論文の概要: Towards Deployment of Deep-Reinforcement-Learning-Based Obstacle Avoidance into Conventional Autonomous Navigation Systems

• arxiv url: http://arxiv.org/abs/2104.03616v1
• Date: Thu, 8 Apr 2021 08:56:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 12:56:57.545340
• Title: Towards Deployment of Deep-Reinforcement-Learning-Based Obstacle Avoidance into Conventional Autonomous Navigation Systems
• Title（参考訳）: 従来の自律ナビゲーションシステムへの深部強化学習型障害物回避の展開に向けて
• Authors: Linh K\"astner, Teham Buiyan, Xinlin Zhao, Lei Jiao, Zhengcheng Shen and Jens Lambrecht
• Abstract要約: 深層強化学習は、過度に保守的なアプローチを置き換える代替計画方法として登場した。 深層強化学習アプローチは、局所ミニマに対する傾向のため、長距離ナビゲーションには適していません。 本論文では,従来のナビゲーションスタックに深層強化学習に基づくローカルプランナーを組み込んだナビゲーションシステムを提案する。
• 参考スコア（独自算出の注目度）: 10.349425078806751
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, mobile robots have become important tools in various industries, especially in logistics. Deep reinforcement learning emerged as an alternative planning method to replace overly conservative approaches and promises more efficient and flexible navigation. However, deep reinforcement learning approaches are not suitable for long-range navigation due to their proneness to local minima and lack of long term memory, which hinders its widespread integration into industrial applications of mobile robotics. In this paper, we propose a navigation system incorporating deep-reinforcement-learning-based local planners into conventional navigation stacks for long-range navigation. Therefore, a framework for training and testing the deep reinforcement learning algorithms along with classic approaches is presented. We evaluated our deep-reinforcement-learning-enhanced navigation system against various conventional planners and found that our system outperforms them in terms of safety, efficiency and robustness.
• Abstract（参考訳）: 近年,移動ロボットは様々な産業,特に物流において重要なツールとなっている。 深層強化学習は、過度に保守的なアプローチを置き換える代替案として現れ、より効率的で柔軟なナビゲーションを約束した。 しかし、深層強化学習のアプローチは、局所的な極小さと長期記憶の欠如のため、長距離ナビゲーションには適していないため、モバイルロボティクスの産業アプリケーションへの広範な統合を妨げる。 本稿では,従来のナビゲーションスタックに深層強化学習に基づくローカルプランナを組み込んだナビゲーションシステムを提案する。 そこで,従来の手法とともに深層強化学習アルゴリズムを訓練し,テストするためのフレームワークを提案する。 従来型プランナーに対する深層強化学習型ナビゲーションシステムの評価を行い,安全性,効率,ロバスト性の観点から評価した。

関連論文リスト

• Long-distance Geomagnetic Navigation in GNSS-denied Environments with Deep Reinforcement Learning [62.186340267690824]
  既存の地磁気航法の研究は、事前保存された地図や広範囲な探索に依存しており、探索されていない地域での適用性や航法効率の低下に繋がる。 本稿では,特に長距離地磁気航法における深部強化学習(DRL)に基づくメカニズムについて述べる。 設計されたメカニズムは、プリストアドマップや広範囲で高価な探索アプローチではなく、地磁気ナビゲーションのための磁気受容能力を学ぶようにエージェントを訓練する。
  論文  参考訳（メタデータ） (2024-10-21T09:57:42Z)
• Hyp2Nav: Hyperbolic Planning and Curiosity for Crowd Navigation [58.574464340559466]
  我々は,群集ナビゲーションを実現するための双曲学習を提唱し,Hyp2Navを紹介した。 Hyp2Navは双曲幾何学の本質的な性質を活用し、ナビゲーションタスクにおける意思決定プロセスの階層的性質をよりよく符号化する。 本稿では, 効果的なソーシャルナビゲーション, 最高の成功率, 複数シミュレーション設定におけるリターンをもたらす, 双曲型ポリシーモデルと双曲型好奇性モジュールを提案する。
  論文  参考訳（メタデータ） (2024-07-18T14:40:33Z)
• Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
  都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。 本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。 モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。 私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
  論文  参考訳（メタデータ） (2024-05-03T00:29:20Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Robot path planning using deep reinforcement learning [0.0]
  強化学習法は、地図のないナビゲーションタスクに代わる手段を提供する。 障害物回避と目標指向ナビゲーションタスクの両方に深部強化学習エージェントを実装した。 報酬関数の変更によるエージェントの挙動と性能の変化を解析する。
  論文  参考訳（メタデータ） (2023-02-17T20:08:59Z)
• Holistic Deep-Reinforcement-Learning-based Training of Autonomous Navigation Systems [4.409836695738518]
  Deep Reinforcement Learningは、地上車両の自律的なナビゲーションのための有望なアプローチとして登場した。 本稿では,ナビゲーションスタックの全要素を含む総合的な深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:52:15Z)
• Offline Reinforcement Learning for Visual Navigation [66.88830049694457]
  ReViNDは、ロボットナビゲーションのための最初のオフラインRLシステムで、これまで収集されたデータを利用して、現実世界でユーザーが指定した報酬関数を最適化する。 ReViNDは、このデータセットからのオフライントレーニングのみを使用して、遠方の目標にナビゲートできることを示し、ユーザ指定の報酬関数に基づいて、質的に異なる振る舞いを示す。
  論文  参考訳（メタデータ） (2022-12-16T02:23:50Z)
• Benchmarking Reinforcement Learning Techniques for Autonomous Navigation [41.1337061798188]
  深部強化学習(RL)は自律型ロボットナビゲーションに多くの成功をもたらした。 RLベースのナビゲーションシステムの現実的な使用を防ぐ重要な制限がまだ残っている。
  論文  参考訳（メタデータ） (2022-10-10T16:53:42Z)
• Enhancing Navigational Safety in Crowded Environments using Semantic-Deep-Reinforcement-Learning-based Navigation [5.706538676509249]
  本研究では,高レベルの障害物情報からオブジェクト固有の安全ルールを学習する意味的な深層強化学習に基づくナビゲーション手法を提案する。 エージェントは、個々の安全距離をセマンティック情報に依存することにより、より安全にナビゲートできることを実証する。
  論文  参考訳（メタデータ） (2021-09-23T10:50:47Z)
• Connecting Deep-Reinforcement-Learning-based Obstacle Avoidance with Conventional Global Planners using Waypoint Generators [1.4680035572775534]
  深層強化学習は,高動的環境において効率的な動的障害物回避手法として出現した。 深層強化学習を既存のナビゲーションシステムに統合することは、深層強化学習に基づくナビゲーションの明快な性質のため、まだ未開のフロンティアである。
  論文  参考訳（メタデータ） (2021-04-08T10:23:23Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。