精选理由
这篇论文提出一种新算法GSS，通过共享未来样本来避免树搜索的指数爆炸，在长视界连续控制任务中表现更好。
论文提出Graph Sparse Sampling (GSS)在线规划算法，通过共享采样未来来避免树形搜索的指数级分支。GSS利用大GPU友好批量和启发式聚焦计算。在离散或连续动作空间下，证明了有限样本性能保证，其复杂度对规划视界呈多项式依赖。连续控制模拟中，GSS在长视界任务上显著优于基于树的规划器，或达到近最优性能。
AI 翻译 · 中文
论文提出Graph Sparse Sampling (GSS)在线规划算法，通过共享采样未来来避免树形搜索的指数级分支。GSS利用大GPU友好批量和启发式聚焦计算。在离散或连续动作空间下，证明了有限样本性能保证，其复杂度对规划视界呈多项式依赖。连续控制模拟中，GSS在长视界任务上显著优于基于树的规划器，或达到近最优性能。
Planning under uncertainty in continuous domains is essential for autonomous systems, yet computationally demanding. Tree-based search methods such as Monte Carlo Tree Search (MCTS) remain popular, but their branching st…