論文の概要: Multi-Agent Active Search using Realistic Depth-Aware Noise Model
- arxiv url: http://arxiv.org/abs/2011.04825v2
- Date: Mon, 22 Mar 2021 16:39:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 00:32:56.325311
- Title: Multi-Agent Active Search using Realistic Depth-Aware Noise Model
- Title（参考訳）: 雑音モデルを用いたマルチエージェント能動探索
- Authors: Ramina Ghods, William J. Durkin, Jeff Schneider
- Abstract要約: 未知の環境における関心のある物体の活発な探索には、探索と救助、ガス漏れの検出、動物の密猟者の発見など、多くのロボティクスの応用がある。
既存のアルゴリズムでは、対象物の位置精度を優先することが多いが、距離や視線の関数としての物体検出の信頼性などの実用的問題は無視されている。
モノクラー光学画像と深度マップからの2つの感覚情報に基づいて,複数の地上ロボットに対して,これらの問題に対処するアルゴリズムをNATS(Noss-Aware Thompson Sampling)と呼ぶ。
- 参考スコア（独自算出の注目度）: 8.520962086877548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The active search for objects of interest in an unknown environment has many
robotics applications including search and rescue, detecting gas leaks or
locating animal poachers. Existing algorithms often prioritize the location
accuracy of objects of interest while other practical issues such as the
reliability of object detection as a function of distance and lines of sight
remain largely ignored. Additionally, in many active search scenarios,
communication infrastructure may be unreliable or unestablished, making
centralized control of multiple agents impractical. We present an algorithm
called Noise-Aware Thompson Sampling (NATS) that addresses these issues for
multiple ground-based robots performing active search considering two sources
of sensory information from monocular optical imagery and depth maps. By
utilizing Thompson Sampling, NATS allows for decentralized coordination among
multiple agents. NATS also considers object detection uncertainty from depth as
well as environmental occlusions and operates while remaining agnostic of the
number of objects of interest. Using simulation results, we show that NATS
significantly outperforms existing methods such as information-greedy policies
or exhaustive search. We demonstrate the real-world viability of NATS using a
pseudo-realistic environment created in the Unreal Engine 4 game development
platform with the AirSim plugin.
- Abstract（参考訳）: 未知の環境における興味のある物体の積極的な探索には、探索と救助、ガス漏れの検出、動物密猟者の発見など、多くのロボティクス応用がある。
既存のアルゴリズムは対象物の位置精度を優先することが多いが、距離や視線の関数としての物体検出の信頼性など、他の実用的な問題は無視されている。
さらに、多くのアクティブな検索シナリオでは、通信インフラストラクチャが信頼できないか、確立されていない場合があり、複数のエージェントの集中制御が非現実的になる。
モノクラー光学画像と深度マップからの2つの感覚情報に基づいて,複数の地上ロボットに対して,これらの問題に対処するアルゴリズムをNATS(Noss-Aware Thompson Sampling)と呼ぶ。
トンプソンサンプリングを利用することで、natsは複数のエージェント間の分散協調を可能にする。
NATSはまた、深度からの物体検出の不確実性や環境の排除も考慮し、関心の対象の数を知らないまま運用している。
シミュレーション結果から,NATSは情報収集ポリシーや網羅的探索など,既存の手法よりも優れていることを示す。
我々は、airsimプラグインでunreal engine 4ゲーム開発プラットフォームで作成された擬似現実環境を用いて、natsの実際の実行可能性を示す。
関連論文リスト
- SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy [55.570183323356964]
本稿では,隠蔽物体検出のための新しいSurrounding-Aware Network,すなわちSurANetを提案する。
周辺特徴の差分融合を用いて特徴写像のセマンティクスを強化し,隠蔽対象の強調を行う。
次に、周囲の特徴写像を対照的に学習することで隠蔽対象を識別するために、周囲のコントラストロスを適用した。
論文 参考訳（メタデータ） (2024-10-09T13:02:50Z) - Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。
ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。
BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文 参考訳（メタデータ） (2024-07-10T18:00:54Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Latent Exploration for Reinforcement Learning [87.42776741119653]
強化学習では、エージェントは環境を探索し、相互作用することでポリシーを学ぶ。
LATent TIme-Correlated Exploration (Lattice)を提案する。
論文 参考訳（メタデータ） (2023-05-31T17:40:43Z) - Virtual Reality via Object Poses and Active Learning: Realizing
Telepresence Robots with Aerial Manipulation Capabilities [39.29763956979895]
本稿では,動的・非構造環境下での空中操作を進展させる新しいテレプレゼンスシステムを提案する。
提案システムは触覚デバイスだけでなく、ロボットのワークスペースのリアルタイム3Dディスプレイを提供する仮想現実(VR)インターフェースも備えている。
DLRケーブル・サスペンド・エアリアルマニピュレータ(SAM)によるピック・アンド・プレイス、フォース・アプリケーション、ペグ・イン・ホールの70以上の堅牢な実行を示す。
論文 参考訳（メタデータ） (2022-10-18T08:42:30Z) - Multi-Agent Active Search using Detection and Location Uncertainty [6.587280549237275]
アクティブ検索アルゴリズムは、検出の不確実性と位置不確実性という2つのタイプの不確実性とを競合しなければならない。
まず,ターゲット検出と位置不確実性の両方を共同で扱う推論手法を提案する。
次に、トンプソンサンプリングを用いて、分散マルチエージェント能動探索を可能にする意思決定アルゴリズムを構築する。
論文 参考訳（メタデータ） (2022-03-09T04:53:37Z) - Towards Optimal Correlational Object Search [25.355936023640506]
相関オブジェクト探索POMDPは相関情報を用いた探索戦略を作成することができる。
我々は,家庭環境の現実的なシミュレータであるAI2-THORと,広く使用されている物体検出器であるYOLOv5を用いて実験を行った。
論文 参考訳（メタデータ） (2021-10-19T14:03:43Z) - Deep 6-DoF Tracking of Unknown Objects for Reactive Grasping [19.43152908750153]
実用的応用は、ロボットが未知の環境と相互作用する必要がある多くの現実世界で起こります。
未知の物体追跡法, ポイントサンプリング法, 動的軌道計画法を提案することにより, 反応的把握の課題に取り組む。
従来は見つからなかった多種多様の物体をつかみ、物体の摂動やより低い把握点に対して堅牢なロボット操作システムを提案する。
論文 参考訳（メタデータ） (2021-03-09T12:51:17Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳（メタデータ） (2020-10-22T17:49:25Z) - Asynchronous Multi Agent Active Search [6.587280549237275]
SPATS (Sparse Parallel Asynchronous Thompson Smpling) とLATSI (Laplace Thompson Smpling with Information gain) という2つの異なる能動探索アルゴリズムを提案する。
ターゲットは、圧縮的な検知仮定に従って、環境の周囲にわずかに配置されているとみなす。
提案アルゴリズムの有効性を実証するために,シミュレーション結果と理論的解析結果を提供する。
論文 参考訳（メタデータ） (2020-06-25T22:17:20Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z)
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。