論文の概要: Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics
- arxiv url: http://arxiv.org/abs/2009.10191v1
- Date: Mon, 21 Sep 2020 21:56:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 05:43:05.746748
- Title: Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics
- Title(参考訳): ローバー・テラインダイナミクスの同定のための適応メタラーニング
- Authors: S. Banerjee, J. Harrison, P. M. Furlong, M. Pavone
- Abstract要約: ローバーは安全と効率を最大化する軌道を計画するために地形の知識を必要とする。
高標高の地形分類は、ローバーが予想外の砂トラップで立ち往生するのを防ぐには不十分である。
オンラインのローバー・テランの相互作用データを利用して将来のダイナミクスを正確に予測し、ローバーのさらなる損傷を防ぐことができる。
- 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: Rovers require knowledge of terrain to plan trajectories that maximize safety
and efficiency. Terrain type classification relies on input from human
operators or machine learning-based image classification algorithms. However,
high level terrain classification is typically not sufficient to prevent
incidents such as rovers becoming unexpectedly stuck in a sand trap; in these
situations, online rover-terrain interaction data can be leveraged to
accurately predict future dynamics and prevent further damage to the rover.
This paper presents a meta-learning-based approach to adapt probabilistic
predictions of rover dynamics by augmenting a nominal model affine in
parameters with a Bayesian regression algorithm (P-ALPaCA). A regularization
scheme is introduced to encourage orthogonality of nominal and learned
features, leading to interpretable probabilistic estimates of terrain
parameters in varying terrain conditions.
- Abstract(参考訳): ローバーは安全と効率を最大化する軌道計画のために地形の知識を必要とする。
Terrain型分類は、人間の演算子や機械学習ベースの画像分類アルゴリズムからの入力に依存する。
しかし、高層地形分類は典型的には、ローバーが予想外の砂トラップで立ち往生するのを防ぐには不十分であり、これらの状況では、オンラインローバーとテランの相互作用データを活用して将来のダイナミクスを正確に予測し、ローバーのさらなる損傷を防ぐことができる。
本稿では,ベイズ回帰アルゴリズム(P-ALPaCA)を用いて,パラメータに名目モデルアフィンを付加することにより,ローバーダイナミクスの確率論的予測を適用するメタラーニングに基づくアプローチを提案する。
正規化スキームは、名目および学習された特徴の直交性を促進するために導入され、様々な地形条件における地形パラメータの解釈可能な確率的推定をもたらす。
関連論文リスト
- Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳(メタデータ) (2024-03-20T17:41:35Z) - EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。
ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。
我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
論文 参考訳(メタデータ) (2023-11-10T18:49:53Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - METAVerse: Meta-Learning Traversability Cost Map for Off-Road Navigation [5.036362492608702]
本稿では,地形変動を正確に予測するグローバルモデル学習用メタラーニングフレームワークMETAVerseを提案する。
トラバーサビリティ予測ネットワークをトレーニングし、疎いLiDAR点雲から高密度で連続的なコストマップを生成する。
近年の交流体験を生かして,ネットワークをローカル環境に迅速に適応させるために,オンライン適応を行う。
論文 参考訳(メタデータ) (2023-07-26T06:58:19Z) - Risk-aware Path Planning via Probabilistic Fusion of Traversability
Prediction for Planetary Rovers on Heterogeneous Terrains [11.060425537315087]
提案手法は, 誤ったトラバーサビリティ予測を明示的に考慮した新しい経路計画アルゴリズムを提案する。
提案手法は, 既存手法と比較して, 異質な地形上でより実現可能な経路を生成することができる。
論文 参考訳(メタデータ) (2023-03-02T11:19:44Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳(メタデータ) (2021-09-22T12:46:04Z) - Heterogeneous-Agent Trajectory Forecasting Incorporating Class
Uncertainty [54.88405167739227]
本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。
さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。
軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
論文 参考訳(メタデータ) (2021-04-26T10:28:34Z) - Uncertainty-Aware Deep Learning for Autonomous Safe Landing Site
Selection [3.996275177789895]
本論文では,危険検出と着陸地点選択のための不確実性認識学習手法を提案する。
ベイジアンディープラーニングとセマンティックセグメンテーションを通じて、安全予測マップとその不確実性マップを生成する。
生成された不確実性マップを使用して予測マップ内の不確かさ画素をフィルタリングし、特定の画素のみに基づいて安全なランディングサイト選択を行う。
論文 参考訳(メタデータ) (2021-02-21T08:13:49Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳(メタデータ) (2020-12-03T10:17:30Z) - Domain Adaptation for Outdoor Robot Traversability Estimation from RGB
data with Safety-Preserving Loss [12.697106921197701]
本稿では,車載RGBカメラの視野内で異なる経路のトラバーススコアを推定し,予測する深層学習に基づくアプローチを提案する。
次に、勾配反転非教師付き適応によるドメインシフトに対処することで、モデルの能力を向上する。
実験結果から,本手法は移動可能領域を良好に同定し,目に見えない場所に一般化できることが示唆された。
論文 参考訳(メタデータ) (2020-09-16T09:19:33Z)
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。