論文の概要: Toward Campus Mail Delivery Using BDI

• arxiv url: http://arxiv.org/abs/2007.16089v1
• Date: Thu, 23 Jul 2020 01:33:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 13:15:22.683771
• Title: Toward Campus Mail Delivery Using BDI
• Title（参考訳）: BDIを用いたキャンパスメール配信に向けて
• Authors: Chidiebere Onyedinma (University of Ottawa), Patrick Gavigan (Carleton University), Babak Esfandiari (Carleton University)
• Abstract要約: 我々は、カールトン大学のトンネルシステムにおいて、キャンパスでの郵便配達のために、現実世界で使用するBDIエージェントを構築しようとした。 ロボットは、モバイルアプリケーション経由で配達注文を受け取り、駅でメールを受け取り、目的地の駅までトンネルをナビゲートし、受信者に通知する。 ハードウェアとソフトウェアの統合のループを閉じ、システム全体に必要なユースケースのサブセットを実装した現在の実装を紹介します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous systems developed with the Belief-Desire-Intention (BDI) architecture are usually mostly implemented in simulated environments. In this project we sought to build a BDI agent for use in the real world for campus mail delivery in the tunnel system at Carleton University. Ideally, the robot should receive a delivery order via a mobile application, pick up the mail at a station, navigate the tunnels to the destination station, and notify the recipient. We linked the Robot Operating System (ROS) with a BDI reasoning system to achieve a subset of the required use cases. ROS handles the low-level sensing and actuation, while the BDI reasoning system handles the high-level reasoning and decision making. Sensory data is orchestrated and sent from ROS to the reasoning system as perceptions. These perceptions are then deliberated upon, and an action string is sent back to ROS for interpretation and driving of the necessary actuator for the action to be performed. In this paper we present our current implementation, which closes the loop on the hardware-software integration, and implements a subset of the use cases required for the full system.
• Abstract（参考訳）: Belief-Desire-Intention (BDI)アーキテクチャで開発された自律システムは通常、シミュレーション環境で実装される。 本プロジェクトでは, カールトン大学のトンネルシステムにおいて, 実世界における構内メール配信のためのBDIエージェントの構築を試みた。 理想的には、ロボットはモバイルアプリケーション経由で配達注文を受け取り、駅で郵便を受け取り、目的地の駅までトンネルをナビゲートし、受信者に通知する必要がある。 我々は,ロボット・オペレーティング・システム(ROS)をBDI推論システムと結びつけ,必要なユースケースのサブセットを実現する。 ROSは低レベルのセンシングとアクティベーションを処理し、BDI推論システムは高レベルの推論と意思決定を処理する。 感覚データをオーケストレーションし、ROSから推論システムに認識として送信する。 これらの知覚は意図され、アクション文字列がROSに送信され、実行すべき動作に必要なアクチュエータの解釈と駆動が行われる。 本稿では,ハードウェアとソフトウェアの統合のループを閉じ,システム全体に必要なユースケースのサブセットを実装した現在の実装について述べる。

関連論文リスト

• ROS-LLM: A ROS framework for embodied AI with task feedback and structured reasoning [74.58666091522198]
  非専門家による直感的なロボットプログラミングのためのフレームワークを提案する。 ロボットオペレーティングシステム(ROS)からの自然言語のプロンプトと文脈情報を活用する 我々のシステムは,大規模言語モデル (LLM) を統合し,非専門家がチャットインタフェースを通じてシステムにタスク要求を記述できるようにする。
  論文  参考訳（メタデータ） (2024-06-28T08:28:38Z)
• 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)
• Reinforcement learning based local path planning for mobile robot [0.0]
  オフラインのシナリオでは、環境マップが一度作成され、このマップ上に固定された経路計画が作成され、ターゲットに到達する。 オンラインのシナリオでは、センサーから得られる知覚データを用いて地図を使わずに、ロボットは所定の目標に向かって動的に移動する。 深層ニューラルネットワークを用いたQ-Learning手法は、前述のモバイルロボットナビゲーションの問題に対する新たな解決策として使用される。
  論文  参考訳（メタデータ） (2023-10-24T18:26:25Z)
• Asynchronous Perception-Action-Communication with Graph Neural Networks [93.58250297774728]
  グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。 ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。 近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。 本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T21:20:50Z)
• RobotKube: Orchestrating Large-Scale Cooperative Multi-Robot Systems with Kubernetes and ROS [0.0]
  大規模協調型マルチロボットシステム全体を組織化するアプローチとして,RobotKubeを提案する。 このようなシステムの主なコンポーネントとして、追加アプリケーションのデプロイを要求できるイベント検出機能と、クラスタに必要な変更を自動的に設定可能なアプリケーションマネージャの2つを挙げる。 広く採用されているプラットフォームとRobot Operating Systemを組み合わせることで、CITSで開発、デプロイ、スケーリング、監視を行うための標準ツールとプラクティスの使用が可能になります。
  論文  参考訳（メタデータ） (2023-08-14T10:27:20Z)
• OASIS: Automated Assessment of Urban Pedestrian Paths at Scale [16.675093530600154]
  モバイル機器を用いて歩道ネットワークデータを抽出する自由かつオープンソースの自動マッピングシステムを開発した。 本稿では,地域交通経路レビューチームの一員である人間測量士とともに,実環境で収集した画像を用いて訓練・テストしたプロトタイプシステムについて述べる。
  論文  参考訳（メタデータ） (2023-03-04T01:32:59Z)
• A Compositional Approach to Verifying Modular Robotic Systems [1.385411134620987]
  本稿では,ロボットオペレーティング・システム(ROS)を用いたロボットシステムにおけるノードの特定のための構成的アプローチについて述べる。 我々は,これらのノードレベルの契約の構成を容易にする推論ルールを導入し,システムレベルの特性を導出する。 また、ノードのFOL仕様をキャプチャし、この契約を実装にリンクする新しいDomain-Specific Language、ROS Contract Languageも提示します。
  論文  参考訳（メタデータ） (2022-08-10T18:01:40Z)
• 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)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• 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)
• Autonomous Intruder Detection Using a ROS-Based Multi-Robot System Equipped with 2D-LiDAR Sensors [0.5512295869673147]
  本稿では,中央ロボットMIDNetによる全ロボットからの検知を集中処理する単一距離センサ/ロボットシナリオにおける侵入者検出のためのマルチロボットシステムを提案する。 この作業は、人手なしで倉庫に自律的なマルチロボットセキュリティソリューションを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-11-07T19:49:07Z)

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。