論文の概要: Learning Low-Correlation GPS Spreading Codes with a Policy Gradient Algorithm

• arxiv url: http://arxiv.org/abs/2101.02850v1
• Date: Fri, 8 Jan 2021 04:53:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 05:01:23.575553
• Title: Learning Low-Correlation GPS Spreading Codes with a Policy Gradient Algorithm
• Title（参考訳）: ポリシー勾配アルゴリズムによる低相関GPS拡散符号の学習
• Authors: Tara Yasmin Mina and Grace Xingxin Gao
• Abstract要約: コード系列を拡散する高品質なファミリを構成する強化学習アルゴリズムを開発した。 著者の知識を最大限に活用するため、これは機械学習/強化学習アプローチを使用してナビゲーション拡散コードを設計する最初の仕事である。
• 参考スコア（独自算出の注目度）: 2.741266294612776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the birth of the next-generation GPS III constellation and the upcoming launch of the Navigation Technology Satellite-3 (NTS-3) testing platform to explore future technologies for GPS, we are indeed entering a new era of satellite navigation. Correspondingly, it is time to revisit the design methods of the GPS spreading code families. In this work, we develop a Gaussian policy gradient-based reinforcement learning algorithm which constructs high-quality families of spreading code sequences. We demonstrate the ability of our algorithm to achieve better mean-squared auto- and cross-correlation than well-chosen families of equal-length Gold codes and Weil codes. Furthermore, we compare our algorithm with an analogous genetic algorithm implementation assigned the same code evaluation metric. To the best of the authors' knowledge, this is the first work to explore using a machine learning / reinforcement learning approach to design navigation spreading codes.
• Abstract（参考訳）: 次世代GPS IIIコンステレーションの誕生と、GPSの将来技術を探究する航法技術衛星3(NTS-3)の打ち上げにより、我々は衛星ナビゲーションの新しい時代に入った。 それに対応して、GPS拡散コードファミリーの設計方法を見直しる時が来た。 本研究では,コード系列を拡散する高品質なファミリを構成するガウス政策勾配に基づく強化学習アルゴリズムを開発した。 我々は,同じ長さのゴールドコードやヴェイユ符号のよく知られたファミリーよりも,平均2乗のオート・アンド・クロス・コリレーションを実現するアルゴリズムの能力を実証する。 さらに,同符号評価基準を割り当てた類似の遺伝的アルゴリズムの実装との比較を行った。 著者の知識を最大限に活用するため、これは機械学習/強化学習アプローチを使用してナビゲーション拡散コードを設計する最初の仕事である。

関連論文リスト

• A Multi-Modal Neural Geometric Solver with Textual Clauses Parsed from Diagram [33.62866585222121]
  マルチモーダル情報を効率的に融合する新しいニューラルソルバであるPGPSNetを提案する。 PGPSNetには幾何学定理と幾何学的表現の知識が豊富にある。 我々はPGPS9Kという,大規模かつ詳細なGPSデータセットを構築した。
  論文  参考訳（メタデータ） (2023-02-22T02:38:25Z)
• Tree-Based Adaptive Model Learning [62.997667081978825]
  我々はKearns-Vazirani学習アルゴリズムを拡張し、時間とともに変化するシステムを扱う。 本稿では,学習前の動作を再利用し,更新し,LearnerLibライブラリに実装し,大規模な実例で評価する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-31T21:24:22Z)
• Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
  パスプランニングはモバイルロボティクスの重要な構成要素である。 学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2022-03-07T01:52:57Z)
• PathBench: A Benchmarking Platform for Classical and Learned Path Planning Algorithms [59.3879573040863]
  パスプランニングは、モバイルロボティクスの重要なコンポーネントです。 アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。 本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
  論文  参考訳（メタデータ） (2021-05-04T21:48:18Z)
• Real-world Ride-hailing Vehicle Repositioning using Deep Reinforcement Learning [52.2663102239029]
  アイドルヘイリングプラットフォーム上での現実世界の車両の深層強化学習と意思決定時間計画に基づく新しい実用的枠組みを提示する。 本手法は,重み付きバッチ学習アルゴリズムを用いて乗車時の状態値関数を学習する。 配車シミュレーション環境におけるベースラインでアルゴリズムをベンチマークし、収益効率の向上における優位性を実証します。
  論文  参考訳（メタデータ） (2021-03-08T05:34:05Z)
• On the Verification and Validation of AI Navigation Algorithms [0.22509387878255815]
  我々は,自律航法と衝突回避のための新しいアルゴリズムを提案する研究を行うために,系統地図研究を行う。 これらのアルゴリズムに適用した検証手法と検証手法を抽出した。 本論文では,ナビゲーションアルゴリズムを幅広く検証するための体系的シナリオベースのテスト手法を提案する。
  論文  参考訳（メタデータ） (2021-01-15T13:15:23Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Discovering Traveling Companions using Autoencoders [10.235077902913256]
  本稿では,オートエンコーダ,すなわちATTN-MEANを用いた,旅行相手の発見のための汎用的な深層表現学習モデルを提案する。 実験結果から,ATTN-MEANは旅行仲間を見つける上で,最先端のアルゴリズムよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-07-23T01:16:38Z)
• Combining Geometric and Information-Theoretic Approaches for Multi-Robot Exploration [16.010307336422148]
  提案アルゴリズムの探索時間は,オフラインの最適探索アルゴリズムに対して($p$の関数として)競合的であることを示す。 このアルゴリズムは、単ボットポリゴン探索アルゴリズム、高次計画のための木探索アルゴリズム、低次計画のためのサブモジュラーオリエンテーアアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2020-04-15T02:02:12Z)
• Enhance the performance of navigation: A two-stage machine learning approach [13.674463804942837]
  リアルタイム交通ナビゲーションはスマートトランスポート技術において重要な機能である。 本稿では,アンサンブル学習の考え方を採用し,正確なナビゲーション結果を与えるための2段階の機械学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-04-02T08:55:27Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。