A* search algorithm
PulseAugur coverage of A* search algorithm — every cluster mentioning A* search algorithm across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的基于冲突的延迟搜索算法加速多机械臂规划
研究人员开发了一种名为基于冲突的延迟搜索（CBLS）的新规划算法，旨在提高多机械臂任务的效率。CBLS 在现有的基于冲突搜索（CBS）算法的基础上，通过结合预计算和延迟搜索策略进行构建。该算法通过一个延迟评估图和一个新颖的基于边的延迟 A*（LEA*）方法来增强 CBS 的单机械臂路径查找能力，旨在减少计算瓶颈。
-
新系统Pharos提升城市空域无人机安全性
研究人员开发了Pharos，一个专为复杂城市环境设计的新型多无人机空域管理系统。该系统旨在通过防止碰撞和减轻人类恐惧来提高安全性，定位在完全分布式和集中式控制范式之间。Pharos利用MAPPO算法进行高效协调，与现有基准相比，在减轻人类恐惧方面提高了52%以上，并提高了70%的空间利用率。
-
LLM 辅助的 A* 搜索优化复杂网络中的路径查找
研究人员开发了一种新方法，通过将大型语言模型 (LLM) 与 A* 搜索算法相结合，来优化复杂网络图中的路径查找。这种 LLM 辅助的 A* 方法生成中间航点来指导搜索过程，有效地克服了非几何图中缺乏几何信息的问题。实验表明，与最优解相比，该技术可以将扩展节点数量减少约 50%，同时路径成本仅略有增加。研究还发现，将结构特征纳入提示比高级提示技术更有利于提高效率。
-
新方法分析图结构以评估最短路径算法
研究人员开发了一种通过分析图结构来评估最短路径算法的新方法。该方法将图嵌入到特征空间并进行聚类，以识别结构相似的区域，然后用这些区域来评估算法性能。研究考察了Erdos-Renyi图、随机几何图和道路网络，并测试了Dijkstra、双向Dijkstra和A*等算法。研究结果表明，虽然图生成器会创建稳定的结构区域，但性能相似性并不总是与结构相似性一致，并且不同的基准测试族占据不同的区域。
-
新型机器人导航系统使用贝叶斯优化增强规划
研究人员开发了一种新的无地图自主机器人导航框架，该框架将反应式规划与非线性模型预测控制（MPC）相结合。该系统使用基于 LiDAR 的高斯占用表示和 A* 搜索算法来生成无碰撞轨迹，然后由 MPC 公式进行跟踪。为了优化控制器参数，采用了利用树状 Parzen 估计器（TPE）和高斯过程代理的离线贝叶斯优化方案。该框架在 Unitree Go2 机器人在模拟和物理硬件上成功进行了评估，实现了 90.0% 的导航成功率，并展示了从模拟到…
-
AI研究致力于最优规划的可接受启发式方法
两篇新研究论文介绍了在AI规划和组合搜索中学习可接受启发式方法的创新方法。其中一篇论文提出了一个使用深度学习和图算法学习成本划分的框架，保证了启发式方法的可接受性。另一篇论文提出了一种训练神经网络启发式的方法，该方法使用低估算算子和事后校准，以确保它们不会高估成本，从而保持搜索算法中解的最优性。
-
新研究评估AI中外部内存搜索的基线方法
研究人员评估了利用SSD等外部内存的A*搜索算法的简单基线方法。该研究特别关注了对直接重复检测（IDD）技术缺乏系统性研究，以及操作系统机制（如页面缓存）对外部内存访问性能的影响。这项工作旨在通过对这些基线方法的性能分析来填补现有文献的空白。
-
LLM驱动的模式生成器实现规划的可容许启发式
研究人员开发了一种新方法，用于学习确保最优经典规划可容许性的领域相关启发式。该方法利用LLM驱动的进化程序合成框架来生成创建规划任务模式集合的程序。然后，这些模式可容许地组合，从而产生启发式，其覆盖范围与现有方法相当，但状态评估速度显著更快，开销可忽略不计。
-
新的线性规划方法提高了流程一致性检查速度
研究人员通过将其重新表述为完全单模线性规划（LP）开发了一种新的流程一致性检查方法。这种LP方法显著加快了具有偏差的长流程跟踪速度，补充了现有的基于A*的启发式搜索，后者在较短、符合度高的跟踪上表现更好。对超过210万个实例的广泛评估表明，结合这两种方法可以实现平均38.6%的运行时节省和高选择准确率。
-
AI 飞行员结合了路径规划与深度强化学习
一位开发者创建了一个用于空战模拟的混合 AI 系统，结合了经典的寻路算法与深度强化学习。该方法使用路径规划器进行常规导航，并在检测到导弹等威胁时切换到强化学习代理。该项目在 Unity 中构建，经过 500 万步的训练，证明了在复杂任务的不同方面使用专业 AI 技术是有效的。
-
Petri网搜索在调度问题上优于MIP求解器
研究人员为资源受限项目调度问题（RCPSP）开发了一种新的启发式搜索方法。该方法将调度决策建模为带资源的定时转移Petri网中的转移。在标准基准测试上的实验表明，这种新方法在成功率和速度上都优于现有的混合整数线性规划求解器。
-
AI代理利用LLM进行深度搜索和改进路径规划
本文回顾了两篇探讨AI代理高级搜索技术的学术论文。其中一篇论文调查了大型语言模型（LLM）如何充当推理代理，规划多步解决方案并评估有希望的搜索分支，类似于基于目标或基于效用的代理。第二篇论文详细介绍了使用加权A*和自适应启发式奖励对A*路径规划算法的改进，从而在复杂环境中实现更动态、更高效的导航。
-
FaSTA* 代理使用 LLM 和 A* 搜索进行高效的多轮图像编辑
研究人员开发了 FaSTA*，一种用于高效多轮图像编辑的神经符号代理。该代理结合了用于高级任务规划的大型语言模型和用于详细工具执行的 A* 搜索。为了优化成本，FaSTA* 会提取并重用成功工具路径中的常见子程序，从而加快重复任务的规划速度，并将计算量更大的 A* 搜索保留用于新颖的挑战。与现有的图像编辑方法相比，该系统在保持具有竞争力的成功率的同时，展示了显著的计算效率。
-
NaviGNN AI框架优化未来智慧城市的可持续出行
研究人员开发了NaviGNN，一个旨在优化未来智慧城市复杂垂直和线性结构中出行的创新AI系统。该系统集成了多智能体强化学习和图神经网络来管理交通，实现了7.8-8.4分钟的平均通勤时间和超过89%的满意率。消融研究表明，移除关键AI组件会显著降低性能，凸显了该系统在确保高效和可持续城市交通方面的有效性。