論文の概要: Every Action Based Sensor
- arxiv url: http://arxiv.org/abs/2006.04003v1
- Date: Sun, 7 Jun 2020 00:30:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 08:03:33.054380
- Title: Every Action Based Sensor
- Title（参考訳）: すべてのアクションベースセンサー
- Authors: Grace McFassel, Dylan A. Shell
- Abstract要約: エルドマンのアクションベースセンサーの理論は、基本的な情報要求を特徴づける古典的なアプローチである。
このようなセンサをバックチェーン計画を用いて取得する以前の方法は、いくつかのセンサを見落としている。
既存の治療が不十分な計画においても、アクションベースのセンサーの作り方を示す。
- 参考スコア（独自算出の注目度）: 18.488318231443944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In studying robots and planning problems, a basic question is what is the
minimal information a robot must obtain to guarantee task completion. Erdmann's
theory of action-based sensors is a classical approach to characterizing
fundamental information requirements. That approach uses a plan to derive a
type of virtual sensor which prescribes actions that make progress toward a
goal. We show that the established theory is incomplete: the previous method
for obtaining such sensors, using backchained plans, overlooks some sensors.
Furthermore, there are plans, that are guaranteed to achieve goals, where the
existing methods are unable to provide any action-based sensor. We identify the
underlying feature common to all such plans. Then, we show how to produce
action-based sensors even for plans where the existing treatment is inadequate,
although for these cases they have no single canonical sensor. Consequently,
the approach is generalized to produce sets of sensors. Finally, we show also
that this is a complete characterization of action-based sensors for planning
problems and discuss how an action-based sensor translates into the traditional
conception of a sensor.
- Abstract（参考訳）: ロボットと計画問題の研究において、基本的な疑問は、ロボットがタスク完了を保証するために得られる最小限の情報である。
エルドマンのアクションベースセンサーの理論は、基本的な情報要求を特徴づける古典的なアプローチである。
このアプローチでは、目標に向かって進むアクションを規定する仮想センサーのタイプを導出する計画を採用している。
このようなセンサをバックチェーン計画を用いて取得する以前の方法は、いくつかのセンサを見落としている。
さらに、既存の方法では、アクションベースのセンサーが提供できないため、目標を達成することが保証される計画もある。
これらすべての計画に共通する機能を特定します。
そして、既存の治療が不十分な計画であっても、アクションベースのセンサーの作り方を示すが、これらのケースでは単一の標準センサーは存在しない。
その結果、このアプローチはセンサセットを生成するために一般化される。
最後に,これは,行動に基づくセンサが従来のセンサの概念にどのように変換されるのかを議論するための,行動に基づくセンサの完全な特徴付けであることを示す。
関連論文リスト
- Sensor Deprivation Attacks for Stealthy UAV Manipulation [51.9034385791934]
無人航空機は最先端の制御アルゴリズムを用いて自律的にタスクを実行する。
本稿では,マルチパートを提案する。
センサー分離攻撃 (Sensor Deprivation Attacks, SDA) - 極秘に影響を及ぼす攻撃。
センサーのリコンフィグレーションによる プロセス制御
論文 参考訳（メタデータ） (2024-10-14T23:03:58Z) - Layout Agnostic Human Activity Recognition in Smart Homes through Textual Descriptions Of Sensor Triggers (TDOST) [0.22354214294493352]
スマートホームにおけるヒューマンアクティビティ認識(HAR)システムのためのレイアウトに依存しないモデリング手法を開発した。
我々は、周囲のトリガー条件をカプセル化するセンサートリガーのテキスト記述(TDOST)を生成する。
我々は、ベンチマークしたCASASデータセットの実験を通して、見知らぬスマートホームにおけるTDOSTベースのモデルの有効性を実証する。
論文 参考訳（メタデータ） (2024-05-20T20:37:44Z) - Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。
本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。
センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
論文 参考訳（メタデータ） (2023-02-25T18:12:37Z) - See What the Robot Can't See: Learning Cooperative Perception for Visual
Navigation [11.943412856714154]
センサをトレーニングして、関連する視点情報を移動ロボットにエンコードし、伝達する。
我々は、全てのセンサーが目標への最短経路に沿って方向を予測できるようにするという課題を克服する。
その結果,センサとロボットの通信により,SPLの最大2.0倍の改善が達成された。
論文 参考訳（メタデータ） (2022-08-01T11:37:01Z) - TANDEM: Learning Joint Exploration and Decision Making with Tactile
Sensors [15.418884994244996]
我々は,触覚探索の指導プロセスとタスク関連意思決定との相互作用に焦点を当てた。
意思決定と協調して効率的な探索戦略を学習するアーキテクチャであるTANDEMを提案する。
本手法は,触覚フィードバックのみに基づいて,触覚センサを備えたロボットが既知の集合から物体を探索・識別する必要がある触覚物体認識タスクにおいて実証する。
論文 参考訳（メタデータ） (2022-03-01T23:55:09Z) - Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。
畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。
提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文 参考訳（メタデータ） (2022-02-15T17:38:30Z) - Online Grounding of PDDL Domains by Acting and Sensing in Unknown
Environments [62.11612385360421]
本稿では,エージェントが異なるタスクを実行できるフレームワークを提案する。
機械学習モデルを統合して、感覚データを抽象化し、目標達成のためのシンボリックプランニング、ナビゲーションのためのパスプランニングを行う。
提案手法を,RGB-Dオンボードカメラ,GPS,コンパスなど,正確なシミュレーション環境で評価する。
論文 参考訳（メタデータ） (2021-12-18T21:48:20Z) - Bandit Quickest Changepoint Detection [55.855465482260165]
すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。
有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。
本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
論文 参考訳（メタデータ） (2021-07-22T07:25:35Z) - Perception Entropy: A Metric for Multiple Sensors Configuration
Evaluation and Design [17.979248163548288]
良く設計されたセンサ構成は、知覚システムの性能上界を大幅に改善する。
ベイズ理論における条件エントロピーに基づく新しい手法を提案し,カメラとLiDARの両方を含むセンサ構成を評価する。
我々の知る限りでは、これは自動運転車のマルチセンサー構成問題に対処する最初の方法である。
論文 参考訳（メタデータ） (2021-04-14T03:52:57Z) - Ant Colony Inspired Machine Learning Algorithm for Identifying and
Emulating Virtual Sensors [0.0]
他のセンサーに基づいて特定のセンサーの出力をエミュレートすることが可能である。
読み出しをエミュレートできるセンサーのサブセットを特定するために、センサーはクラスタにグループ化されなければならない。
本稿では,このようなシステムにおける仮想センサを実現するために,エンドツーエンドのアルゴリズムソリューションを提案する。
論文 参考訳（メタデータ） (2020-11-02T09:06:14Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。