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
-
新研究诊断并补救多源音频到图像生成失败问题
研究人员已将一种称为“几何位移”的现象确定为多源音频到图像生成系统中组合失败的原因。当音频标记的定位方式导致扩散 U-Net 难以准确处理时,就会发生这种情况。该研究提出了一种新方法,为每个音频源分配一个独立的占位符标记,并使用混合推理时间目标来减少干扰,从而显著提高了多音频基准测试的组合保真度和生成质量。
-
专为工业任务设计的移动操作机器人发布
研究人员详细介绍了@Work Robot的设计和实现,这是一款在 Shahid Beheshti 大学机器人与智能自动化实验室开发的移动操作机器人。该机器人专为工业应用而设计,旨在提高重复性或危险任务的效率。它采用麦克纳姆轮实现全向移动,并配备五自由度操作臂以处理物体。该系统集成了 NVIDIA Jetson Orin NX 进行高级处理,ESP32 微控制器,并利用 Hector SLAM 进行地图构建,A* 进行路径规划,以及 Y…
-
人工智能 vs. 运筹学:A*搜索在调度问题上优于分支定界法
一篇新研究论文比较了两种流行的精确搜索方法——来自运筹学的分支定界法(B&B)和来自人工智能的A*搜索——在资源受限项目调度问题(RCPSP)上的应用。研究发现,基于图的A*方法显著优于B&B变体,在给定限制内证明了所有测试实例的最优性。该研究强调了重复状态检测的重要性,并阐明了搜索机制之间的计算权衡,为方法选择提供了见解。
-
新的AAC方法优化A*搜索启发式,减少高达22.7%的扩展
研究人员开发了架构可容忍压缩器(AAC),一种用于优化基于地标的A*搜索启发式的新颖方法。AAC在固定的标签内存预算内根据查询需求调整这些启发式,为ALT(A*、地标和三角不等式)选择过程提供了两种连续松弛。实验表明,AAC-CG,AAC的一个变体,在各种道路网络和图配置中,与最远点ALT(FPS-ALT)相比,A*扩展减少了高达22.7%,同时实现了规范贪婪启发式值的99.6%。
-
新框架VORL-EXPLORE增强多机器人探索能力
一篇新研究论文介绍了一种名为VORL-EXPLORE的混合学习和规划框架,旨在改进动态环境下的多机器人探索。该方法估算潜在路径的可导航性和可靠性,并利用此“执行保真度”分数引导机器人避开拥挤或不安全的路径。该系统根据环境条件动态地在全局规划和反应式强化学习之间进行调整,以实现更高效、更可靠的探索。
-
GPU流水线优化水下结构的多机器人三维检测
研究人员开发了一个专为水下结构多机器人三维检测设计的GPU驻留流水线。该系统为机器人集群计算最优轨迹,每个机器人配备有限视角的摄像头,以集体覆盖目标表面的指定部分。该流水线通过将其分解为几个阶段来解决NP-hard问题,包括视点生成、可见性计算、集合覆盖和多智能体路径查找,所有这些都针对GPU加速进行了优化。
-
机器学习博士申请者质疑在没有顶级论文的情况下竞争力不足
一位理学硕士学生正在就是否攻读机器学习博士学位寻求建议,考虑到她目前的发表记录。尽管她有第一作者的项目并向ICLR提交了论文,但她尚未在NeurIPS或ICML等顶级会议上发表论文。这种不确定性因博士招生和就业市场的竞争性而加剧,特别是对国际学生而言。
-
新框架 PIE-APT 支持在时间知识图上进行溯因规划
研究人员推出 PIE-APT,一个用于时间动态知识图 (TDKG) 溯因规划的新框架。该系统在开放世界环境中运行,并解决了现有动作形式化中固有的可判定性问题和枝节问题等挑战。PIE-APT 采用统一方法,包含 PIE-Abducer 和 PIE-APT 两个模块,它们原生支持 SROIQ 描述逻辑和 OWL,用于建模状态转换和动作。该框架使用增量推理器来维持可判定性,并通过在 OWL 中表示动作来绕过枝节问题。它还通过综合缺失的前提(…
-
新的强化学习智能体可求解符号方程
研究人员开发了一种能够求解符号方程的强化学习智能体,包括复杂的非线性方程和需要变量替换的特定类别的受限开放方程。该智能体利用树状结构策略(TreeMLP),仅通过奖励进行学习,并在基准数据集上表现出强大的性能。虽然对封闭方程有效,但其对开放方程的能力仅限于四个特定族,而学习到的变量替换时机被证明对指数族至关重要。
-
物理信息神经网络增强无人机路径规划
一篇研究论文介绍了一种新颖的物理信息神经网络(PINN)方法,用于动态环境中无人机(UAV)的路径规划。该方法将无人机动力学和风扰动直接嵌入学习过程,无需监督数据即可生成安全、节能且平滑的轨迹。仿真表明,PINN框架在控制能量、路径平滑度和安全裕度方面优于A*和动力学RRT*等传统算法。
-
Sokoban AI 求解器使用 A* 搜索实现最优谜题解决方案
一位开发者为经典的 Sokoban 益智游戏创建了一个 AI 求解器,该游戏涉及将箱子推到指定目标位置。该求解器使用 JavaScript 和 C++ 实现,利用 A* 搜索算法,并结合了诸如 move-optimal macro-pushes 和 compact bitmask states 等优化技术,以高效地找到可证明的最优解决方案。虽然大多数棋盘能在浏览器中以毫秒级速度解决,但最复杂的棋盘由于其庞大的状态空间需要预先计算。
-
LLM-Advisor 使用 GPT-5.5 在 MultiTerraPath 基准测试中改进路径规划
研究人员开发了 LLM-Advisor,一个利用大型语言模型提高复杂地形路径规划效率的框架。该系统利用语义地形上下文提出替代路线,其成本明显低于基线路径,并通过确定性验证确保可行性和成本降低。在 MultiTerraPath 基准测试中使用 GPT-5.5 进行测试时,LLM-Advisor 显著提高了路径规划成功率,在图分辨率较粗糙的地图上恢复了相当一部分成本差距。
-
新的WNM-3D模型增强了导航的3D场景条件约束
研究人员推出了一种新颖的世界导航模型WNM-3D,该模型集成了用于闭环视觉语言导航(VLN)的3D场景条件约束。该模型通过显式建模代理的视觉观察如何随着其预测的运动而演变,解决了当前VLN系统的局限性。WNM-3D利用几何编码器和3D场景到Token适配器,将扩散Transformer约束在持久的场景上下文中,从而实现更鲁棒的导航。
-
AI研究:分析指令排序的复杂性
一篇新的研究论文探讨了当概念之间存在先决条件依赖时,指令排序的复杂性。该研究证明,随机性(或学习概念的成功概率)可以被消除,将问题简化为确定性的最短路径问题。然而,即使在简化条件下,找到最优序列仍然是NP难问题。该研究引入了一个可计算的诊断指标mΔ来界定排序的价值,并识别了近视排序可能导致重大遗憾的具体实例,而精确的A*搜索仍然高效。
-
DesignArena 融资 790 万美元用于 AI 品味反馈工具 · 跟踪 2 个来源
人工智能反馈工具 DesignArena 的母公司 Intelligence 已获得 790 万美元的种子轮融资。该平台允许用户对 AI 生成的输出进行排名,为 AI 模型开发提供宝贵的人类反馈。DesignArena 目前在全球拥有 530 万用户,年经常性收入达 6000 万美元,是 AI 公司获取人类主导的评估数据的关键来源。
-
新的路线系统优先考虑老年行人的安全和便利设施
研究人员开发了一种专为老年人设计的新的行人路线系统,超越了简单的距离或时间优化。该系统纳入了障碍物、安全阈值和支持性基础设施等因素,这些因素是通过对14位老年人的访谈和实地研究得出的。基于OpenStreetMap数据,使用基于A*的引擎生成的适合老年人的路线,参与者比标准路线更喜欢它们,这凸显了上下文感知危险建模和社会背景敏感性在导航中的重要性。
-
新的Key-Interval A*算法显著加速网格寻路
研究人员开发了Key-Interval A* (KIA*),这是一种旨在显著加速网格寻路的新型算法。该方法采用轻量级预处理,利用区间创建自由空间的压缩表示,重点关注表示结构变化的键区间。KIA*然后在此抽象图上进行类似A*的搜索,无需单元格级别的局部搜索即可有效地重建网格路径。实验表明,KIA*在各种基准测试中保持路径最优性并实现卓越的运行时性能,尤其是在结构化和游戏地图上。
-
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。