Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F22%3A00364779" target="_blank" >RIV/68407700:21230/22:00364779 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21730/22:00364779

  • Výsledek na webu

    <a href="https://doi.org/10.1609/socs.v15i1.21803" target="_blank" >https://doi.org/10.1609/socs.v15i1.21803</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1609/socs.v15i1.21803" target="_blank" >10.1609/socs.v15i1.21803</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Deep RRT

  • Popis výsledku v původním jazyce

    Sampling-based motion planning algorithms such as Rapidly exploring Random Trees (RRTs) have been used in robotic applications for a long time. In this paper, we propose a method that combines deep learning with RRT* method. We use a neural network to learn a sample strategy for RRT*.We evaluate Deep RRT* in a collection of 2D scenarios. The results demonstrate that our algorithm could find collision-free paths efficiently and fast, and can be generalized to unseen environments.

  • Název v anglickém jazyce

    Deep RRT

  • Popis výsledku anglicky

    Sampling-based motion planning algorithms such as Rapidly exploring Random Trees (RRTs) have been used in robotic applications for a long time. In this paper, we propose a method that combines deep learning with RRT* method. We use a neural network to learn a sample strategy for RRT*.We evaluate Deep RRT* in a collection of 2D scenarios. The results demonstrate that our algorithm could find collision-free paths efficiently and fast, and can be generalized to unseen environments.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the Fifteenth International Symposium on Combinatorial Search

  • ISBN

    978-1-57735-873-2

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    3

  • Strana od-do

    333-335

  • Název nakladatele

    Association for the Advancement of Artificial Intelligence (AAAI)

  • Místo vydání

    Palo Alto, California

  • Místo konání akce

    Vídeň

  • Datum konání akce

    21. 7. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku