論文の概要: Neural Network Controller for Autonomous Pile Loading Revised

• arxiv url: http://arxiv.org/abs/2103.12379v1
• Date: Tue, 23 Mar 2021 08:27:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:41:03.721227
• Title: Neural Network Controller for Autonomous Pile Loading Revised
• Title（参考訳）: 自律載荷修正のためのニューラルネットワーク制御
• Authors: Wenyan Yang, Nataliya Strokina, Nikolay Serbenyuk, Joni Pajarinen, Reza Ghabcheloo, Juho Vihonen, Mohammad M. Aref and Joni-Kristian K\"am\"ar\"ainen
• Abstract要約: 本稿では,より表現力のある構造を有し,センサと制御信号の重要な部分に焦点を当てたニューラルアテンション機構を用いた改良ニューラルコントローラ(nnetv2)を提案する。 私たちの知る限りでは、これは重い機械のための学習ベースのコントローラーを非常に異なる屋外条件でテストする最初の仕事です。
• 参考スコア（独自算出の注目度）: 11.513964557098896
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We have recently proposed two pile loading controllers that learn from human demonstrations: a neural network (NNet) [1] and a random forest (RF) controller [2]. In the field experiments the RF controller obtained clearly better success rates. In this work, the previous findings are drastically revised by experimenting summer time trained controllers in winter conditions. The winter experiments revealed a need for additional sensors, more training data, and a controller that can take advantage of these. Therefore, we propose a revised neural controller (NNetV2) which has a more expressive structure and uses a neural attention mechanism to focus on important parts of the sensor and control signals. Using the same data and sensors to train and test the three controllers, NNetV2 achieves better robustness against drastically changing conditions and superior success rate. To the best of our knowledge, this is the first work testing a learning-based controller for a heavy-duty machine in drastically varying outdoor conditions and delivering high success rate in winter, being trained in summer.
• Abstract（参考訳）: 我々は最近,人間の実演から学ぶ2つの積み荷制御器を提案した。ニューラルネットワーク(nnet)[1]とランダムフォレスト(rf)コントローラ[2]である。 フィールド実験では、RFコントローラは明らかにより良い成功率を得た。 本研究は,冬期における夏期訓練コントローラの実験により,前報を大幅に改善した。 冬の実験では、センサーの追加、トレーニングデータの追加、そしてこれらを活用できるコントローラーの必要性が明らかになった。 そこで本研究では,より表現力のある構造を有し,センサの重要な部分と制御信号に焦点を当てたニューラルアテンション機構を用いた改良ニューラルコントローラ(nnetv2)を提案する。 同じデータとセンサーを使って3つのコントローラーを訓練しテストし、NNetV2は劇的に変化する条件に対する堅牢性と、より優れた成功率を達成する。 私たちの知る限りでは、これは、屋外の状況が大幅に変化し、冬に高い成功率を達成して、夏にトレーニングされる、ヘビーデューティマシンの学習ベースのコントローラをテストする最初の作業です。

関連論文リスト

• Sensor Deprivation Attacks for Stealthy UAV Manipulation [51.9034385791934]
  無人航空機は最先端の制御アルゴリズムを用いて自律的にタスクを実行する。 本稿では,マルチパートを提案する。 センサー分離攻撃 (Sensor Deprivation Attacks, SDA) - 極秘に影響を及ぼす攻撃。 センサーのリコンフィグレーションによる プロセス制御
  論文  参考訳（メタデータ） (2024-10-14T23:03:58Z)
• Vehicle lateral control using Machine Learning for automated vehicle guidance [0.0]
  安全クリティカルシステムで使用される機械学習モデルにおいて、意思決定の不確実性は不可欠である。 本研究では,機械学習モデルを用いて車両の横方向制御系を設計する。
  論文  参考訳（メタデータ） (2023-03-14T19:14:24Z)
• Learning a Single Near-hover Position Controller for Vastly Different Quadcopters [56.37274861303324]
  本稿では,クワッドコプターのための適応型ニアホバー位置制御器を提案する。 これは、非常に異なる質量、大きさ、運動定数を持つクワッドコプターに展開することができる。 また、実行中に未知の障害に迅速に適応する。
  論文  参考訳（メタデータ） (2022-09-19T17:55:05Z)
• Improving the Performance of Robust Control through Event-Triggered Learning [74.57758188038375]
  LQR問題における不確実性に直面していつ学習するかを決定するイベントトリガー学習アルゴリズムを提案する。 本研究では,ロバストな制御器ベースライン上での性能向上を数値例で示す。
  論文  参考訳（メタデータ） (2022-07-28T17:36:37Z)
• Evolved neuromorphic radar-based altitude controller for an autonomous open-source blimp [4.350434044677268]
  本稿では,ロボット飛行船のためのSNNに基づく高度制御器を提案する。 また、SNNベースのコントローラアーキテクチャ、シミュレーション環境でネットワークをトレーニングするための進化的フレームワーク、現実とのギャップを改善するための制御戦略も提示する。
  論文  参考訳（メタデータ） (2021-10-01T20:48:43Z)
• Training Electric Vehicle Charging Controllers with Imitation Learning [0.0]
  我々は、EV充電の調整のための制御器の訓練方法を開発した。 このトピックに関する既存の作業とは対照的に、ユーザのプライバシを維持するためにコントローラが必要です。
  論文  参考訳（メタデータ） (2021-07-21T14:39:55Z)
• Machine Learning for Mechanical Ventilation Control [52.65490904484772]
  圧制御換気における侵襲的機械式換気装置の制御の問題点を考察する。 PIDコントローラは、臨床医が指定する気道圧の軌跡に従って、鎮静患者の肺の空気を入出させる必要があります。 制御器は、PID制御器よりも目標圧力波形をかなりよく追跡できることを示す。
  論文  参考訳（メタデータ） (2021-02-12T21:23:33Z)
• Regularizing Action Policies for Smooth Control with Reinforcement Learning [47.312768123967025]
  Conditioning for Action Policy Smoothness(CAPS)は、アクションポリシーの効果的な直感的な正規化である。 capsは、ニューラルネットワークコントローラの学習状態-動作マッピングの滑らかさを一貫して改善する。 実システムでテストしたところ、クアドロタードローンのコントローラーの滑らかさが改善され、消費電力は80%近く削減された。
  論文  参考訳（メタデータ） (2020-12-11T21:35:24Z)
• Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion [95.1825179206694]
  四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。 高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。 確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
  論文  参考訳（メタデータ） (2020-09-21T16:49:26Z)

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。