論文の概要: An Active Learning Framework for Constructing High-fidelity Mobility Maps

• arxiv url: http://arxiv.org/abs/2003.03517v1
• Date: Sat, 7 Mar 2020 04:50:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 19:12:55.311610
• Title: An Active Learning Framework for Constructing High-fidelity Mobility Maps
• Title（参考訳）: 高忠実度モビリティマップ構築のためのアクティブラーニングフレームワーク
• Authors: Gary R. Marple, David Gorsich, Paramsothy Jayakumar, Shravan Veerapaneni
• Abstract要約: 本稿では,機械学習分類器の学習に必要なシミュレーション数を,精度を犠牲にすることなく大幅に削減する,能動的学習パラダイムを提案する。 実験結果から, ランダムサンプリングと比較した場合のシミュレーション回数の半分以下を用いて, ニューラルネットワークを高精度に学習できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A mobility map, which provides maximum achievable speed on a given terrain, is essential for path planning of autonomous ground vehicles in off-road settings. While physics-based simulations play a central role in creating next-generation, high-fidelity mobility maps, they are cumbersome and expensive. For instance, a typical simulation can take weeks to run on a supercomputer and each map requires thousands of such simulations. Recent work at the U.S. Army CCDC Ground Vehicle Systems Center has shown that trained machine learning classifiers can greatly improve the efficiency of this process. However, deciding which simulations to run in order to train the classifier efficiently is still an open problem. According to PAC learning theory, data that can be separated by a classifier is expected to require $\mathcal{O}(1/\epsilon)$ randomly selected points (simulations) to train the classifier with error less than $\epsilon$. In this paper, building on existing algorithms, we introduce an active learning paradigm that substantially reduces the number of simulations needed to train a machine learning classifier without sacrificing accuracy. Experimental results suggest that our sampling algorithm can train a neural network, with higher accuracy, using less than half the number of simulations when compared to random sampling.
• Abstract（参考訳）: 任意の地形上で最大到達速度を提供するモビリティマップは、オフロード環境での自律的な地上車両の経路計画に不可欠である。 物理ベースのシミュレーションは、次世代の高忠実度モビリティマップを作成する上で中心的な役割を果たすが、面倒で高価である。 例えば、典型的なシミュレーションはスーパーコンピュータ上で実行するのに数週間かかり、各マップには何千ものシミュレーションが必要である。 アメリカ陸軍のCCDC地上車両システムセンターにおける最近の研究は、訓練された機械学習分類器がこのプロセスの効率を大幅に改善できることを示した。 しかし、分類器を効率的に訓練するためにどのシミュレーションを実行するかは、まだ未解決の問題である。 pac学習理論によると、分類器によって分離できるデータは$\mathcal{o}(1/\epsilon)$ランダムに選択された点(シミュレーション)が必要であり、$\epsilon$未満のエラーで分類器を訓練する。 本稿では,既存のアルゴリズムを基礎として,機械学習分類器の学習に必要なシミュレーション数を,精度を犠牲にすることなく大幅に削減するアクティブラーニングパラダイムを提案する。 実験結果から, ランダムサンプリングと比較した場合のシミュレーション回数の半分以下を用いて, ニューラルネットワークを高精度に学習できることが示唆された。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Learning Quadruped Locomotion Using Differentiable Simulation [31.80380408663424]
  微分可能シミュレーションは、高速収束と安定した訓練を約束する。 本研究はこれらの課題を克服するための新しい微分可能シミュレーションフレームワークを提案する。 我々のフレームワークは並列化なしで数分で四足歩行を学習できる。
  論文  参考訳（メタデータ） (2024-03-21T22:18:59Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• SimNet: Learning Reactive Self-driving Simulations from Real-world Observations [10.035169936164504]
  運転体験を現実的にシミュレートできるエンドツーエンドのトレーニング可能な機械学習システムを提案する。 これは、高価で時間を要する道路テストに頼ることなく、自動運転システムのパフォーマンスの検証に使用できる。
  論文  参考訳（メタデータ） (2021-05-26T05:14:23Z)
• Learning Optimal Decision Making for an Industrial Truck Unloading Robot using Minimal Simulator Runs [15.208516853395453]
  私たちのような高忠実なロボットシミュレータのほとんどは、時間がかかる。 トラックの降ろし問題に対して, 実験により, シミュレーター走行の大幅な削減が達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-03-13T06:22:23Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。