論文の概要: GymFG: A Framework with a Gym Interface for FlightGear

• arxiv url: http://arxiv.org/abs/2004.12481v1
• Date: Sun, 26 Apr 2020 21:06:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 13:54:45.015045
• Title: GymFG: A Framework with a Gym Interface for FlightGear
• Title（参考訳）: GymFG: FlightGear用のGymインターフェースを備えたフレームワーク
• Authors: Andrew Wood, Ali Sydney, Peter Chin, Bishal Thapa, Ryan Ross
• Abstract要約: 我々は、GymFG:GymFGカップルを開発し、高忠実でオープンソースのフライトシミュレータを拡張した。 我々は,Imitation Learning を用いた自律航空エージェントの訓練に GymFG を用いることを実証した。
• 参考スコア（独自算出の注目度）: 2.769397444183181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the past decades, progress in deployable autonomous flight systems has slowly stagnated. This is reflected in today's production air-crafts, where pilots only enable simple physics-based systems such as autopilot for takeoff, landing, navigation, and terrain/traffic avoidance. Evidently, autonomy has not gained the trust of the community where higher problem complexity and cognitive workload are required. To address trust, we must revisit the process for developing autonomous capabilities: modeling and simulation. Given the prohibitive costs for live tests, we need to prototype and evaluate autonomous aerial agents in a high fidelity flight simulator with autonomous learning capabilities applicable to flight systems: such a open-source development platform is not available. As a result, we have developed GymFG: GymFG couples and extends a high fidelity, open-source flight simulator and a robust agent learning framework to facilitate learning of more complex tasks. Furthermore, we have demonstrated the use of GymFG to train an autonomous aerial agent using Imitation Learning. With GymFG, we can now deploy innovative ideas to address complex problems and build the trust necessary to move prototypes to the real-world.
• Abstract（参考訳）: 過去数十年間、展開可能な自律飛行システムの進歩は徐々に停滞している。 これは今日の航空機生産に反映されており、パイロットは離陸、着陸、航行、地形・交通回避のための自動操縦のような単純な物理ベースのシステムしか利用できない。 明らかに、自律性は、より高い問題複雑性と認知的ワークロードを必要とするコミュニティの信頼を得ていない。 信頼に対処するためには、モデリングとシミュレーションという自律的な能力を開発するプロセスを再考する必要がある。 ライブテストの禁止コストを考えると、飛行システムに適用可能な自律学習機能を備えた高忠実な飛行シミュレータで、自律飛行エージェントのプロトタイプを作成し、評価する必要があります。 その結果、我々はgymfg: gymfg couples を開発し、高度でオープンソースのフライトシミュレータとより複雑なタスクの学習を容易にするロバストなエージェント学習フレームワークを拡張した。 さらに,Imitation Learning を用いた自律飛行エージェントの訓練に GymFG を用いることを実証した。 GymFGを使えば、複雑な問題に対処する革新的なアイデアを展開でき、プロトタイプを現実世界に移すために必要な信頼を構築することができます。

関連論文リスト

• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Learning to Fly in Seconds [7.259696592534715]
  カリキュラム学習と高度に最適化されたシミュレータが,サンプルの複雑さを増し,学習時間の短縮につながることを示す。 我々のフレームワークは、コンシューマ級ラップトップで18秒のトレーニングをした後、直接制御するためのSimulation-to-Real(Sim2Real)転送を可能にする。
  論文  参考訳（メタデータ） (2023-11-22T01:06:45Z)
• Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
  本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。 複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。 実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
  論文  参考訳（メタデータ） (2023-06-27T17:58:39Z)
• Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
  本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。 提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
  論文  参考訳（メタデータ） (2023-04-19T17:37:54Z)
• AI Enabled Maneuver Identification via the Maneuver Identification Challenge [5.628624906988051]
  Maneuver IDは、現実の空軍のフライトシミュレーターデータを用いたAIチャレンジである。 このデータセットはManeuver-ID.mit.eduで公開されている。 我々は「良い」と「悪い」シミュレーターデータを分離し、操作の分類と特徴付けに様々なAI手法を適用した。
  論文  参考訳（メタデータ） (2022-11-28T16:55:32Z)
• A Deep Reinforcement Learning Strategy for UAV Autonomous Landing on a Platform [0.0]
  物理シミュレーションプラットフォーム(ROS-RL)の一種であるGazeboに基づく強化学習フレームワークを提案する。 我々は,自律着陸問題に対処するために,3つの連続行動空間強化学習アルゴリズムをフレームワークに使用した。
  論文  参考訳（メタデータ） (2022-09-07T06:33:57Z)
• A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
  深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。 機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
  論文  参考訳（メタデータ） (2022-08-16T17:37:36Z)
• Learning to Fly -- a Gym Environment with PyBullet Physics for Reinforcement Learning of Multi-agent Quadcopter Control [0.0]
  本稿では,Bullet物理エンジンに基づく複数クワッドコプターのオープンソース環境を提案する。 マルチエージェントおよびビジョンベースの強化学習インターフェース、および現実的な衝突と空力効果のサポートは、私たちの知識の最高に、その種の最初のものにします。
  論文  参考訳（メタデータ） (2021-03-03T02:47:59Z)
• Model-Based Meta-Reinforcement Learning for Flight with Suspended Payloads [69.21503033239985]
  吊り下げられたペイロードの輸送は、自律的な航空車両にとって困難である。 接続後飛行データから数秒以内に変化力学のモデルを学習するメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:43:56Z)
• Learning to Fly via Deep Model-Based Reinforcement Learning [37.37420200406336]
  モデルベース強化学習により, 四角子に対する推力制御系を学習する。 を1台のドローンで30分未満の経験で達成できることが示されています。
  論文  参考訳（メタデータ） (2020-03-19T15:55:39Z)
• AirSim Drone Racing Lab [56.68291351736057]
  AirSim Drone Racing Labは、この領域で機械学習研究を可能にするシミュレーションフレームワークである。 本フレームワークは,複数の写真リアル環境下でのレーストラック生成を可能にする。 当社のフレームワークを使用して,NeurIPS 2019で,シミュレーションベースのドローンレースコンペティションを開催しました。
  論文  参考訳（メタデータ） (2020-03-12T08:06:06Z)

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。