific Abstractions for Efficient Planning in Factored MDPs
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室);KAIST Graduate School of AI(韩国科学技术院人工智能学院)
元规划,或从经验中学习指导规划,是一种有前途的方法,以提高规划的计算成本。一般的元规划策略是学习对代理所考虑的状态和所采取的行动施加约束。我们观察到,(1)施加约束可以诱导特定于上下文的独立性,使域的某些方面不相关,(2)代理可以通过对自己的行为施加约束来利用这一事实。这些观察使我们提出了上下文特定的抽象马尔可夫决策过程(CAMP),一个抽象的因素MDP,提供有效的规划。然后,我们描述了如何学习约束,使CAMP优化奖励和计算成本之间的权衡。我们的实验考虑了四个领域的五个规划者,包括机器人在可移动障碍物之间的导航(NAMO),机器人任务和顺序操作的运动规划,以及经典规划。我们发现,使用学习过的CAMP进行规划,可以始终优于基线,包括Stilman的NAMO特定算法。视频:https://youtu.be/wTXt6djcAd4代码:https://git.io/JTnf6
2020-11-08 cs.AI cs.LG cs.RO
On Computing Plans with Uniform Action Costs
Universidad Carlos III de Madrid(卡洛斯三世大学)
本文针对现实规划中动作成本均匀性的需求,将三种均匀性度量引入自动规划,提出基于规划的编译方法以字典序优化成本总和与均匀性,实验验证了该方法能有效生成均匀计划。
2024-05-24 cs.AI
Computing the Scope of Applicability for Acquired Task Knowledge in Experience-Based Planning Domains
The University of Aveiro(阿威罗大学);The University of Texas at Austin(得克萨斯大学奥斯汀分校)
基于经验的规划域已经被提出来通过从经验中学习来改进问题解决。他们依赖于获取和使用任务知识,即,活动模式,用于为一类任务中的问题实例生成解决方案。使用三值逻辑分析(TVLA),我们扩展以前的工作,产生一组条件,确定活动模式的适用范围。推断的范围是一组潜在无限大小的问题的有界表示,以3值逻辑结构的形式,用于自动找到解决任务问题的适用活动模式。我们验证这项工作在两个经典的规划域。
2019-03-13 cs.AI
Computing Plan-Length Bounds Using Lengths of Longest Paths
我们设计了一种方法来精确地计算最长的简单路径的长度因子化的状态空间,像在经典规划中遇到的状态空间。虽然这个问题的复杂性是NEXP困难的,我们表明,我们的方法可以用来计算实际上有用的上限计划的长度。我们表明,计算的上限是显着的(在许多情况下,数量级)优于以前的边界技术产生的界限,它们可以用来提高SAT为基础的规划。
2021-03-01 cs.AI
Learning Features and Abstract Actions for Computing Generalized Plans
University of Basel(巴塞尔大学);ICREA(加泰罗尼亚研究与高等教育学院);Universitat Pompeu Fabra(庞培法布拉大学)
广义规划涉及的是解决规划域的多个实例而不是一个实例的计划的计算。最近,它已被证明,广义计划可以表示为映射的功能值到行动,他们往往可以计算与完全可观察的非确定性(FOND)规划。然而,这些计划中的动作不是实例本身中的动作,这些动作不一定与其他实例通用,而是在一组通用特征上定义的抽象动作。该公式假设特征和抽象动作已经给出。在这项工作中,我们通过展示如何自动学习它们来解决这个限制。由此产生的帐户广义规划结合学习和规划的一种新的方式:一个学习者,最大SAT制定的基础上,产生的功能和抽象的行动,从采样状态转换,和FOND规划器使用这些信息,适当的转换,以产生一般的计划。给出了正确性保证和几个领域的实验结果报告。
2018-11-17 cs.AI
Exact and Bounded Collision Probability for Motion Planning under Gaussian Uncertainty
University of Genoa(热那亚大学)
计算无碰撞轨迹对于安全航行至关重要。我们提出了一种方法来计算碰撞概率高斯分布的运动和传感器的不确定性与机器人和静态障碍物的形状近似为椭球。碰撞条件被制定为椭球体之间的距离,与以前的方法不同,我们提供了一种方法来计算准确的碰撞概率。此外,我们提供了一个严格的上限,可以更快地计算在线规划。还提供了与其他最先进的方法的比较。在不同的配置和障碍物的数量下,所提出的方法进行了评估模拟。
2021-10-12 cs.AI cs.RO
PDDL 2.1: Representation vs. Computation
ICREA(加泰罗尼亚研究与高级研究所);Universitat Pompeu Fabra(庞培法布拉大学)
我对PDDL 2.1语言及其在规划竞赛中的使用进行了评论,重点是为适应时间和并发性所做的选择。我还讨论了一些方法论的问题,有更多的表达规划语言和语义和计算之间的规划研究所需的平衡。
2011-10-12 cs.AI
Approximate Computing for Robotic path planning -- Experimentation, Case Study and Practical Implications
Robotics and Autonomous Systems Research Group(机器人与自主系统研究组);Cognitive Robotics & Vision(认知机器人与视觉);TCS Research(TCS研究院)
近似计算是一个计算领域,它可以用来权衡时间和能量与质量,因此是有用的嵌入式系统。能源是电池驱动的嵌入式系统(如机器人)的主要资源。近似计算可以用作生成机器人控制功能的近似版本的技术,使其能够以降低质量为代价定量计算能量。通常,函数的程序员会指定对系统整体安全来说是安全的降级程度。然而,在协作环境中,其中几个子系统共存,并且其中每个子系统的一些功能已经被近似,整个系统的安全性可能会受到损害。本文考虑多个相同机器人在一个仓库中作业,并对机器人的路径规划函数进行了近似。虽然规划的路径是安全的,为个人的机器人(即他们不碰撞的机架),我们表明,这导致机器人之间的碰撞。因此,在这种情况下,需要进行一种受控的近似,以充分利用这种新范式的力量,如果它需要成为未来的主流范式的话。
2021-08-27 cs.AI cs.ET cs.RO
Answer Set Planning Under Action Costs
TU Wien(维也纳工业大学);University of Calabria(卡拉布里亚大学)
最近,规划的基础上回答集编程已被提出作为一种实现声明式规划系统的方法。在本文中,我们提出了语言Kc,它扩展了声明式规划语言K的行动成本。Kc提供了容许和最优计划的概念,这些计划的总行动成本在给定的限制内。所有计划中的最小值(即,最便宜的计划)。正如我们所展示的,这种新颖的语言允许以声明的方式表达一些重要的规划任务。此外,它可以用于表示规划问题下的其他最优性标准,如计算“最短”的计划(步骤数最少),和细化组合的最便宜和最快的计划。我们研究的语言KC的复杂性方面,并提供了一个转换到逻辑程序,这样的规划问题,通过答案集编程解决。此外,我们报告选定的问题的实验结果。我们的经验是令人鼓舞的,答案集规划可能是一个有价值的方法,表达规划系统中,复杂的规划问题可以自然地指定和解决。
2011-06-26 cs.AI
Towards Efficient Anytime Computation and Execution of Decoupled Robustness Envelopes for Temporal Plans
University of Strathclyde(思克莱德大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);King’s College London(伦敦国王学院)
基于模型的规划和调度在实际应用中的就业的主要限制之一是昂贵的重新规划时,所观察到的现实和正式模型之间的不一致,在执行过程中遇到的需要。鲁棒性包络表征了一组可能的突发事件,计划能够在不重新规划的情况下解决这些突发事件,但它们的精确计算是非常昂贵的;此外,一般的鲁棒性包络不适合有效执行。在本文中,我们提出了一种新的,随时算法来近似鲁棒性包络,使他们的可扩展性和可执行性。这是证明了一个实验分析表明该算法的效率,并通过一个具体的案例研究,其中执行的鲁棒性信封显着减少了重新规划的数量。
2019-11-17 cs.AI
Automatically Planning Optimal Parallel Strategy for Large Language Models
HUAWEI(华为)
本文提出一种基于模型与硬件信息自动规划大语言模型最优并行策略的算法,通过训练时长仿真模型和解空间剪枝实现实时搜索,实验表明其估计准确率达96%且推荐策略始终全局最优。
2024-12-31 cs.AI cs.CL
Case Studies for Computing Density of Reachable States for Safe Autonomous Motion Planning
Massachusetts Institute of Technology(麻省理工学院);Ford Motor Company(福特汽车公司)
可达状态的密度可以帮助理解安全关键系统的风险,特别是在最坏情况可达性过于保守的情况下。最近的工作提供了一个数据驱动的方法来计算自治系统的前向可达状态的密度分布在线。在本文中,我们研究使用这种方法结合模型预测控制可验证的安全路径规划的不确定性。我们首先使用学习到的密度分布来在线计算碰撞风险。如果这种风险超过可接受的阈值,我们的方法将围绕先前的轨迹规划一条新的路径,碰撞风险低于阈值。我们的方法非常适合处理具有不确定性和复杂动态的系统,因为我们的数据驱动方法不需要系统动态的解析形式,并且可以估计具有任意初始不确定性分布的前向状态密度。我们设计了两个具有挑战性的场景(自动驾驶和气垫船控制)的安全运动规划的环境下,系统的不确定性障碍。我们首先表明,我们的密度估计方法可以达到类似的精度,基于蒙特卡罗的方法,而只使用0.01X的训练样本。通过利用估计的风险,我们的算法在执行高于0.99的安全率时达到了最高的成功率。
2022-09-16 cs.AI cs.RO cs.SY
Herding the Crowd: Automated Planning for Crowdsourced Planning
Arizona State University(亚利桑那州立大学)
人们对众包和人工计算产生了极大的兴趣。人类计算应用的一个子类是针对涉及规划(例如旅行规划)和调度(例如会议调度)的任务的那些。这些工作大部分都出现在传统的自动规划论坛之外,而且在一开始,人们并不清楚自动规划是否在这些人类计算系统中发挥了很大的作用。然而,有趣的是,对这些系统的研究表明,即使是对人类规划者进行自动监督的原始形式,也有助于显着提高人类/人群的有效性。在本文中,我们将认为,在这些系统中使用的自动化监督可以被视为一个原始的自动化规划,并有几个更复杂的自动化规划的机会,有效地引导众包规划。然而,当前规划技术的直接适应受到人类工作者和自动规划器之间的能力不匹配的阻碍。我们确定了两个重要的挑战,需要克服这种适应规划技术可以发生之前:(i)解释人类工作者(和请求者)的输入和(ii)指导或批评的计划正在由人类工作者武装只有不完整的域和偏好模型。在本文中,我们讨论了处理这些挑战的方法,并根据他们在处理这些挑战时所做的具体选择来描述现有的人类计算系统。
2013-07-29 cs.AI cs.HC
Inference-Time Computations for LLM Reasoning and Planning: A Benchmark and Insights
Texas A&M University(得克萨斯农工大学)
本文构建 Sys2Bench,在五大类十一项任务上评估多种 LLM 推理时技术,揭示单纯增加推理时计算并不能稳定提升各类推理与规划性能。
2025-02-18 cs.AI cs.LG
Planning in the Backbone: DiffAdapterVLA for Native Continuous Trajectory Generation with Driving VLMs
Wuhan University(武汉大学);Dongfeng Research & Development Institute(东风汽车研发总院)
DiffAdapterVLA通过将轨迹令牌注入VLM骨干后期层,实现与驾驶条件共同演化的连续轨迹规划,仅用轻量模块即达高效闭环规划。
2026-09-23 cs.AI cs.RO
How Much Planning Is Enough? Reducing Search and Computation in World-Model Planning
Beihang University(北京航空航天大学);Nanyang Technological University(南洋理工大学);Chengdu University of Technology(成都理工大学)
本文提出SufficientPlan框架,通过配对顺序预算认证和静态上下文重用,在不修改预训练模型的情况下减少世界模型规划中的搜索预算与延迟,同时保持竞争性控制性能。
2026-10-07 cs.AI cs.RO
Fast Planning in Stochastic Games
AT&T Labs(AT&T实验室);Tel Aviv University(特拉维夫大学)
随机游戏将马尔可夫决策过程(MDP)推广到多智能体环境,允许状态转换共同依赖于所有玩家的行为,并在每个状态下由多人矩阵游戏确定奖励。我们考虑在随机博弈中计算纳什均衡的问题,类似于MDP中的规划。首先,我们提供了一个推广的有限时域值迭代计算的纳什策略,为每个球员在generalsum随机游戏。该算法采用任意的纳什选择函数作为输入,它允许将多个纳什均衡之间的局部选择转化为单个全局纳什均衡的选择。我们的主要技术成果是一个算法计算近纳什均衡在大型或无限的状态空间。该算法建立在我们的有限时域值迭代算法的基础上,并将Kearns,Mansour和Ng(1999)的稀疏采样方法应用于随机博弈。最后给出了一个反例,证明了在零和情形下Shapely收敛的无穷时域折现值迭代(本文的结果作了一点推广)在一般和情形下不收敛.
2013-01-16 cs.AI cs.GT
Planning with Dynamically Estimated Action Costs
Bar-Ilan University(巴伊兰大学)
针对带动作代价的AI规划中黑盒代价估计器计算成本高、结果不确定的问题,提出可在多估计器间选择的泛化确定性规划框架,设计泛化$A^*$搜索算法,在保证规划精度边界的同时大幅降低运行时间。
2023-07-19 cs.AI cs.DM
Information-Theoretic Abstractions for Planning in Agents with Computational Constraints
Georgia Institute of Technology(佐治亚理工学院);University of North Carolina, Charlotte(北卡罗来纳大学夏洛特分校)
在本文中,我们开发了一个框架,路径规划的抽象,不提供给代理先验,而是出现作为一个功能的可用计算资源。我们展示了如何在一个环境中的路径规划问题可以系统地近似解决一系列更容易解决的问题上的抽象的原始空间。对问题的性质进行了分析,并给出了一些理论结果和讨论。一个数值例子来显示该方法的实用性和证实的理论研究结果。最后,我们提供了一个讨论,详细介绍了所提出的方法,随时算法和有限理性的连接。
2021-02-23 cs.AI cs.IT cs.RO
Computing Complexity-aware Plans Using Kolmogorov Complexity
KTH Royal Institute of Technology(瑞典皇家理工学院)
在本文中,我们介绍了复杂性感知规划有限时域确定性有限自动机的奖励作为输出,基于柯尔莫哥洛夫复杂性。Kolmogorov复杂性被认为是因为它可以检测确定性最优策略的计算复杂性。我们提出了一个规划目标,产生一个明确的权衡政策的性能和复杂性。它被证明,最大化这个目标是不平凡的意义上说,动态规划是不可行的。我们提出了两个算法获得低复杂度的政策,其中第一个算法获得低复杂度的最佳政策,第二个算法找到一个政策最大化的性能,同时保持本地(阶段)的复杂性约束。我们评估了一个简单的导航任务的移动机器人,我们的算法产生低复杂度的政策,符合直觉的算法。
2021-09-22 cs.AI cs.SY eess.SY
Simultaneous Computation with Multiple Prioritizations in Multi-Agent Motion Planning
RWTH Aachen University(亚琛工业大学);University of the Bundeswehr Munich(慕尼黑联邦国防军大学)
针对多智能体路径规划中优先级规划解质量依赖优先级且现有优先级方法泛化差或计算成本高的问题,提出可同时基于多优先级计算的通用方法,在滚动时域MAMP中接近最优优先级效果,仅小幅增加耗时即优于SOTA方法且具备实时性。
2026-10-09 cs.AI cs.MA cs.RO
What to Do When You Can't Do It All: Temporal Logic Planning with Soft Temporal Logic Constraints
University of South Carolina(南卡罗来纳大学)
在本文中,我们考虑一个时序逻辑规划问题,其目标是找到一个无限的轨迹,满足最优选择从一组软规格表示在线性时序逻辑(LTL),同时满足硬规格表示在LTL。我们以前的工作考虑了一个类似的问题,其中线性动态逻辑有限迹(LDLf),而不是LTL,用于表示软约束。在这项工作中,LDLf被用来对无限轨迹的有限前缀施加约束。通过使用LTL,人们不仅能够对轨迹的有限前缀施加约束,而且还能够在整个无限轨迹上设定“软”目标。我们的算法首先构造一个产品自动机,在其上的规划问题被减少到计算一个最小成本的套索。在所有这样的套索中,期望计算最短的套索。虽然我们证明了计算这样一个最短的套索是计算困难的,我们也引入了一个有效的贪婪的方法来合成短套索。我们提出了两个案例研究,描述了这种方法的实施,并报告我们的实验结果比较我们的贪心算法与最佳基线。
2020-08-05 cs.AI cs.LO cs.RO
On the Complexity of Case-Based Planning
我们分析了计算复杂性的问题,基于案例的规划:规划时,一个类似的实例的计划是已知的,规划从一个图书馆的计划。我们证明,从一个单一的情况下规划具有相同的复杂性比生成规划(即,规划“从无到有”);使用扩展的案例定义,如果存储在案例中的域与要搜索计划的域相似,则降低复杂性。从图书馆的情况下,规划显示具有相同的复杂性。在这两种情况下,规划的复杂性仍然是,在最坏的情况下,PSPACE完成。
2004-07-15 cs.AI cs.CC
Multi-Agent Motion Planning using Deep Learning for Space Applications
NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
最先进的运动规划器无法扩展到大量系统。多智能体的运动规划是一个NP(non-deterministic polynomial-time)困难问题,计算时间随着智能体数量的增加而呈指数增长。这种计算需求是一个主要的绊脚石,运动规划的应用程序,未来的NASA任务,涉及成群的太空飞行器。我们应用深度神经网络将计算要求高的数学运动规划问题转换为基于深度学习的数值问题。我们发现,在具有多个代理的几个2D和3D系统中,可以使用基于深度学习的数值模型准确地复制最佳运动轨迹。基于深度学习的数值模型显示出卓越的计算效率,生成的计划比数学模型快1000倍。
2020-10-15 cs.AI cs.LG cs.RO
Internal Planning in Language Models: Characterizing Horizon and Branch Awareness
Department of Electrical and Computer Engineering(电气与计算机工程系);Carnegie Mellon University(卡内基梅隆大学)
研究通过分析语言模型内部计算结构,揭示规划视野与分支意识的特性,为理解模型内部动态提供通用工具。
2026-02-15 cs.AI cs.CL cs.LG
Efficient Belief Space Planning in High-Dimensional State Spaces using PIVOT: Predictive Incremental Variable Ordering Tactic
Autonomous Systems Program, Technion –- Israel Institute of Technology. 2 Department of Aerospace Engineering, Technion –- Israel Institute of Technology
在这项工作中,我们研究的问题,在线决策下的不确定性,我们制定规划的信念空间。保持信念(即,分布)在高维状态(例如,整个轨迹)不仅显着提高了精度,而且还允许规划与信息理论的目标,所需的主动SLAM和信息收集的任务。然而,在这种“平滑”范例下的规划具有高的计算复杂性,这使得在线解决方案具有挑战性。因此,我们提出以下想法:在规划之前,对初始信念执行独立的状态变量重新排序过程,并“向前推进”所有预测的循环关闭变量。由于初始变量顺序决定了哪些子集会受到传入更新的影响,因此这种重新排序允许我们最小化受影响变量的总数,并降低规划期间候选评估的计算复杂性。我们称这种方法为PIVOT:预测增量变量排序策略。应用这种策略还可以提高状态推理效率;如果我们在规划会话之后保持PIVOT顺序,那么我们应该类似地减少循环关闭的成本,当它们实际发生时。为了证明其有效性,我们将PIVOT应用于一个真实的主动SLAM仿真,在那里我们成功地显着减少了规划和推理会话的计算时间。该方法适用于一般分布,并且不会导致精度损失。
2021-12-29 cs.AI cs.RO
Graph Coloring to Reduce Computation Time in Prioritized Planning
Chair of Embedded Software, RWTH Aachen University(亚琛工业大学嵌入式软件主席席位);Department of Aerospace Engineering, University of the Bundeswehr Munich(慕尼黑联邦国防军大学航空航天工程系)
本文提出一种基于图着色的去中心化优先级排序方法,通过缩短耦合DAG中的最长路径,减少多智能体路径规划(MAPF)中优先级规划(PP)的计算时间,并在CAV运动规划中验证了有效性。
2025-01-18 cs.AI cs.MA cs.RO
Planning in 8 Tokens: A Compact Discrete Tokenizer for Latent World Model
KAIST(韩国科学技术院);POSTECH(POSTECH大学);RLWRLD
本文提出CompACT,一种将观测压缩为8个标记的离散标记器,显著降低计算成本并提升规划效率,为潜在世界模型的实际应用提供可行方案。
2026-03-05 cs.AI cs.CV cs.RO
A message-passing algorithm for multi-agent trajectory planning
本文提出基于改进交替方向乘子法的新型算法,用于计算多智能体的无碰撞全局轨迹,具有自然并行化和易整合不同成本函数的优点。
2013-11-18 cs.AI cs.DC cs.MA