★ 2
Convex-SKM-Net:低延迟凸约束满足层,推理提速 144 倍
研究者提出 Convex-SKM-Net,一种凸约束满足层,利用残差与(次)梯度预言机构造线性化半空间,无需约束专用投影器,并以固定深度对偶投影梯度下降在 GPU 上求解。在二阶锥模型预测控制任务上推理提速最高 144.3 倍,QCQP 基准提速 7.7 倍,平均目标差距仅 0.012%。
arXiv cs.LG2 天前
共 3 篇相关资讯,按重要度与时间排序,每 3 小时更新。
研究者提出 Convex-SKM-Net,一种凸约束满足层,利用残差与(次)梯度预言机构造线性化半空间,无需约束专用投影器,并以固定深度对偶投影梯度下降在 GPU 上求解。在二阶锥模型预测控制任务上推理提速最高 144.3 倍,QCQP 基准提速 7.7 倍,平均目标差距仅 0.012%。
论文受双过程理论启发,提出结合神经网络直觉规划与模型预测控制推理规划的框架,用于自动驾驶。元认知组件借助知识图谱,基于感知信息、交通规则与社会规范推理情境风险,并通过风险场驱动两种规划的切换。在CARLA模拟的车辆闯红灯等分布外场景中,该架构相比纯神经网络规划器减少89%碰撞,并提升特殊路权规则遵…
论文提出复合梯度学习(CGL),将MPC控制器纳入DRL学习过程,把DRL与MPC控制输入表示为联合动作并考虑其交互。在两个多类高速公路交通网络上评估,弱交互下收益有限,强交互下部分训练运行中学习到更优控制策略,但平均性能提升温和。