論文の概要: QED: using Quality-Environment-Diversity to evolve resilient robot swarms

• arxiv url: http://arxiv.org/abs/2003.02341v1
• Date: Wed, 4 Mar 2020 21:36:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 12:41:42.270755
• Title: QED: using Quality-Environment-Diversity to evolve resilient robot swarms
• Title（参考訳）: QED: 回復力のあるロボット群を進化させるための品質環境多様性の利用
• Authors: David M. Bossens and Danesh Tarapore
• Abstract要約: Swarm Roboticsでは、Swarm内のどのロボットも異なる障害の影響を受け、パフォーマンスが大幅に低下する可能性がある。 モデルのないフォールトリカバリアプローチには、2つのフェーズがある:シミュレーションの間、品質多様性アルゴリズムは、挙動的に多様なコントローラのアーカイブを進化させる。 環境多様性の影響は、適切な行動記述子を選択する際に無視されることが多い。
• 参考スコア（独自算出の注目度）: 12.18340575383456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In swarm robotics, any of the robots in a swarm may be affected by different faults, resulting in significant performance declines. To allow fault recovery from randomly injected faults to different robots in a swarm, a model-free approach may be preferable due to the accumulation of faults in models and the difficulty to predict the behaviour of neighbouring robots. One model-free approach to fault recovery involves two phases: during simulation, a quality-diversity algorithm evolves a behaviourally diverse archive of controllers; during the target application, a search for the best controller is initiated after fault injection. In quality-diversity algorithms, the choice of the behavioural descriptor is a key design choice that determines the quality of the evolved archives, and therefore the fault recovery performance. Although the environment is an important determinant of behaviour, the impact of environmental diversity is often ignored in the choice of a suitable behavioural descriptor. This study compares different behavioural descriptors, including two generic descriptors that work on a wide range of tasks, one hand-coded descriptor which fits the domain of interest, and one novel type of descriptor based on environmental diversity, which we call Quality-Environment-Diversity (QED). Results demonstrate that the above-mentioned model-free approach to fault recovery is feasible in the context of swarm robotics, reducing the fault impact by a factor 2-3. Further, the environmental diversity obtained with QED yields a unique behavioural diversity profile that allows it to recover from high-impact faults.
• Abstract（参考訳）: swarm roboticsでは、swarm内のどのロボットも異なる障害に影響を受け、パフォーマンスが大幅に低下する可能性がある。 スウォーム内の異なるロボットにランダムに注入された故障からの障害復旧を可能にするため、モデル内の障害の蓄積と近隣ロボットの挙動予測の困難により、モデルフリーなアプローチが望ましい。 モデルのないフォールトリカバリアプローチには、2つのフェーズがある:シミュレーションの間、品質多様性アルゴリズムは、挙動的に多様なコントローラのアーカイブを進化させ、ターゲットアプリケーションでは、障害注入後に最良のコントローラの探索を開始する。 品質多様性アルゴリズムでは、振る舞い記述子の選択は進化したアーカイブの品質を決定する重要な設計選択であり、それゆえフォールトリカバリ性能である。 環境は行動の重要な決定要因であるが、環境多様性の影響はしばしば適切な行動記述子の選択において無視される。 本研究は、幅広いタスクを扱う2つの一般的な記述子、関心領域に適合する1つの手書き記述子、環境多様性に基づく1つの新しいタイプの記述子を含む行動記述子を比較し、品質環境多様性(QED)と呼ぶ。 以上の結果から,Swarmロボティクスの文脈では,上記のモデルフリーの断層回復アプローチが実現可能であることが示唆された。 さらに、QEDで得られた環境多様性は、高い影響の断層から回復できるユニークな挙動の多様性プロファイルをもたらす。

関連論文リスト

• Robustness for Free: Quality-Diversity Driven Discovery of Agile Soft Robotic Gaits [0.7829600874436199]
  地形変化に頑健な歩留まりのレパートリーを,品質多様性アルゴリズムがいかに生み出すかを示す。 このロバスト性は、単一の目的最適化アルゴリズムによって生成される歩留まりを大きく上回る。
  論文  参考訳（メタデータ） (2023-11-02T14:00:11Z)
• Quality Diversity under Sparse Reward and Sparse Interaction: Application to Grasping in Robotics [0.0]
  QD法(Quality-Diversity Method)は、与えられた問題に対して多種多様な高性能なソリューションセットを生成することを目的としたアルゴリズムである。 本研究は,ロボット工学における把握にQDがどう対処できるかを考察する。 ロボットグリップの2つの異なるセットアップと5つの標準オブジェクトに対応して、ドメインを10個把握する15の異なる方法の実験が行われた。
  論文  参考訳（メタデータ） (2023-08-10T10:19:48Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
  本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。 ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。 本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T05:57:29Z)
• The Quality-Diversity Transformer: Generating Behavior-Conditioned Trajectories with Decision Transformers [3.185440619417202]
  品質多様性アルゴリズムは、多様かつ効率的なポリシーのレパートリーを生成するのに有効であることが証明されている。 不確実な環境では、ポリシーは堅牢性と再現性に欠ける可能性がある。 本稿では,2つのメカニズムに基づく行動条件付き軌道生成を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-27T19:39:49Z)
• Estimation of continuous environments by robot swarms: Correlated networks and decision-making [0.0]
  大規模なマルチロボットシステムは、Swarmレベルで自律性を確立するために集団的な意思決定が必要である。 本研究では,実環境におけるロボット群実験において,制御アルゴリズムを提案して検討する。 提案手法は実効性があり,制御実験よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2023-02-27T09:57:15Z)
• Learning to Walk Autonomously via Reset-Free Quality-Diversity [73.08073762433376]
  品質多様性アルゴリズムは、多様かつ高いパフォーマンスのスキルからなる大規模で複雑な行動レパートリーを発見することができる。 既存のQDアルゴリズムは、手動による人間の監督と介入を必要とするエピソードリセットと同様に、多数の評価を必要とする。 本稿では,オープンエンド環境におけるロボットの自律学習に向けたステップとして,リセットフリー品質多様性最適化(RF-QD)を提案する。
  論文  参考訳（メタデータ） (2022-04-07T14:07:51Z)
• Rapidly adapting robot swarms with Swarm Map-based Bayesian Optimisation [1.0152838128195467]
  予期せぬ環境破壊からの迅速なパフォーマンス回復は、群れロボティクスにおける大きな課題です。 この課題を解決するために,制御器のアーカイブを検索して潜在的な回復ソリューションを探索する行動適応手法を提案する。 2つのアルゴリズムを提案する: (i)swarm map-based optimization (smbo) 1つのコントローラを一度に選択・評価し、一様swarmに対して一元的に一元的に評価するアルゴリズムと、(ii)swarm map-based optimisation decentralized (smbo-dec) という非同期バッチベースのベイズ最適化を実行するアルゴリズムである。
  論文  参考訳（メタデータ） (2020-12-21T15:54:37Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。