PulseAugur
中
实时 08:05:04
English(EN) HOLO-MPPI: Multi-Scenario Motion Planning via Hierarchical Policy Optimization

新的 HOLO-MPPI 框架增强了机器人运动规划

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 HOLO-MPPI，一个用于机器人多场景运动规划的新框架。该方法结合了高级策略学习和低级随机最优控制。该系统离线学习一个高级策略来提出场景鲁棒性计划，然后该计划在线参数化实时 MPPI 控制器，以适应局部干扰。在自动驾驶场景中的评估表明，HOLO-MPPI 在保持实时性能的同时，优于现有的 MPPI 和端到端强化学习基线。 AI

排序理由 该集群包含一篇详细介绍运动规划新研究框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Youngjae Min, Jovin D'sa, Faizan M. Tariq, David Isele, Navid Azizan, Sangjae Bae ·

    HOLO-MPPI: Multi-Scenario Motion Planning via Hierarchical Policy Optimization

    arXiv:2606.16480v1 Announce Type: cross Abstract: Robots deployed in the real world must plan motions across diverse scenarios without per-scenario retuning. End-to-end reinforcement learning (RL) can generalize across scenarios but often becomes brittle under distribution shift,…

相关实体

相关话题