Fugu-MT 論文翻訳(概要): Visual Navigation in Real-World Indoor Environments Using End-to-End Deep Reinforcement Learning

論文の概要: Visual Navigation in Real-World Indoor Environments Using End-to-End Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2010.10903v1
Date: Wed, 21 Oct 2020 11:22:30 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 22:30:33.947703
Title: Visual Navigation in Real-World Indoor Environments Using End-to-End Deep Reinforcement Learning
Title（参考訳）: エンド・ツー・エンド深層強化学習を用いた実環境におけるビジュアルナビゲーション
Authors: Jon\'a\v{s} Kulh\'anek and Erik Derner and Robert Babu\v{s}ka
Abstract要約: そこで本研究では,実際のロボットにトレーニング済みポリシーを直接展開する手法を提案する。このポリシーは、現実世界の環境から収集された画像に基づいて微調整される。 30回のナビゲーション実験では、このロボットは86.7%以上のケースで目標の0.3メートル付近に到達した。
参考スコア（独自算出の注目度）: 2.7071541526963805
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Visual navigation is essential for many applications in robotics, from manipulation, through mobile robotics to automated driving. Deep reinforcement learning (DRL) provides an elegant map-free approach integrating image processing, localization, and planning in one module, which can be trained and therefore optimized for a given environment. However, to date, DRL-based visual navigation was validated exclusively in simulation, where the simulator provides information that is not available in the real world, e.g., the robot's position or image segmentation masks. This precludes the use of the learned policy on a real robot. Therefore, we propose a novel approach that enables a direct deployment of the trained policy on real robots. We have designed visual auxiliary tasks, a tailored reward scheme, and a new powerful simulator to facilitate domain randomization. The policy is fine-tuned on images collected from real-world environments. We have evaluated the method on a mobile robot in a real office environment. The training took ~30 hours on a single GPU. In 30 navigation experiments, the robot reached a 0.3-meter neighborhood of the goal in more than 86.7% of cases. This result makes the proposed method directly applicable to tasks like mobile manipulation.
Abstract（参考訳）: 視覚ナビゲーションは、操作から移動ロボット、自動運転まで、ロボット工学の多くのアプリケーションにとって不可欠である。深部強化学習(DRL)は、画像処理、ローカライゼーション、計画をひとつのモジュールに統合したエレガントな地図のないアプローチを提供する。しかし、これまでDRLベースの視覚ナビゲーションは、ロボットの位置やイメージセグメンテーションマスクのような現実世界では利用できない情報を提供するシミュレーションでのみ検証されていた。これにより、学習したポリシーを本物のロボットに使用できなくなる。そこで本研究では,実ロボットに訓練されたポリシーを直接展開する手法を提案する。我々は,視覚補助タスク,報奨スキームの調整,ドメインのランダム化を容易にするための新しい強力なシミュレータを設計した。ポリシーは、実環境から収集された画像に基づいて微調整される。本手法を実オフィス環境における移動ロボット上で評価した。トレーニングには1つのGPUで約30時間かかった。 30回のナビゲーション実験で、このロボットは86.7%以上のケースで目標の0.3メートル付近に到達した。提案手法は,モバイル操作などのタスクに直接適用することができる。

関連論文リスト

Learning autonomous driving from aerial imagery [67.06858775696453]
フォトグラムシミュレーターは、生成済みの資産を新しいビューに変換することによって、新しいビューを合成することができる。我々は、ニューラルネットワーク場(NeRF)を中間表現として使用し、地上車両の視点から新しいビューを合成する。
論文参考訳（メタデータ） (2024-10-18T05:09:07Z)
Harmonic Mobile Manipulation [35.82197562695662]
HarmonicMMはナビゲーションと操作の両方を最適化するエンドツーエンドの学習手法である。私たちのコントリビューションには、モバイル操作のための新しいベンチマークと、RGBの視覚的観察のみによるデプロイメントの成功が含まれています。
論文参考訳（メタデータ） (2023-12-11T18:54:42Z)
Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文参考訳（メタデータ） (2023-03-02T18:51:38Z)
Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving Without Real Data [56.49494318285391]
我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
論文参考訳（メタデータ） (2022-10-25T17:50:36Z)
Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
論文参考訳（メタデータ） (2021-04-12T23:14:41Z)
Learning a State Representation and Navigation in Cluttered and Dynamic Environments [6.909283975004628]
本稿では,四足ロボットによる局所ナビゲーションを実現するための学習ベースのパイプラインを提案する。ロボットは、環境を明示的にマッピングすることなく、奥行きカメラのフレームに基づいて、安全な場所へ移動することができる。本システムでは,ノイズの多い奥行き画像の処理が可能であり,訓練中の動的障害物を回避でき,局所的な空間意識を付与できることを示す。
論文参考訳（メタデータ） (2021-03-07T13:19:06Z)
Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文参考訳（メタデータ） (2021-02-09T10:34:32Z)
Autonomous Navigation in Dynamic Environments: Deep Learning-Based Approach [0.0]
本論文は,各スキームの長所と短所を浮き彫りにした深層学習に基づくアプローチを考察する。畳み込みニューラルネットワーク(CNN)に基づくディープラーニング手法の1つは、ソフトウェア実装によって実現される。本研究では, レーザースキャナの代わりに単眼カメラを使用するという基礎から, レストラン, 博物館などの屋内アプリケーションに対して, 低コストなアプローチを提案する。
論文参考訳（メタデータ） (2021-02-03T23:20:20Z)
Deep Reinforcement learning for real autonomous mobile robot navigation in indoor environments [0.0]
本研究では,地図やプランナーを使わずに,未知の環境下での自律型自律学習ロボットナビゲーションの概念を実証する。ロボットの入力は、2DレーザースキャナーとRGB-Dカメラからの融合データと目標への向きのみである。 Asynchronous Advantage Actor-Critic Network(GA3C)の出力動作は、ロボットの線形および角速度である。
論文参考訳（メタデータ） (2020-05-28T09:15:14Z)
Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
論文参考訳（メタデータ） (2020-03-20T16:13:47Z)
On Reward Shaping for Mobile Robot Navigation: A Reinforcement Learning and SLAM Based Approach [7.488722678999039]
本研究では,未知環境下を走行する移動ロボットを対象とした,深層強化学習(DRL)に基づくマップレス経路計画アルゴリズムを提案する。プランナーは、トレーニング環境の地図のオンライン知識に基づいて、報酬関数を用いて訓練される。シミュレーション環境で訓練されたポリシーを直接、実際のロボットに転送し、成功させることができる。
論文参考訳（メタデータ） (2020-02-10T22:00:16Z)

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。