PUN神经算子在噪声下实现更快规划

Michael Chen 等人提出 Planning Under Noise（PUN）神经算子，学习噪声感知值场以在未见几何环境中规划。该方法在障碍物上施加反射 Neumann 边界条件、目标点施加 Dirichlet 条件，并将蒙特卡洛求解器 Walk on Stars 扩展至高维，从含噪、部分收敛的标签中学习几何到值场的映射。 作者称，在四个噪声水平下 PUN 均不劣于所有对比规划器，4D 重规划基准上成功率 95–100% 且运行时间最低；在 4D 最高噪声水平下，成功率相对提升 10.7–60.6%，速度快 3.29–32.15 倍。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。