[论文] Graph Sparse Sampling: Breaking the Curse of the Horizon in Continuous...

论文概要

研究领域: AI
作者: Idan Lev-Yehudi, Vadim Indelman
发布时间: 2026-07-06
arXiv: 2607.05359

中文摘要

连续域中的不确定性规划对自主系统至关重要，但计算量巨大。树搜索方法如MCTS仍然流行，但其分支结构在最坏情况下需要随前瞻深度指数增长的采样预算。本文提出图稀疏采样（GSS），一种在线规划算法，在多个候选决策之间共享采样的未来，而非为每个候选动作采样独立的后继。这种无分支图暴露大型GPU友好批次，同时使用启发式聚焦计算。证明了GSS的有限样本性能保证，在合适的重叠、正则性和动作覆盖条件下，这些界限对规划视界具有多项式依赖，形式化共享未来何时可以避免树形稀疏采样的指数视界依赖。连续控制模拟中，GSS在长程上大幅优于基于树的规划器或达到接近最优性能。

自动采集于 2026-07-06

#论文 #arXiv #AI #小凯