Ученые МФТИ представили уникальный алгоритм POLAMP, который планирует оптимальный путь беспилотника от начальной точки к конечной с учётом препятствий 🚁
📊 Коэффициент успешности модели составил 92%.
Традиционно для генерации маршрута пути используются два подхода: глобальное и локальное планирования. Первый основывается на построении карты окружающей среды посредством множества опорных точек в изменяемом пространстве движения. Второй — на сборе информации о ограничителях и помехах на небольших участках движения.
Ученые МФТИ совместно с коллегами из AIRI использовали комбинацию двух методов, опираясь на технологию обучения с подкреплением. Они использовали идею о том, что локальный планировщик может генерировать траекторию между двумя близкими состояниями, но плохо подходит для точного построения длинной траектории.
Алгоритм POLAMP строит путь из начальной точки в конечную за один шаг планирования, а для предотвращения столкновения с движущимися препятствиями использует обучаемую локальную стратегию.
💬 Для обучения агента был предложен набор конфигураций симуляционной среды в трех типах пространств: пустом, со статическими препятствиями и с динамическими препятствиями. Проведенный эксперимент показал, что трехэтапное расписание обучения демонстрирует лучшие показатели, что особенно важно, когда, например, время обучения ограничено. Для валидации результатов обучения применялся отдельный набор проверочных карт. Они были заполнены различным количеством динамических препятствий (от 0 до 70), для каждого из которых было сгенерировано пять различных траекторий, — рассказал автор исследования директор Центра когнитивного моделирования МФТИ, ведущий научный сотрудник AIRI Александр Панов.
Следующим этапом развития алгоритма POLAMP станет постановка задачи нескольким беспилотным аппаратам, находящимся в одном пространстве. Тогда планирование траектории движения каждого из них будет происходить не только благодаря собственной генерации пути, но и за счет коммуникации между агентами.
📊 Коэффициент успешности модели составил 92%.
Традиционно для генерации маршрута пути используются два подхода: глобальное и локальное планирования. Первый основывается на построении карты окружающей среды посредством множества опорных точек в изменяемом пространстве движения. Второй — на сборе информации о ограничителях и помехах на небольших участках движения.
Ученые МФТИ совместно с коллегами из AIRI использовали комбинацию двух методов, опираясь на технологию обучения с подкреплением. Они использовали идею о том, что локальный планировщик может генерировать траекторию между двумя близкими состояниями, но плохо подходит для точного построения длинной траектории.
Алгоритм POLAMP строит путь из начальной точки в конечную за один шаг планирования, а для предотвращения столкновения с движущимися препятствиями использует обучаемую локальную стратегию.
💬 Для обучения агента был предложен набор конфигураций симуляционной среды в трех типах пространств: пустом, со статическими препятствиями и с динамическими препятствиями. Проведенный эксперимент показал, что трехэтапное расписание обучения демонстрирует лучшие показатели, что особенно важно, когда, например, время обучения ограничено. Для валидации результатов обучения применялся отдельный набор проверочных карт. Они были заполнены различным количеством динамических препятствий (от 0 до 70), для каждого из которых было сгенерировано пять различных траекторий, — рассказал автор исследования директор Центра когнитивного моделирования МФТИ, ведущий научный сотрудник AIRI Александр Панов.
Следующим этапом развития алгоритма POLAMP станет постановка задачи нескольким беспилотным аппаратам, находящимся в одном пространстве. Тогда планирование траектории движения каждого из них будет происходить не только благодаря собственной генерации пути, но и за счет коммуникации между агентами.
Источник: https://vk.com/wall-932_47812
Пост №47116, опубликован 15 дек 2023
