論文の概要: Adaptive Synthetic Characters for Military Training

• arxiv url: http://arxiv.org/abs/2101.02185v1
• Date: Wed, 6 Jan 2021 18:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 00:16:42.019514
• Title: Adaptive Synthetic Characters for Military Training
• Title（参考訳）: 軍事訓練のための適応型合成文字
• Authors: Volkan Ustun, Rajay Kumar, Adam Reilly, Seyed Sajjadi, Andrew Miller
• Abstract要約: 現在の軍事シミュレーションにおける合成文字の挙動は、一般的にルールベースおよびリアクティブ計算モデルによって生成されるため、限られている。 本稿では,信頼できる行動のコヒーレントなシーケンスを実行できる自律的な合成文字を作成することを目的とした枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.9802137009065037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behaviors of the synthetic characters in current military simulations are limited since they are generally generated by rule-based and reactive computational models with minimal intelligence. Such computational models cannot adapt to reflect the experience of the characters, resulting in brittle intelligence for even the most effective behavior models devised via costly and labor-intensive processes. Observation-based behavior model adaptation that leverages machine learning and the experience of synthetic entities in combination with appropriate prior knowledge can address the issues in the existing computational behavior models to create a better training experience in military training simulations. In this paper, we introduce a framework that aims to create autonomous synthetic characters that can perform coherent sequences of believable behavior while being aware of human trainees and their needs within a training simulation. This framework brings together three mutually complementary components. The first component is a Unity-based simulation environment - Rapid Integration and Development Environment (RIDE) - supporting One World Terrain (OWT) models and capable of running and supporting machine learning experiments. The second is Shiva, a novel multi-agent reinforcement and imitation learning framework that can interface with a variety of simulation environments, and that can additionally utilize a variety of learning algorithms. The final component is the Sigma Cognitive Architecture that will augment the behavior models with symbolic and probabilistic reasoning capabilities. We have successfully created proof-of-concept behavior models leveraging this framework on realistic terrain as an essential step towards bringing machine learning into military simulations.
• Abstract（参考訳）: 現在の軍事シミュレーションにおける合成文字の挙動は、通常、最小の知性を持つルールベースおよびリアクティブ計算モデルによって生成されるため、限られている。 このような計算モデルはキャラクタの経験を反映することができないため、コストと労働集約的なプロセスによって考案された最も効果的な行動モデルでさえも脆弱な知性をもたらす。 機械学習と合成エンティティの経験を適切な事前知識と組み合わせた観察に基づく行動モデル適応は、既存の計算行動モデルの問題に対処し、軍事訓練シミュレーションにおけるより良いトレーニングエクスペリエンスを生み出すことができる。 本稿では,人間の学習者とそのニーズを学習シミュレーションで認識しながら,信頼できる行動のコヒーレントなシーケンスを実行できる自律的な合成文字を作成することを目的とした枠組みを提案する。 このフレームワークは、3つの相互補完的なコンポーネントをまとめる。 最初のコンポーネントはUnityベースのシミュレーション環境である。Rapid Integration and Development Environment(RIDE)はOne World Terrain(OWT)モデルをサポートし、機械学習実験を実行およびサポートすることができる。 2つ目は、様々なシミュレーション環境とインターフェースし、さらに様々な学習アルゴリズムを活用できる、新しいマルチエージェント強化および模倣学習フレームワークであるshivaである。 最後のコンポーネントであるSigma Cognitive Architectureは、象徴的で確率論的推論能力を備えた行動モデルを強化するものだ。 我々は、このフレームワークを現実的な地形上で活用し、機械学習を軍事シミュレーションに持ち込むための重要なステップとして、概念実証行動モデルの作成に成功した。

関連論文リスト

• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。 その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
  本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。 このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
  論文  参考訳（メタデータ） (2024-03-19T15:21:00Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• Learning Environment for the Air Domain (LEAD) [0.0]
  本稿では,軍事シミュレーションにおける知的戦闘行動の生成と統合システムであるLEADについて述べる。 人気のあるプログラミングライブラリとインターフェースであるGymnasiumを組み込むことで、LEADはユーザーが容易に利用できる機械学習アルゴリズムを適用できるようになる。
  論文  参考訳（メタデータ） (2023-04-27T11:08:14Z)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters [123.88692739360457]
  汎用運動技術により、人間は複雑な作業を行うことができる。 これらのスキルは、新しいタスクを学ぶときの振る舞いを導くための強力な先駆者も提供します。 物理シミュレーション文字のための汎用的で再利用可能なスキル埋め込みを学習するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-04T06:13:28Z)
• Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
  シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。 シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。 我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
  論文  参考訳（メタデータ） (2021-12-06T18:45:31Z)
• What Robot do I Need? Fast Co-Adaptation of Morphology and Control using Graph Neural Networks [7.261920381796185]
  実世界へのコ適応手法の適用における大きな課題は、シミュレーションから現実へのギャップである。 本稿では,従来の高周波深部ニューラルネットワークと計算コストの高いグラフニューラルネットワークを組み合わせることで,エージェントのデータ効率向上を実現する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-03T17:41:38Z)
• Controlling Synthetic Characters in Simulations: A Case for Cognitive Architectures and Sigma [0.0]
  シミュレーションは、参加する合成文字に対して現実的で信頼できる振る舞いを生成する知性の計算モデルを必要とする。 Sigmaは認知アーキテクチャとシステムであり、象徴的認知アーキテクチャ、確率的グラフィカルモデル、そしてより最近のニューラルモデルに関する40年間にわたる独立した研究から学んだことを、そのグラフィカルアーキテクチャ仮説の下で組み合わせようとしている。 本稿では,Sigmaを多種多様な機能とともに導入し,その組み合わせを強調するために3つの概念実証Sigmaモデルを使用する。
  論文  参考訳（メタデータ） (2021-01-06T19:07:36Z)
• RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
  インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。 シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
  論文  参考訳（メタデータ） (2020-04-14T20:52:49Z)

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。