論文の概要: Semi-supervised Gated Recurrent Neural Networks for Robotic Terrain Classification

• arxiv url: http://arxiv.org/abs/2011.11913v1
• Date: Tue, 24 Nov 2020 06:25:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 13:56:17.654111
• Title: Semi-supervised Gated Recurrent Neural Networks for Robotic Terrain Classification
• Title（参考訳）: ロボット地形分類のための半教師付きゲーテッドリカレントニューラルネットワーク
• Authors: Ahmadreza Ahmadi, T{\o}nnes Nygaard, Navinda Kottege, David Howard, Nicolas Hudson
• Abstract要約: 私たちは、高機能な機械学習技術、すなわちゲート付きリカレントニューラルネットワークが、ターゲットの脚を持つロボットが、それが横断する地形を正しく分類することを可能にすることを示しています。 半教師付きモデルの分類結果を大幅に改善するために, 生の未ラベルデータがどのように使用されるかを示す。
• 参考スコア（独自算出の注目度）: 4.703075836560585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Legged robots are popular candidates for missions in challenging terrains due to the wide variety of locomotion strategies they can employ. Terrain classification is a key enabling technology for autonomous legged robots, as it allows the robot to harness their innate flexibility to adapt their behaviour to the demands of their operating environment. In this paper, we show how highly capable machine learning techniques, namely gated recurrent neural networks, allow our target legged robot to correctly classify the terrain it traverses in both supervised and semi-supervised fashions. Tests on a benchmark data set shows that our time-domain classifiers are well capable of dealing with raw and variable-length data with small amount of labels and perform to a level far exceeding the frequency-domain classifiers. The classification results on our own extended data set opens up a range of high-performance behaviours that are specific to those environments. Furthermore, we show how raw unlabelled data is used to improve significantly the classification results in a semi-supervised model.
• Abstract（参考訳）: 脚のついたロボットは、さまざまな移動戦略により、挑戦的な地形におけるミッションの候補となっている。 地形分類は、自律脚ロボットにとって重要な技術であり、ロボットは自発的な柔軟性を生かして動作環境の要求に適応させることができる。 本稿では,高能率な機械学習技術,すなわちゲート型リカレントニューラルネットワークにより,対象の足のロボットが,教師付きおよび半教師付き両方の方法で走行する地形を正しく分類できることを示す。 ベンチマークデータセット上でのテストでは、我々の時間領域分類器は、少量のラベルで生および可変長のデータを扱うことができ、周波数領域分類器を超えるレベルまで実行可能である。 我々の拡張データセットの分類結果は、これらの環境に特有の様々な高性能な振る舞いを開きます。 さらに,半教師付きモデルにおいて,生のラベルなしデータを用いて分類結果を大幅に改善する方法を示す。

関連論文リスト

• Loss Regularizing Robotic Terrain Classification [1.5728609542259502]
  本稿では,脚ロボットの地形分類のための半教師付き手法を提案する。 提案手法は、新しい損失正規化を含む長期記憶アーキテクチャを積み重ねたものである。
  論文  参考訳（メタデータ） (2024-03-20T15:57:44Z)
• AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
  AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。 われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。 実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
  論文  参考訳（メタデータ） (2024-01-23T18:45:54Z)
• Semi-Supervised Active Learning for Semantic Segmentation in Unknown Environments Using Informative Path Planning [27.460481202195012]
  ロボットの視力を改善するために、自己監督的で完全に教師された能動学習手法が出現した。 セマンティックセグメンテーションの半教師付き能動学習のための計画法を提案する。 我々は、モデル不確実性の高い未探索空間のフロンティアに向けて導かれた適応地図ベースのプランナーを活用する。
  論文  参考訳（メタデータ） (2023-12-07T16:16:47Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• GNM: A General Navigation Model to Drive Any Robot [67.40225397212717]
  視覚に基づくナビゲーションのための一般的な目標条件付きモデルは、多くの異なるが構造的に類似したロボットから得られたデータに基づいて訓練することができる。 ロボット間の効率的なデータ共有に必要な設計決定について分析する。 我々は、訓練されたGNMを、下四極子を含む様々な新しいロボットに展開する。
  論文  参考訳（メタデータ） (2022-10-07T07:26:41Z)
• Learn Fast, Segment Well: Fast Object Segmentation Learning on the iCub Robot [20.813028212068424]
  我々は、新しいオブジェクトや異なるドメインの存在下で、オブジェクトセグメンテーションモデルに適応できる様々な技術について研究する。 データをストリーム化するロボットアプリケーションのための高速なインスタンスセグメンテーション学習のためのパイプラインを提案する。 提案したパイプラインを2つのデータセットでベンチマークし、実際のロボットであるiCubヒューマノイドにデプロイする。
  論文  参考訳（メタデータ） (2022-06-27T17:14:04Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)
• Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robotic Wheelchairs [26.110522390201094]
  我々は,乾燥地や道路異常のセグメンテーションラベルを自動生成するパイプラインを開発した。 提案する自動ラベリングパイプラインは,手動ラベリングと比較して,目覚ましいスピードアップを実現している。 提案する自己教師型アプローチは,最先端の従来のアルゴリズムよりも堅牢で正確な結果を示す。
  論文  参考訳（メタデータ） (2020-07-12T10:12:46Z)

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。