論文の概要: Robust Unsupervised Learning of Temporal Dynamic Interactions
- arxiv url: http://arxiv.org/abs/2006.10241v1
- Date: Thu, 18 Jun 2020 02:39:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 13:41:07.141349
- Title: Robust Unsupervised Learning of Temporal Dynamic Interactions
- Title（参考訳）: 時間的動的相互作用のロバスト教師なし学習
- Authors: Aritra Guha, Rayleigh Lei, Jiacheng Zhu, XuanLong Nguyen and Ding Zhao
- Abstract要約: 本稿では,対話の堅牢な表現学習のためのProcrustes距離に基づくモデルフリーメトリックを提案する。
また、相互作用プリミティブの分布を比較するために、最適な輸送ベース距離メートル法も導入する。
安全パイロットデータベースから抽出した車車間相互作用の教師なし学習において,その有用性を示す。
- 参考スコア（独自算出の注目度）: 21.928675010305543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust representation learning of temporal dynamic interactions is an
important problem in robotic learning in general and automated unsupervised
learning in particular. Temporal dynamic interactions can be described by
(multiple) geometric trajectories in a suitable space over which unsupervised
learning techniques may be applied to extract useful features from raw and
high-dimensional data measurements. Taking a geometric approach to robust
representation learning for temporal dynamic interactions, it is necessary to
develop suitable metrics and a systematic methodology for comparison and for
assessing the stability of an unsupervised learning method with respect to its
tuning parameters. Such metrics must account for the (geometric) constraints in
the physical world as well as the uncertainty associated with the learned
patterns. In this paper we introduce a model-free metric based on the
Procrustes distance for robust representation learning of interactions, and an
optimal transport based distance metric for comparing between distributions of
interaction primitives. These distance metrics can serve as an objective for
assessing the stability of an interaction learning algorithm. They are also
used for comparing the outcomes produced by different algorithms. Moreover,
they may also be adopted as an objective function to obtain clusters and
representative interaction primitives. These concepts and techniques will be
introduced, along with mathematical properties, while their usefulness will be
demonstrated in unsupervised learning of vehicle-to-vechicle interactions
extracted from the Safety Pilot database, the world's largest database for
connected vehicles.
- Abstract（参考訳）: 時間的動的相互作用のロバスト表現学習は、一般にロボット学習において重要な問題であり、特に教師なし学習の自動化である。
時間的動的相互作用は、(複数の)幾何学的軌跡により、教師なし学習技術を用いて生データと高次元データから有用な特徴を抽出することができる。
時間的動的相互作用に対するロバスト表現学習に幾何学的アプローチを採り、調整パラメータに関して教師なし学習法の安定性を比較・評価するための適切な指標と体系的方法論を開発することが必要である。
このようなメトリクスは、物理的世界の(幾何学的な)制約と、学習パターンに関連する不確実性を考慮する必要がある。
本稿では,インタラクションのロバスト表現学習のための拡張距離に基づくモデルフリーメトリックと,相互作用プリミティブの分布を比較できる最適なトランスポートベース距離メトリックを提案する。
これらの距離メトリクスは、相互作用学習アルゴリズムの安定性を評価する目的として機能する。
異なるアルゴリズムによって生成された結果を比較するためにも用いられる。
さらに、クラスターと代表的相互作用プリミティブを得る客観的関数として採用することもできる。
これらの概念と技術は数学的性質とともに導入され、その有用性は、世界最大のコネクテッドカー用データベースであるsafety pilot databaseから抽出された車両間相互作用の教師なし学習で実証される。
関連論文リスト
- Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。
本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文 参考訳（メタデータ） (2024-10-15T07:35:51Z) - Learning Manipulation by Predicting Interaction [85.57297574510507]
本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。
実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
論文 参考訳（メタデータ） (2024-06-01T13:28:31Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Symphony in the Latent Space: Provably Integrating High-dimensional
Techniques with Non-linear Machine Learning Models [19.824998167546298]
本稿では,エンティティ間のインタラクションを含む機械学習アルゴリズムの構築について検討する。
本研究では,高次元相互作用の学習を非線形特徴相互作用の学習から切り離すことが可能であることを示す。
論文 参考訳（メタデータ） (2022-12-01T20:18:26Z) - Sample Efficient Dynamics Learning for Symmetrical Legged
Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
本稿では,基礎となるロボットシステムにおける対称性を利用したダイナミクスの学習手法を提案する。
ベクトル空間における全てのデータを表す既存のフレームワークは、ロボットの構造化情報を考えるのに失敗する。
論文 参考訳（メタデータ） (2022-10-13T19:57:46Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - Distributed Bayesian Online Learning for Cooperative Manipulation [9.582645137247667]
ベイズ原理を用いた協調操作の模範的タスクのための新しい分散学習フレームワークを提案する。
各エージェントは、局所状態情報のみを使用して、オブジェクトダイナミクスの推定を取得し、キネマティクスを把握する。
対象のダイナミクスと把持キネマティックスの各々の推定には不確実性の尺度が伴うため、高い確率で有界な予測誤差を保証できる。
論文 参考訳（メタデータ） (2021-04-09T13:03:09Z) - Structured Prediction for CRiSP Inverse Kinematics Learning with
Misspecified Robot Models [39.513301957826435]
本稿では,データ駆動戦略とフォワードキネマティックス関数を組み合わせた構造化予測アルゴリズムを提案する。
提案手法により、予測された関節構成がロボットの制約内に適切に収まることが保証される。
論文 参考訳（メタデータ） (2021-02-25T15:39:33Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z)
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。