論文の概要: BADGR: An Autonomous Self-Supervised Learning-Based Navigation System

• arxiv url: http://arxiv.org/abs/2002.05700v2
• Date: Wed, 15 Apr 2020 18:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 10:10:47.442920
• Title: BADGR: An Autonomous Self-Supervised Learning-Based Navigation System
• Title（参考訳）: BADGR:自律的自己監督型学習ベースナビゲーションシステム
• Authors: Gregory Kahn, Pieter Abbeel, Sergey Levine
• Abstract要約: BadGRは、エンドツーエンドの学習ベースのモバイルロボットナビゲーションシステムである。 実際の環境で収集された、自己監督型のオフポリシーデータでトレーニングすることができる。 BadGRは、幾何学的に邪魔な障害物を伴って、現実世界の都市やオフロード環境をナビゲートすることができる。
• 参考スコア（独自算出の注目度）: 158.6392333480079
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile robot navigation is typically regarded as a geometric problem, in which the robot's objective is to perceive the geometry of the environment in order to plan collision-free paths towards a desired goal. However, a purely geometric view of the world can can be insufficient for many navigation problems. For example, a robot navigating based on geometry may avoid a field of tall grass because it believes it is untraversable, and will therefore fail to reach its desired goal. In this work, we investigate how to move beyond these purely geometric-based approaches using a method that learns about physical navigational affordances from experience. Our approach, which we call BADGR, is an end-to-end learning-based mobile robot navigation system that can be trained with self-supervised off-policy data gathered in real-world environments, without any simulation or human supervision. BADGR can navigate in real-world urban and off-road environments with geometrically distracting obstacles. It can also incorporate terrain preferences, generalize to novel environments, and continue to improve autonomously by gathering more data. Videos, code, and other supplemental material are available on our website https://sites.google.com/view/badgr
• Abstract（参考訳）: 移動ロボットのナビゲーションは一般的に幾何学的な問題と見なされ、ロボットの目的は、望ましい目標に向かって衝突のない経路を計画するために環境の幾何学を知覚することである。 しかし、純粋に幾何学的な世界観は多くのナビゲーション問題に対して不十分である可能性がある。 例えば、幾何学に基づいてナビゲートするロボットは、横断不可能であると信じており、目的を達成することができないため、背の高い草のフィールドを避ける可能性がある。 本研究では,これらの純粋幾何学的アプローチを乗り越える方法について,経験から物理的なナビゲーション能力を学ぶ手法を用いて検討する。 badgrと呼ばれるこのアプローチは、エンド・ツー・エンドの学習ベースのモバイルロボットナビゲーションシステムで、シミュレーションや人間の監督なしに、現実世界の環境で収集された自己監視オフポリシーデータを訓練することができる。 BADGRは、幾何学的に障害物を逸らすことなく、現実世界の都市やオフロード環境をナビゲートすることができる。 また、地形の好みを取り入れ、新しい環境に一般化し、より多くのデータを集めることで自律的に改善を続けることもできる。 ビデオ、コード、その他の補足資料は、我々のWebサイトhttps://sites.google.com/view/badgrで入手できる。

関連論文リスト

• Learning Robotic Navigation from Experience: Principles, Methods, and Recent Results [94.60414567852536]
  現実世界のナビゲーションは、単純な幾何学的抽象化に反する複雑な物理的課題の集合を示す。 機械学習は、幾何学や従来の計画を超えた、有望な方法を提供する。 本稿では,ロボットナビゲーションスキルを実験的に学習するツールキットについて紹介する。
  論文  参考訳（メタデータ） (2022-12-13T17:41:58Z)
• Learning Forward Dynamics Model and Informed Trajectory Sampler for Safe Quadruped Navigation [1.2783783498844021]
  典型的なSOTAシステムは、マッパー、グローバルプランナー、ローカルプランナー、コマンドトラッキングコントローラの4つの主要モジュールで構成されている。 我々は,グローバルプランナから粗い計画経路を追跡するためのベロシティプランを生成するために,ロバストで安全なローカルプランナを構築している。 この枠組みを用いることで、四足歩行ロボットは衝突なしに様々な複雑な環境を自律的に移動でき、ベースライン法と比較してスムーズなコマンドプランを生成することができる。
  論文  参考訳（メタデータ） (2022-04-19T04:01:44Z)
• NavDreams: Towards Camera-Only RL Navigation Among Humans [35.57943738219839]
  我々は,アタリゲームにおけるモデリングと学習の方針を示す世界モデルの概念が,カメラによるナビゲーション問題にも適用できるかどうかを考察する。 我々は、ロボットが目標を達成するために衝突することなく、静的で動く人間を通り過ぎなければならないシミュレーション環境を作成する。 現状の手法はナビゲーション問題の解決に成功でき、将来の画像系列の夢のような予測を生成することができる。
  論文  参考訳（メタデータ） (2022-03-23T09:46:44Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• Simultaneous Navigation and Construction Benchmarking Environments [73.0706832393065]
  モバイル構築のためのインテリジェントなロボット、環境をナビゲートし、幾何学的設計に従ってその構造を変更するプロセスが必要です。 このタスクでは、ロボットのビジョンと学習の大きな課題は、GPSなしでデザインを正確に達成する方法です。 我々は,手工芸政策の性能を,基礎的なローカライゼーションと計画,最先端の深層強化学習手法を用いて評価した。
  論文  参考訳（メタデータ） (2021-03-31T00:05:54Z)
• ViNG: Learning Open-World Navigation with Visual Goals [82.84193221280216]
  視覚的目標達成のための学習に基づくナビゲーションシステムを提案する。 提案手法は,我々がvingと呼ぶシステムが,目標条件強化学習のための提案手法を上回っていることを示す。 我々は、ラストマイル配送や倉庫検査など、現実の多くのアプリケーションでViNGを実演する。
  論文  参考訳（メタデータ） (2020-12-17T18:22:32Z)
• Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
  そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。 私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。 学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
  論文  参考訳（メタデータ） (2020-03-20T16:13:47Z)

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。