論文の概要: Who2com: Collaborative Perception via Learnable Handshake Communication
- arxiv url: http://arxiv.org/abs/2003.09575v1
- Date: Sat, 21 Mar 2020 04:16:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 13:14:53.674628
- Title: Who2com: Collaborative Perception via Learnable Handshake Communication
- Title（参考訳）: Who2com: 学習可能なハンドシェイクコミュニケーションによる協調的知覚
- Authors: Yen-Cheng Liu, Junjiao Tian, Chih-Yao Ma, Nathan Glaser, Chia-Wen Kuo
and Zsolt Kira
- Abstract要約: 本稿では,ロボットが周囲のエージェントと局所的な観察を組み合わせて学習可能な方法で認識タスクの精度を向上する,協調的知覚の問題を提案する。
ネットワーク通信プロトコルにヒントを得た多段階ハンドシェイク通信機構を提案する。
セマンティックセグメンテーションタスクにおいて、ハンドシェイク通信方式は、分散ベースラインよりも約20%精度が向上し、帯域幅の4分の1を使用した集中型セグメンテーションに匹敵することを示す。
- 参考スコア（独自算出の注目度）: 34.29310680302486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose the problem of collaborative perception, where
robots can combine their local observations with those of neighboring agents in
a learnable way to improve accuracy on a perception task. Unlike existing work
in robotics and multi-agent reinforcement learning, we formulate the problem as
one where learned information must be shared across a set of agents in a
bandwidth-sensitive manner to optimize for scene understanding tasks such as
semantic segmentation. Inspired by networking communication protocols, we
propose a multi-stage handshake communication mechanism where the neural
network can learn to compress relevant information needed for each stage.
Specifically, a target agent with degraded sensor data sends a compressed
request, the other agents respond with matching scores, and the target agent
determines who to connect with (i.e., receive information from). We
additionally develop the AirSim-CP dataset and metrics based on the AirSim
simulator where a group of aerial robots perceive diverse landscapes, such as
roads, grasslands, buildings, etc. We show that for the semantic segmentation
task, our handshake communication method significantly improves accuracy by
approximately 20% over decentralized baselines, and is comparable to
centralized ones using a quarter of the bandwidth.
- Abstract（参考訳）: 本稿では,ロボットが局所的な観察と隣接エージェントの観察を組み合わせることで,知覚タスクの精度を向上させるための協調的知覚の問題を提案する。
ロボット工学やマルチエージェント強化学習の既存の研究とは違って、セマンティックセグメンテーションのようなシーン理解タスクを最適化するために、学習情報を複数のエージェント間で共有しなければならない問題として定式化する。
ネットワーク通信プロトコルに着想を得て,各ステージに必要な情報をニューラルネットワークが圧縮することを学ぶ多段階ハンドシェイク通信機構を提案する。
具体的には、センサデータを劣化させたターゲットエージェントが圧縮された要求を送信し、他のエージェントが一致するスコアで応答し、ターゲットエージェントが接続する相手を決定する(つまり、情報を受け取る)。
さらに、AirSim-CPデータセットとメトリクスをAirSimシミュレータに基づいて開発し、道路、草原、建物など、さまざまな風景を航空機ロボット群が知覚する。
セマンティックセグメンテーションタスクにおいて、ハンドシェイク通信方式は、分散ベースラインよりも約20%精度が向上し、帯域幅の4分の1を使用した集中型セグメンテーションに匹敵することを示す。
関連論文リスト
- Communication Learning in Multi-Agent Systems from Graph Modeling Perspective [62.13508281188895]
本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。
本稿では,各エージェントに対して時間的ゲーティング機構を導入し,ある時間に共有情報を受信するかどうかの動的決定を可能にする。
論文 参考訳（メタデータ） (2024-11-01T05:56:51Z) - Learning Multi-Agent Communication from Graph Modeling Perspective [62.13508281188895]
本稿では,エージェント間の通信アーキテクチャを学習可能なグラフとして概念化する手法を提案する。
提案手法であるCommFormerは,通信グラフを効率よく最適化し,勾配降下によるアーキテクチャパラメータをエンドツーエンドで並列に洗練する。
論文 参考訳（メタデータ） (2024-05-14T12:40:25Z) - LPAC: Learnable Perception-Action-Communication Loops with Applications
to Coverage Control [80.86089324742024]
本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。
CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。
評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2024-01-10T00:08:00Z) - Will 6G be Semantic Communications? Opportunities and Challenges from
Task Oriented and Secure Communications to Integrated Sensing [49.83882366499547]
本稿では,マルチタスク学習を統合した次世代(NextG)ネットワークにおけるタスク指向およびセマンティックコミュニケーションの機会と課題について検討する。
我々は、送信側の専用エンコーダと受信側の複数のタスク固有のデコーダを表すディープニューラルネットワークを用いる。
トレーニングとテストの段階において、敵対的攻撃に起因する潜在的な脆弱性を精査する。
論文 参考訳（メタデータ） (2024-01-03T04:01:20Z) - Simulation of robot swarms for learning communication-aware coordination [0.0]
我々は、全能集中型コントローラから得られる局所的な観測を入力として、エンドツーエンドのニューラルネットワークを訓練する。
実験は、平面ロボットの高性能オープンソースシミュレータであるEnkiで実施されている。
論文 参考訳（メタデータ） (2023-02-25T17:17:40Z) - A Robot Web for Distributed Many-Device Localisation [18.417301483203996]
ロボットの分散ネットワークは、効率的なアドホックピアからピアコミュニケーションを通じて、グローバルなローカライズに協力できることを示す。
任意のパターンで対話する最大1000個のロボットによるシミュレーションにおいて、我々の解は非線形因子グラフ解法と同じくらいの精度でグローバルに精度を達成できることを示す。
論文 参考訳（メタデータ） (2022-02-07T16:00:25Z) - Interpretation of Emergent Communication in Heterogeneous Collaborative
Embodied Agents [83.52684405389445]
本稿では,コラボレーティブな多目的ナビゲーションタスクCoMONを紹介する。
この課題において、オラクルエージェントは、地図の形式で詳細な環境情報を有する。
視覚的に環境を知覚するナビゲーターエージェントと通信し、目標のシーケンスを見つけるのが任務である。
創発的コミュニケーションはエージェントの観察と3次元環境の空間構造に基礎を置くことができることを示す。
論文 参考訳（メタデータ） (2021-10-12T06:56:11Z) - Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。
当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。
我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
論文 参考訳（メタデータ） (2021-03-08T21:48:55Z) - Networked Multi-Agent Reinforcement Learning with Emergent Communication [18.47483427884452]
MARL(Multi-Agent Reinforcement Learning)法は,他の学習エージェントの存在下で活動するエージェントに対して最適なポリシーを求める。
コーディネートするひとつの方法は、相互通信を学ぶことです。
エージェントは共通のタスクを実行するために学習しながら言語を開発することができるか?
論文 参考訳（メタデータ） (2020-04-06T16:13:23Z)
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。