Інтеграція методів машинного навчання та евристичного пошуку в задачах планування траєкторій

Abstract

Дипломна робота магістра присвячена підвищенню ефективності планування траєкторій у дискретних середовищах (сіткових картах) шляхом інтеграції методів машинного навчання з класичним евристичним пошуком. Актуальність теми зумовлена потребою зменшення часу пошуку та кількості розкритих вершин у задачах навігації за наявності складної топології перешкод, де стандартні евристики (мангеттенська/діагональна відстань) є допустимими, але недостатньо інформативними, а прискорювальні модифікації на кшталт Weighted A* досягають швидкодії ціною втрати оптимальності. Метою роботи є розробка та експериментальна перевірка гібридного підходу, у якому нейромережева модель прогнозує евристичну оцінку, наближену до «ідеальної» евристики h∗h^*h∗, і використовується всередині планувальника A* для скорочення обсягу пошуку. Об’єктом дослідження є процес планування траєкторій на графах регулярної декомпозиції, предметом — методи побудови та застосування передбачених (нейромережевих) евристик у евристичному пошуку. У роботі сформовано набір даних на основі типових бенчмарків сіткових карт, запропоновано нейромережеву архітектуру типу encoder–decoder (UNet++) для прогнозування поля евристичних значень, обґрунтовано функцію втрат із маскуванням недосяжних клітин та реалізовано інтеграцію прогнозованої евристики в A*. Отримані результати підтверджують доцільність використання нейроевристики для складних конфігурацій перешкод і демонструють практичну придатність розробленого рішення для задач планування на сіткових картах.