論文の概要: Conv1D Energy-Aware Path Planner for Mobile Robots in Unstructured Environments

• arxiv url: http://arxiv.org/abs/2104.01560v1
• Date: Sun, 4 Apr 2021 08:13:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:20:06.865841
• Title: Conv1D Energy-Aware Path Planner for Mobile Robots in Unstructured Environments
• Title（参考訳）: 非構造環境における移動ロボットのConv1Dエネルギー認識経路計画
• Authors: Marco Visca, Arthur Bouton, Roger Powell, Yang Gao, Saber Fallah
• Abstract要約: エネルギー消費は、困難な環境における移動ロボットのナビゲーションにおいて重要な役割を果たします。 本稿では,複雑な地形を横断するロボットの走行エネルギー消費量とエネルギー回収量を推定できるエネルギー認識経路プランナーの最初の結果について報告する。 この手法の新たな特徴は、1次元畳み込みニューラルネットワークを用いて、移動中にロボットが経験するのと同じ時間順に地形をシーケンシャルに解析することである。
• 参考スコア（独自算出の注目度）: 9.230959086746736
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Driving energy consumption plays a major role in the navigation of mobile robots in challenging environments, especially if they are left to operate unattended under limited on-board power. This paper reports on first results of an energy-aware path planner, which can provide estimates of the driving energy consumption and energy recovery of a robot traversing complex uneven terrains. Energy is estimated over trajectories making use of a self-supervised learning approach, in which the robot autonomously learns how to correlate perceived terrain point clouds to energy consumption and recovery. A novel feature of the method is the use of 1D convolutional neural network to analyse the terrain sequentially in the same temporal order as it would be experienced by the robot when moving. The performance of the proposed approach is assessed in simulation over several digital terrain models collected from real natural scenarios, and is compared with a heuristic inclination-based energy model. We show evidence of the benefit of our method to increase the overall prediction r2 score by 66.8% and to reduce the driving energy consumption over planned paths by 5.5%.
• Abstract（参考訳）: エネルギー消費の推進は、特に限定的なオンボードパワーの下で無人で運用される場合、挑戦的な環境における移動ロボットのナビゲーションにおいて大きな役割を果たす。 本稿では,複雑な地形を横断するロボットの走行エネルギー消費量とエネルギー回収量を推定できるエネルギー認識経路プランナーの最初の結果について報告する。 ロボットは、知覚された地形点の雲とエネルギー消費と回復との関係を自律的に学習する自己教師付き学習アプローチを用いて、軌道上でエネルギーを推定する。 この手法の新たな特徴は、1次元畳み込みニューラルネットワークを用いて、移動中にロボットが経験するのと同じ時間順に地形をシーケンシャルに解析することである。 提案手法の性能は,実自然シナリオから収集した複数のディジタル地形モデルを用いたシミュレーションで評価され,ヒューリスティックな傾斜に基づくエネルギーモデルと比較した。 本手法の利点は,全体の予測r2得点を66.8%向上させ,計画経路上での運転エネルギー消費量を5.5%削減することにある。

関連論文リスト

• Real-Time Energy-Optimal Path Planning for Electric Vehicles [13.38255011577359]
  エネルギー計算にキーカーの動力学パラメータを組み込んだ正確なエネルギーモデルを構築した。 また、2つの新しいオンラインリウェイト機能を導入し、より高速で、前処理のないパスフィニングを可能にします。
  論文  参考訳（メタデータ） (2024-11-20T01:39:08Z)
• Language-guided Robust Navigation for Mobile Robots in Dynamically-changing Environments [26.209402619114353]
  我々は、車輪付き移動ロボットを用いた人道案内のための具体的AIシステムを開発した。 本研究では,ロボットの意図した軌道に影響を与える環境変化を検出するため,ロボットの現在の計画を監視する手法を提案する。 この作業は、環境状態に関する情報を人間に提供する環境の持続的な監視を行う、精密農業や建設のようなアプリケーションを支援することができる。
  論文  参考訳（メタデータ） (2024-09-28T21:30:23Z)
• Autonomous Driving with Spiking Neural Networks [5.191057765703533]
  スパイキング自律運転(SAD)は、自律運転システムで直面するエネルギー問題に対処する最初の統合スパイキングニューラルネットワーク(SNN)である。 SADはエンドツーエンドでトレーニングされており、知覚、予測、計画という3つの主要なモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-05-30T04:57:54Z)
• VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline Reinforcement Learning [53.13393315664145]
  本研究では,非構造で密集した屋外環境における自律脚ロボットナビゲーションのための新しい手法であるVAPORを提案する。 本手法は,アクター・クリティカル・ネットワークと実際の屋外植生で収集された任意のデータを用いて,新しいRLポリシーを訓練する。 VAPORの動作は成功率を最大40%向上させ、平均電流消費量を最大2.9%削減し、正規化軌道長を最大11.2%削減する。
  論文  参考訳（メタデータ） (2023-09-14T16:21:27Z)
• 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)
• Path Planning for Air-Ground Robot Considering Modal Switching Point Optimization [35.24900569772999]
  アジャイル飛行の必要性は、エアグラウンドロボットの伝統的な経路計画技術によって満足できない。 グラフ探索アルゴリズムに基づくロボットのための軽量なグローバル空間計画手法を提案する。 我々の技術は、高い信頼性で完成度の高い3Dパスを作成可能であることを示す。
  論文  参考訳（メタデータ） (2023-05-14T15:02:52Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• 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)
• Learning Interaction-Aware Trajectory Predictions for Decentralized Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
  本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。 次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
  論文  参考訳（メタデータ） (2021-02-10T11:11:08Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。