Специалисты разработали состязательные сети для планирования оптимального пути роботов

Источник фото: ololo.tv

Планирование пути играет важную роль в автономных роботизированных системах. Эффективное понимание окружающей среды и создание оптимального пути без столкновений являются важными частями для решения проблемы планирования пути.

Хотя обычные алгоритмы на основе выборки, такие как быстро исследуемое случайное дерево (RRT) и его улучшенная оптимальная версия (RRT*), широко использовались в задачах планирования пути из-за их способности находить возможный путь даже в сложных средах, они не могут эффективно найти оптимальный путь.

Чтобы решить эту проблему и удовлетворить два вышеупомянутых требования, ученые предложили новый алгоритм планирования пути, основанный на обучении, который состоит из новой генеративной модели. Она основана на условных генеративных состязательных сетях (CGAN) и модифицированном алгоритме RRT*.

Учитывая информацию о карте, модель CGAN может генерировать эффективное распределение вероятностей возможных путей, которое может быть использовано алгоритмом CGAN-RRT* для поиска оптимального пути с неоднородной стратегией выборки.

Модель CGAN обучается путем исследования наземных истинных карт, каждая из которых генерируется путем помещения всех результатов выполнения алгоритма RRT 50 раз на одну необработанную карту.