論文の概要: Attention-Based Planning with Active Perception

• arxiv url: http://arxiv.org/abs/2012.00053v1
• Date: Mon, 30 Nov 2020 19:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:38:41.567300
• Title: Attention-Based Planning with Active Perception
• Title（参考訳）: アクティブ・パーセプションによる注意ベースプランニング
• Authors: Haoxiang Ma, Jie Fu
• Abstract要約: 本稿では,マルコフ決定過程における注意の計算モデルと注意に基づく確率的計画法を提案する。 異なる注意モードを切り替えることで、ロボットはタスク関連情報を積極的に認識し、ほぼ最適のタスク性能を達成しつつ、情報取得と処理のコストを削減する。
• 参考スコア（独自算出の注目度）: 21.35365462532568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attention control is a key cognitive ability for humans to select information relevant to the current task. This paper develops a computational model of attention and an algorithm for attention-based probabilistic planning in Markov decision processes. In attention-based planning, the robot decides to be in different attention modes. An attention mode corresponds to a subset of state variables monitored by the robot. By switching between different attention modes, the robot actively perceives task-relevant information to reduce the cost of information acquisition and processing, while achieving near-optimal task performance. Though planning with attention-based active perception inevitably introduces partial observations, a partially observable MDP formulation makes the problem computational expensive to solve. Instead, our proposed method employs a hierarchical planning framework in which the robot determines what to pay attention to and for how long the attention should be sustained before shifting to other information sources. During the attention sustaining phase, the robot carries out a sub-policy, computed from an abstraction of the original MDP given the current attention. We use an example where a robot is tasked to capture a set of intruders in a stochastic gridworld. The experimental results show that the proposed method enables information- and computation-efficient optimal planning in stochastic environments.
• Abstract（参考訳）: 注意制御は、人間が現在のタスクに関連する情報を選択するための重要な認知能力である。 本稿では,注意の計算モデルとマルコフ決定過程における注意に基づく確率計画のアルゴリズムについて述べる。 注意に基づく計画では、ロボットは異なる注意モードに置かれる。 注意モードは、ロボットによって監視される状態変数のサブセットに対応する。 異なる注意モードを切り替えることで、ロボットはタスク関連情報を積極的に認識し、ほぼ最適のタスク性能を達成しつつ、情報取得と処理のコストを削減する。 注意に基づくアクティブな知覚で計画することは、必然的に部分的な観察をもたらすが、部分的に観測可能なMDPの定式化により、計算コストがかかる。 その代わり,提案手法では,ロボットがどの点に注意を払うべきか,どの点に注意を向けるべきかを決定するための階層的計画手法を用いている。 注意維持フェーズの間、ロボットは、現在の注意を引いた最初のmdpの抽象化から計算されたサブポリシーを実行する。 我々は,ロボットが確率的グリッドワールドにおける侵入者の集合を捕獲する作業を行う例を用いる。 実験の結果,提案手法は確率環境における情報・計算効率の最適計画を可能にした。

関連論文リスト

• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• MEXGEN: An Effective and Efficient Information Gain Approximation for Information Gathering Path Planning [3.195234044113248]
  自律ロボットの計画アルゴリズムは、不確実性の下でのシーケンシャルな意思決定問題を解決する必要がある。 我々は,不確実な信念状態からセンサ計測を予測する難しい問題に対して,計算的に効率的かつ効果的に近似する手法を開発した。 マルチロータ型空中ロボットを用いた広範囲なシミュレーション・フィールド実験により, 電波源追尾と位置決め問題の性能向上を実証した。
  論文  参考訳（メタデータ） (2024-05-04T08:09:16Z)
• Automated Process Planning Based on a Semantic Capability Model and SMT [50.76251195257306]
  製造システムと自律ロボットの研究において、機械で解釈可能なシステム機能の仕様に「能力」という用語が用いられる。 セマンティック能力モデルから始めて、AI計画問題を自動的に生成するアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-14T10:37:34Z)
• Active Exploration for Robotic Manipulation [40.39182660794481]
  本稿では,スパース・リワード型ロボット操作作業における効率的な学習を可能にするモデルに基づく能動探索手法を提案する。 我々は,提案アルゴリズムをシミュレーションおよび実ロボットで評価し,スクラッチから本手法を訓練した。
  論文  参考訳（メタデータ） (2022-10-23T18:07:51Z)
• Using Deep Learning to Bootstrap Abstractions for Hierarchical Robot Planning [27.384742641275228]
  階層的な計画プロセス全体をブートストラップするための新しいアプローチを提案する。 これは、新しい環境に対する抽象状態とアクションが自動的に計算される方法を示している。 学習した抽象概念を、新しいマルチソース双方向階層型ロボット計画アルゴリズムに用いている。
  論文  参考訳（メタデータ） (2022-02-02T08:11:20Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• MATS: An Interpretable Trajectory Forecasting Representation for Planning and Control [46.86174832000696]
  人間の動きに関する推論は、現代の人間ロボットの対話システムの中核的な構成要素である。 自律システムにおける行動予測の主な用途の1つは、ロボットの動作計画と制御を知らせることである。 本稿では,下流の計画や制御に適するトラジェクトリ予測のための新しい出力表現を提案する。
  論文  参考訳（メタデータ） (2020-09-16T07:32:37Z)
• Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs [5.043563227694137]
  本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。 本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-24T16:50:41Z)
• Cost-effective Interactive Attention Learning with Neural Attention Processes [79.8115563067513]
  対話型注意学習(Interactive Attention Learning, IAL)と呼ばれる対話型学習フレームワークを提案する。 IALは、人間のアノテーションが不足しているため、過度に適合する傾向がある。 我々は,サンプル効率のよい注意機構と,コスト効率のよいインスタンスと機能の再ランクアルゴリズムを提案することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2020-06-09T17:36:41Z)
• iCORPP: Interleaved Commonsense Reasoning and Probabilistic Planning on Robots [46.13039152809055]
  我々はiCORPPと呼ばれる新しいアルゴリズムを提案し、現在の世界状態を同時に推定し、世界ダイナミクスの推論を行い、タスク指向のコントローラを構築する。 結果は、競合するベースラインと比較して、スケーラビリティ、効率、適応性が大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2020-04-18T17:46:59Z)

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。