論文の概要: Generation of Human-aware Navigation Maps using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2011.05180v1
- Date: Tue, 10 Nov 2020 15:32:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 07:59:33.651135
- Title: Generation of Human-aware Navigation Maps using Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いた人間対応ナビゲーションマップの作成
- Authors: Daniel Rodriguez-Criado and Pilar Bachiller and Luis J. Manso
- Abstract要約: 本稿では、既存の1次元データセットをブートストラップしてコストマップデータセットを生成する機械学習ベースのフレームワークと、グラフニューラルネットワークと畳み込みニューラルネットワークレイヤを組み合わせたモデルを用いて、人間の認識したナビゲーションのためのコストマップをリアルタイムで作成する。
提案するフレームワークの応用は、人間の認識するナビゲーションに限らず、マップ生成が必要な他の分野にも適用できる。
- 参考スコア（独自算出の注目度）: 1.4502611532302039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Minimising the discomfort caused by robots when navigating in social
situations is crucial for them to be accepted. The paper presents a machine
learning-based framework that bootstraps existing one-dimensional datasets to
generate a cost map dataset and a model combining Graph Neural Network and
Convolutional Neural Network layers to produce cost maps for human-aware
navigation in real-time. The proposed framework is evaluated against the
original one-dimensional dataset and in simulated navigation tasks. The results
outperform similar state-of-the-art-methods considering the accuracy on the
dataset and the navigation metrics used. The applications of the proposed
framework are not limited to human-aware navigation, it could be applied to
other fields where map generation is needed.
- Abstract（参考訳）: 社会状況下での移動時のロボットによる不快感を最小限に抑えることが重要である。
本稿では,既存の1次元データセットをブートストラップしてコストマップデータセットを生成する機械学習フレームワークと,グラフニューラルネットワークと畳み込みニューラルネットワーク層を組み合わせたモデルを提案する。
提案するフレームワークは,元の1次元データセットとシミュレーションナビゲーションタスクに対して評価される。
結果は、データセットの精度と使用するナビゲーションメトリクスを考慮して、同様の最先端メソッドを上回っている。
提案するフレームワークの応用は、人間の認識するナビゲーションに限らず、マップ生成が必要な他の分野にも適用できる。
関連論文リスト
- Map Imagination Like Blind Humans: Group Diffusion Model for Robotic Map Generation [0.9898607871253774]
ロボットが入力情報に制限のある点雲マップを生成するためのグループ拡散モデル(GDM)に基づくアーキテクチャを提案する。
視覚的知覚データや深度データを使わずに,視覚障害者の心的地図の想像・生成能力からインスピレーションを得た。
公開データセットの実験を行った結果,提案手法は経路データのみに基づいて合理的な地図を生成でき,さらに複雑なLiDARデータを組み込んだ地図を作成できることがわかった。
論文 参考訳（メタデータ） (2024-12-22T07:54:21Z) - Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳（メタデータ） (2024-01-12T14:56:45Z) - Interactive Semantic Map Representation for Skill-based Visual Object
Navigation [43.71312386938849]
本稿では,室内環境との相互作用にともなうシーンセマンティックマップの表現について紹介する。
我々はこの表現をSkillTronと呼ばれる本格的なナビゲーション手法に実装した。
提案手法により,ロボット探索の中間目標とオブジェクトナビゲーションの最終目標の両方を形成できる。
論文 参考訳（メタデータ） (2023-11-07T16:30:12Z) - Object Goal Navigation with Recursive Implicit Maps [92.6347010295396]
対象目標ナビゲーションのための暗黙的な空間マップを提案する。
提案手法は, 挑戦的なMP3Dデータセット上での技量を著しく上回る。
我々は、実際のロボットにモデルをデプロイし、実際のシーンでオブジェクトゴールナビゲーションの結果を奨励する。
論文 参考訳（メタデータ） (2023-08-10T14:21:33Z) - Learning Navigational Visual Representations with Semantic Map
Supervision [85.91625020847358]
エージェントの自我中心のビューとセマンティックマップを対比してナビゲーション固有の視覚表現学習法を提案する。
Ego$2$-Map学習は、オブジェクト、構造、遷移などのコンパクトでリッチな情報を、ナビゲーションのためのエージェントのエゴセントリックな表現に転送する。
論文 参考訳（メタデータ） (2023-07-23T14:01:05Z) - Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。
我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。
実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-04-26T02:08:46Z) - PONI: Potential Functions for ObjectGoal Navigation with
Interaction-free Learning [125.22462763376993]
対話自由学習(PONI)を用いたオブジェクト指向ナビゲーションの可能性について提案する。
PONIは、物がどこに見えるかというスキルと、どのように(x, y)にナビゲートするかを歪めます。」
論文 参考訳（メタデータ） (2022-01-25T01:07:32Z) - Lifelong Topological Visual Navigation [16.41858724205884]
本稿では,生涯ナビゲーション性能を時間とともに向上させるグラフ更新戦略を用いた学習型ビジュアルナビゲーション手法を提案する。
画像に基づくトポロジグラフを構築するためのサンプリングベースの計画アルゴリズムから着想を得た結果,スペーサーグラフはベースライン法に比べてナビゲーション性能が高い。
固定的なトレーニング環境から学習するコントローラとは異なり、ロボットが配置される実環境から比較的小さなデータセットを使ってモデルを微調整できることが示される。
論文 参考訳（メタデータ） (2021-10-16T06:16:14Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。