Fugu-MT 論文翻訳(概要): Optical Navigation in Unstructured Dynamic Railroad Environments

論文の概要: Optical Navigation in Unstructured Dynamic Railroad Environments

arxiv url: http://arxiv.org/abs/2007.03409v1
Date: Tue, 7 Jul 2020 13:21:47 GMT
ステータス: 処理完了
システム内更新日: 2022-11-12 20:29:14.875021
Title: Optical Navigation in Unstructured Dynamic Railroad Environments
Title（参考訳）: 非構造動的鉄道環境における光ナビゲーション
Authors: Darius Burschka and Christian Robl and Sebastian Ohrendorf-Weiss
Abstract要約: 本研究では,平面軌道床の単独観測から列車動作の推定に対処する手法を提案する。このアプローチは、高価な列車管理インフラをSmartRail 4.0の列車のローカルインテリジェンスに置き換えるためのステップである。
参考スコア（独自算出の注目度）: 2.0948216657769607
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an approach for optical navigation in unstructured, dynamic railroad environments. We propose a way how to cope with the estimation of the train motion from sole observations of the planar track bed. The occasional significant occlusions during the operation of the train limit the available observation to this difficult to track, repetitive area. This approach is a step towards replacement of the expensive train management infrastructure with local intelligence on the train for SmartRail 4.0. We derive our approach for robust estimation of translation and rotation in this difficult environments and provide experimental validation of the approach on real rail scenarios.
Abstract（参考訳）: 非構造動的鉄道環境における光ナビゲーションのアプローチを提案する。本研究では,平面軌道床の単独観測から列車動作の推定に対処する方法を提案する。列車の運転中にしばしば著しい閉塞が生じたため、この追跡が難しい反復的な区間での観測が制限された。このアプローチは、高価な列車管理インフラをSmartRail 4.0の列車のローカルインテリジェンスに置き換えるためのステップである。我々は,この困難な環境での翻訳と回転のロバストな推定のためのアプローチを導出し,実際のレールシナリオにおけるアプローチの実験的検証を提供する。

関連論文リスト

Train Ego-Path Detection on Railway Tracks Using End-to-End Deep Learning [2.855485723554975]
本稿では,「列車エゴパス検出」の課題を紹介する。列車の直進経路、すなわち「エゴパス」を、潜在的に複雑でダイナミックな鉄道環境の中で特定することを目的としている。私たちの研究の中心は、エゴパス検出に適したエンドツーエンドのディープラーニングフレームワークであるTEP-Netです。
論文参考訳（メタデータ） (2024-03-19T18:46:32Z)
NavCoT: Boosting LLM-Based Vision-and-Language Navigation via Learning Disentangled Reasoning [101.56342075720588]
Embodied AIの重要な研究課題であるVision-and-Language Navigation (VLN)は、自然言語の指示に従って複雑な3D環境をナビゲートするために、エンボディエージェントを必要とする。近年の研究では、ナビゲーションの推論精度と解釈可能性を改善することにより、VLNにおける大きな言語モデル(LLM)の有望な能力を強調している。本稿では,自己誘導型ナビゲーション決定を実現するために,パラメータ効率の高いドメイン内トレーニングを実現する,Navigational Chain-of-Thought (NavCoT) という新しい戦略を提案する。
論文参考訳（メタデータ） (2024-03-12T07:27:02Z)
Towards Deviation-Robust Agent Navigation via Perturbation-Aware Contrastive Learning [125.61772424068903]
視覚言語ナビゲーション(VLN)は、エージェントに与えられた言語命令に従って実際の3D環境をナビゲートするように要求する。本稿では,既存のVLNエージェントの一般化能力を高めるために,PROPER(Progressive Perturbation-aware Contrastive Learning)と呼ばれるモデルに依存しない学習パラダイムを提案する。
論文参考訳（メタデータ） (2024-03-09T02:34:13Z)
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)
Railway Operation Rescheduling System via Dynamic Simulation and Reinforcement Learning [13.333957453318742]
自然災害の激化により、鉄道運行の混乱が増している。新型コロナウイルス(COVID-19)などの社会状況の急激な変化は、鉄道会社が頻繁に交通スケジュールを変更する必要がある。提案システムは,トレーニングとして事前に最適化処理を行うため,全線の交通スケジュールを高速に生成することができる。
論文参考訳（メタデータ） (2022-01-17T08:40:01Z)
Trajectory-Constrained Deep Latent Visual Attention for Improved Local Planning in Presence of Heterogeneous Terrain [35.12388111707609]
本稿では、地図のない局所的な視覚ナビゲーションタスクにおいて、軌跡制約のある視覚的注意を特徴とする報酬予測型モデルに基づくディープラーニング手法を提案する。提案手法では,車両制御動作による軌跡に追従する潜在画像空間内の位置に視覚的注意を向けることで,計画中の予測精度を向上させる。我々は,オフロード環境における低乱流,無衝突軌道の計画,滑りやすい地形下でのロック差のある丘登りといった視覚ナビゲーションタスクにおいて,我々のモデルを検証した。
論文参考訳（メタデータ） (2021-12-09T03:38:28Z)
Learning High-Speed Flight in the Wild [101.33104268902208]
複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
論文参考訳（メタデータ） (2021-10-11T09:43:11Z)
Transformers \`a Grande Vitesse [0.09208007322096534]
本研究の目的は,鉄道区間における列車の走行時間を,鉄道網全体の規模でリアルタイムに予測することである。提案手法は,現在使われている,実験的な予測手法と比較して,実世界のデータに対して非常に肯定的な結果をもたらす。
論文参考訳（メタデータ） (2021-05-18T13:43:18Z)
Autonomous Drone Racing with Deep Reinforcement Learning [39.757652701917166]
ドローンレースのような多くのロボットタスクにおいて、ゴールはできるだけ速くコースポイントを移動することである。重要な課題は、事前に通過するウェイポイントの完全な知識を想定して解決される最小時間軌道を計画することです。本研究では,クワッドロータの最小時間軌道生成法を提案する。
論文参考訳（メタデータ） (2021-03-15T18:05:49Z)
Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs) [61.94975011711275]
そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。提案手法を様々なシミュレーション環境で検証した。
論文参考訳（メタデータ） (2020-08-29T09:55:49Z)
Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。最先端アルゴリズムのオープンソース実装が採用されている。その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文参考訳（メタデータ） (2020-08-19T15:22:15Z)

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。