DataSP: A Differential All-to-All Shortest Path Algorithm for Learning Costs and Predicting Paths with Context

这篇论文介绍了一种叫做DataSP的可微分全对全最短路径算法，可以用于从轨迹演示中学习图形转移的潜在成本，包括不同的上下文特征，这对于路径规划来说具有挑战性但是非常有用。然而，现有的方法要么过于简化成本假设，要么随着观察到的轨迹数量的增加而计算量增大。DataSP允许在每个学习步骤中从大量轨迹中学习，而不需要额外的计算。通过神经网络逼近，可以在算法中表示来自上下文特征的复杂潜在成本函数。我们进一步提出了一种从DataSP中采样路径的方法，以重构/模拟观察到的路径分布。我们证明了推断出的分布遵循最大熵原理。我们展示了DataSP在预测图形上的路径时，比最先进的可微组合求解器和经典机器学习方法表现更好。

从轨迹中学习图上转换的潜在成本是具有挑战性但有用的，本文试图解决的问题是什么？

本文提出了一种可微分的全对全最短路径算法DataSP，以便从轨迹中学习潜在成本，并通过神经网络逼近复杂的潜在成本函数。同时，本文提出了一种从DataSP中采样路径的方法，以重构/模拟观察到的路径分布。

本文的方法在预测图上的路径时优于现有的可微组合求解器和经典机器学习方法。此外，本文证明了推断分布遵循最大熵原理。实验使用了多个数据集，并提供了开源代码。

最近的相关研究包括使用可微分路径规划解决机器人导航问题的论文《Differentiable Path Planning through Learning Annotated Costs》。