障碍清除优化目标的可接受惯性 (Admissible heuristics for obstacle clearance optimization objectives) - 专知论文

会员服务 ·

0

优化器 · INFORMS · Performer · 状态空间 · 路径 ·

2021 年 4 月 6 日

Admissible heuristics for obstacle clearance optimization objectives

翻译：障碍清除优化目标的可接受惯性

Marlin P. Strub,Jonathan D. Gammell

from arxiv, 6 pages, 3 figures

Obstacle clearance in state space is an important optimization objective in path planning because it can result in safe paths. This technical report presents admissible solution- and path-cost heuristics for this objective, which can be used to improve the performance of informed path planning algorithms.

翻译：国家空间的清除障碍是路径规划中一个重要的优化目标,因为它可以带来安全的道路。这份技术报告提出了实现这一目标的可接受解决方案和路径成本的超常方法,可用于改进知情路径规划算法的性能。

0

相关内容

优化器

Fariz Darari简明《博弈论Game Theory》介绍，35页ppt

Fariz Darari简明《博弈论Game Theory》介绍，35页ppt

专知会员服务

110+阅读 · 2020年5月15日

【伯克利】机器学习蛋白质工程，Machine learning for protein engineering，83页ppt

【伯克利】机器学习蛋白质工程，Machine learning for protein engineering，83页ppt

专知会员服务

33+阅读 · 2020年5月9日

因果图，Causal Graphs，52页ppt

因果图，Causal Graphs，52页ppt

专知会员服务

246+阅读 · 2020年4月19日

【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf

【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf

专知会员服务

133+阅读 · 2020年4月14日

【哥伦比亚大学】经济AI优化课程，Economics, AI, and Optimization

【哥伦比亚大学】经济AI优化课程，Economics, AI, and Optimization

专知会员服务

52+阅读 · 2020年2月15日

【CVPR 2019 | tutorial】计算机视觉的深度强化学习：Deep Reinforcement Learning for Computer Vision

【CVPR 2019 | tutorial】计算机视觉的深度强化学习：Deep Reinforcement Learning for Computer Vision

专知会员服务

53+阅读 · 2019年11月28日

【ICCV 2019 Workshop】Complete Dictionary Learning via L4-Norm Maximization over the Orthogonal Grou，加州大学伯克利分校马毅

【ICCV 2019 Workshop】Complete Dictionary Learning via L4-Norm Maximization over the Orthogonal Grou，加州大学伯克利分校马毅

专知会员服务

15+阅读 · 2019年10月31日

【新书】Python编程基础，669页pdf

【新书】Python编程基础，669页pdf

专知会员服务

194+阅读 · 2019年10月10日

【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性

【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性

专知会员服务

81+阅读 · 2019年10月9日

【哈佛大学商学院课程Fall 2019】机器学习可解释性

【哈佛大学商学院课程Fall 2019】机器学习可解释性

专知会员服务

103+阅读 · 2019年10月9日

40年来首次| 南京大学冯新宇、梁红瑾团队荣获PLDI 2019杰出论文奖

40年来首次| 南京大学冯新宇、梁红瑾团队荣获PLDI 2019杰出论文奖

南大青年

3+阅读 · 2019年6月30日

计算机 | 入门级EI会议ICVRIS 2019诚邀稿件

计算机 | 入门级EI会议ICVRIS 2019诚邀稿件

Call4Papers

10+阅读 · 2019年6月24日

Hierarchically Structured Meta-learning

Hierarchically Structured Meta-learning

CreateAMind

26+阅读 · 2019年5月22日

19篇ICML2019论文摘录选读！

19篇ICML2019论文摘录选读！

专知

28+阅读 · 2019年4月28日

Unsupervised Learning via Meta-Learning

Unsupervised Learning via Meta-Learning

CreateAMind

42+阅读 · 2019年1月3日

A Technical Overview of AI & ML in 2018 & Trends for 2019

A Technical Overview of AI & ML in 2018 & Trends for 2019

待字闺中

17+阅读 · 2018年12月24日

已删除

将门创投

9+阅读 · 2018年12月19日

carla 学习笔记

carla 学习笔记

CreateAMind

9+阅读 · 2018年2月7日

计算机视觉近一年进展综述

计算机视觉近一年进展综述

机器学习研究会

9+阅读 · 2017年11月25日

【推荐】RNN/LSTM时序预测

【推荐】RNN/LSTM时序预测

机器学习研究会

25+阅读 · 2017年9月8日

Efficient and Modular Implicit Differentiation

Arxiv

0+阅读 · 2021年5月31日

Using Pareto Simulated Annealing to Address Algorithmic Bias in Machine Learning

Using Pareto Simulated Annealing to Address Algorithmic Bias in Machine Learning

Arxiv

0+阅读 · 2021年5月31日

A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models

A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models

Arxiv

0+阅读 · 2021年5月31日

Industry-Relevant Implicit Large-Eddy Simulation of a High-Performance Road Car via Spectral/hp Element Methods

Arxiv

0+阅读 · 2021年5月31日

Incremental Learning of Probabilistic Movement Primitives (ProMPs) for Human-Robot Cooperation

Arxiv

0+阅读 · 2021年5月28日

Lagrangian Data Assimilation and Uncertainty Quantification for Sea Ice Floes with an Efficient Physics-Constrained Superfloe Parameterization

Arxiv

0+阅读 · 2021年5月28日

An Impossibility Theorem for Node Embedding

Arxiv

0+阅读 · 2021年5月27日

Combined parameter and state inference with automatically calibrated ABC

Arxiv

0+阅读 · 2021年5月26日

A finite-element framework for a mimetic finite-difference discretization of Maxwell's equations

Arxiv

0+阅读 · 2021年5月26日

Optimizing Dense Retrieval Model Training with Hard Negatives

Arxiv

5+阅读 · 2021年4月16日

VIP会员

文章信息

相关主题

相关VIP内容

Fariz Darari简明《博弈论Game Theory》介绍，35页ppt

Fariz Darari简明《博弈论Game Theory》介绍，35页ppt

专知会员服务

110+阅读 · 2020年5月15日

【伯克利】机器学习蛋白质工程，Machine learning for protein engineering，83页ppt

【伯克利】机器学习蛋白质工程，Machine learning for protein engineering，83页ppt

专知会员服务

33+阅读 · 2020年5月9日

因果图，Causal Graphs，52页ppt

因果图，Causal Graphs，52页ppt

专知会员服务

246+阅读 · 2020年4月19日

【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf

【UIUC硬核书】统计学习理论，Statistical Learning Theory，213页pdf

专知会员服务

133+阅读 · 2020年4月14日

【哥伦比亚大学】经济AI优化课程，Economics, AI, and Optimization

【哥伦比亚大学】经济AI优化课程，Economics, AI, and Optimization

专知会员服务

52+阅读 · 2020年2月15日

【CVPR 2019 | tutorial】计算机视觉的深度强化学习：Deep Reinforcement Learning for Computer Vision

【CVPR 2019 | tutorial】计算机视觉的深度强化学习：Deep Reinforcement Learning for Computer Vision

专知会员服务

53+阅读 · 2019年11月28日

【ICCV 2019 Workshop】Complete Dictionary Learning via L4-Norm Maximization over the Orthogonal Grou，加州大学伯克利分校马毅

【ICCV 2019 Workshop】Complete Dictionary Learning via L4-Norm Maximization over the Orthogonal Grou，加州大学伯克利分校马毅

专知会员服务

15+阅读 · 2019年10月31日

【新书】Python编程基础，669页pdf

【新书】Python编程基础，669页pdf

专知会员服务

194+阅读 · 2019年10月10日

【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性

【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性

专知会员服务

81+阅读 · 2019年10月9日

【哈佛大学商学院课程Fall 2019】机器学习可解释性

【哈佛大学商学院课程Fall 2019】机器学习可解释性

专知会员服务

103+阅读 · 2019年10月9日

热门VIP内容

相关资讯

40年来首次| 南京大学冯新宇、梁红瑾团队荣获PLDI 2019杰出论文奖

40年来首次| 南京大学冯新宇、梁红瑾团队荣获PLDI 2019杰出论文奖

南大青年

3+阅读 · 2019年6月30日

计算机 | 入门级EI会议ICVRIS 2019诚邀稿件

计算机 | 入门级EI会议ICVRIS 2019诚邀稿件

Call4Papers

10+阅读 · 2019年6月24日

Hierarchically Structured Meta-learning

Hierarchically Structured Meta-learning

CreateAMind

26+阅读 · 2019年5月22日

19篇ICML2019论文摘录选读！

19篇ICML2019论文摘录选读！

专知

28+阅读 · 2019年4月28日

Unsupervised Learning via Meta-Learning

Unsupervised Learning via Meta-Learning

CreateAMind

42+阅读 · 2019年1月3日

A Technical Overview of AI & ML in 2018 & Trends for 2019

A Technical Overview of AI & ML in 2018 & Trends for 2019

待字闺中

17+阅读 · 2018年12月24日

已删除

将门创投

9+阅读 · 2018年12月19日

carla 学习笔记

carla 学习笔记

CreateAMind

9+阅读 · 2018年2月7日

计算机视觉近一年进展综述

计算机视觉近一年进展综述

机器学习研究会

9+阅读 · 2017年11月25日

【推荐】RNN/LSTM时序预测

【推荐】RNN/LSTM时序预测

机器学习研究会

25+阅读 · 2017年9月8日

相关论文

Efficient and Modular Implicit Differentiation

Arxiv

0+阅读 · 2021年5月31日

Using Pareto Simulated Annealing to Address Algorithmic Bias in Machine Learning

Using Pareto Simulated Annealing to Address Algorithmic Bias in Machine Learning

Arxiv

0+阅读 · 2021年5月31日

A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models

A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models

Arxiv

0+阅读 · 2021年5月31日

Industry-Relevant Implicit Large-Eddy Simulation of a High-Performance Road Car via Spectral/hp Element Methods

Arxiv

0+阅读 · 2021年5月31日

Incremental Learning of Probabilistic Movement Primitives (ProMPs) for Human-Robot Cooperation

Arxiv

0+阅读 · 2021年5月28日

Lagrangian Data Assimilation and Uncertainty Quantification for Sea Ice Floes with an Efficient Physics-Constrained Superfloe Parameterization

Arxiv

0+阅读 · 2021年5月28日

An Impossibility Theorem for Node Embedding

Arxiv

0+阅读 · 2021年5月27日

Combined parameter and state inference with automatically calibrated ABC

Arxiv

0+阅读 · 2021年5月26日

A finite-element framework for a mimetic finite-difference discretization of Maxwell's equations

Arxiv

0+阅读 · 2021年5月26日

Optimizing Dense Retrieval Model Training with Hard Negatives

Arxiv

5+阅读 · 2021年4月16日

微信扫码咨询专知VIP会员