論文の概要: Towards Brain-Computer Interfaces for Drone Swarm Control

• arxiv url: http://arxiv.org/abs/2002.00519v1
• Date: Mon, 3 Feb 2020 00:47:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 08:56:50.512138
• Title: Towards Brain-Computer Interfaces for Drone Swarm Control
• Title（参考訳）: ドローン群制御のための脳-コンピュータインタフェースに向けて
• Authors: Ji-Hoon Jeong, Dae-Hyeok Lee, Hyung-Ju Ahn, and Seong-Whan Lee
• Abstract要約: 非侵襲的な脳-コンピュータインタフェースは、ユーザーの意図を理解するために脳信号をデコードする。 近年,BCIをベースとしたドローン制御システムの開発が進められている。 脳信号に基づくドローン群制御は、軍事サービスや産業災害などの様々な産業を提供する可能性がある。
• 参考スコア（独自算出の注目度）: 17.60434807901964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noninvasive brain-computer interface (BCI) decodes brain signals to understand user intention. Recent advances have been developed for the BCI-based drone control system as the demand for drone control increases. Especially, drone swarm control based on brain signals could provide various industries such as military service or industry disaster. This paper presents a prototype of a brain swarm interface system for a variety of scenarios using a visual imagery paradigm. We designed the experimental environment that could acquire brain signals under a drone swarm control simulator environment. Through the system, we collected the electroencephalogram (EEG) signals with respect to four different scenarios. Seven subjects participated in our experiment and evaluated classification performances using the basic machine learning algorithm. The grand average classification accuracy is higher than the chance level accuracy. Hence, we could confirm the feasibility of the drone swarm control system based on EEG signals for performing high-level tasks.
• Abstract（参考訳）: 非侵襲的脳コンピューターインタフェース(bci)は、ユーザの意図を理解するために脳信号をデコードする。 ドローン制御の需要が増大するにつれて、BCIベースのドローン制御システムに対する最近の進歩が進展している。 特に、脳信号に基づくドローン群制御は、軍事サービスや産業災害などの様々な産業を提供する可能性がある。 本稿では,視覚画像パラダイムを用いた様々なシナリオのためのブレイン・スワーミング・インタフェースシステムのプロトタイプを提案する。 我々は、ドローン群制御シミュレータ環境下で脳信号を取得する実験環境を設計した。 システムを通して4つの異なるシナリオについて脳波(eeg)信号を収集した。 7名の被験者が実験に参加し,基本機械学習アルゴリズムを用いて分類性能を評価した。 総平均分類精度は確率レベルの精度よりも高い。 これにより、高レベルタスクを行うためのEEG信号に基づいて、ドローン群制御システムの実現可能性を確認することができる。

関連論文リスト

• Neuromorphic Attitude Estimation and Control [17.895261339368815]
  本研究では、スパイキングニューラルネットワーク(SNN)を用いた最初のニューロモルフィック制御システムを提案する。 そこで本手法を低レベル姿勢推定・制御に応用し,SNNを小さなクラジフリー上に配置する。 我々の研究は、高エネルギー効率で低遅延のニューロモルフィックオートパイロットの基礎となる、ニューロモルフィック・エンド・ツー・エンド制御の実現可能性を示している。
  論文  参考訳（メタデータ） (2024-11-21T08:54:45Z)
• Sequential Best-Arm Identification with Application to Brain-Computer Interface [34.87975833920409]
  脳コンピュータインタフェース(BCI)は、脳と外部デバイスまたはコンピュータシステムとの直接通信を可能にする技術である。 脳波(EEG)と事象関連電位(ERP)に基づくスペルシステム(ERP)は、物理キーボードを使わずに単語をスペルできるBCIの一種である。 本稿では,固定信頼度設定と固定予算設定の下での逐次トップ2トンプソンサンプリング(STTS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-17T18:49:44Z)
• Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone Racing [52.50284630866713]
  既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。 本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
  論文  参考訳（メタデータ） (2022-10-26T19:03:17Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• DronePose: The identification, segmentation, and orientation detection of drones via neural networks [3.161871054978445]
  飛行中のドローンを完全に特徴付けるために,決定木とアンサンブル構造を用いたCNNを提案する。 我々のシステムは、ドローンの種類、方向(ピッチ、ロール、ヨー)を決定し、異なる身体部位を分類するためにセグメンテーションを行う。 また,高精度にラベル付けされた写真リアリスティックトレーニングデータを高速に生成するためのコンピュータモデルも提供する。
  論文  参考訳（メタデータ） (2021-12-10T12:34:53Z)
• DAL: Feature Learning from Overt Speech to Decode Imagined Speech-based EEG Signals with Convolutional Autoencoder [24.63367043284252]
  本研究は,音声による脳波信号を自動エンコーダで復号化するために,音声の脳波特徴を用いた最初の試みである。 4つの単語を分類すると、DALの平均精度は48.41%だった。 w/oとw/EEGの特徴を比較すると、過剰音声の脳波の特徴を含む場合のパフォーマンスは7.42%向上した。
  論文  参考訳（メタデータ） (2021-07-15T01:13:19Z)
• Vision-based Drone Flocking in Outdoor Environments [9.184987303791292]
  このレターでは、ドローン群に対する視覚に基づく検出と追跡アルゴリズムを提案する。 我々は畳み込みニューラルネットワークを用いてクワッドコプターの近傍のエージェントをリアルタイムで検出・ローカライズする。 背景が乱雑で照明が難しいにもかかわらず、ドローンは屋外環境で安全に航行できることが示される。
  論文  参考訳（メタデータ） (2020-12-02T14:44:40Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)
• EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
  近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。 本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:49:42Z)
• Populations of Spiking Neurons for Reservoir Computing: Closed Loop Control of a Compliant Quadruped [64.64924554743982]
  本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。 本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
  論文  参考訳（メタデータ） (2020-04-09T14:32:49Z)
• VGAI: End-to-End Learning of Vision-Based Decentralized Controllers for Robot Swarms [237.25930757584047]
  ビジュアル入力のみに基づいて分散制御系を学習することを提案する。 初めて、コミュニケーションと視覚知覚という2つの重要な要素の学習を統合する。 提案する学習フレームワークは,各ロボットが視覚入力からメッセージを取り出すための畳み込みニューラルネットワーク(CNN)と,これらのメッセージの送信,受信,処理を行うためのSwarm全体のグラフニューラルネットワーク(GNN)を組み合わせる。
  論文  参考訳（メタデータ） (2020-02-06T15:25:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。