論文の概要: Deep Learning Traversability Estimator for Mobile Robots in Unstructured Environments

• arxiv url: http://arxiv.org/abs/2105.10937v1
• Date: Sun, 23 May 2021 13:49:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 15:23:33.831049
• Title: Deep Learning Traversability Estimator 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深層学習トラバーサビリティ推定
• Authors: Marco Visca, Sampo Kuutti, Roger Powell, Yang Gao and Saber Fallah
• Abstract要約: 本稿では,高度図や軌道図からエンドツーエンドで学習し,故障発生を推定する深層学習フレームワークを提案する。 アプリケーションに依存しない事前学習モデルの転送と微調整は、ほとんど利用可能な実データに基づいて一意にトレーニングするよりも優れた性能を保っていることを示す。
• 参考スコア（独自算出の注目度）: 11.042142015353626
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Terrain traversability analysis plays a major role in ensuring safe robotic navigation in unstructured environments. However, real-time constraints frequently limit the accuracy of online tests, especially in scenarios where realistic robot-terrain interactions are complex to model. In this context, we propose a deep learning framework, trained in an end-to-end fashion from elevation maps and trajectories, to estimate the occurrence of failure events. The network is first trained and tested in simulation over synthetic maps generated by the OpenSimplex algorithm. The prediction performance of the Deep Learning framework is illustrated by being able to retain over 94% recall of the original simulator at 30% of the computational time. Finally, the network is transferred and tested on real elevation maps collected by the SEEKER consortium during the Martian rover test trial in the Atacama desert in Chile. We show that transferring and fine-tuning of an application-independent pre-trained model retains better performance than training uniquely on scarcely available real data.
• Abstract（参考訳）: 地形トラバーサビリティ解析は、非構造環境における安全なロボットナビゲーションを確保する上で重要な役割を果たす。 しかし、リアルタイムな制約はしばしばオンラインテストの精度を制限し、特に現実的なロボットとテランの相互作用がモデル化に複雑であるシナリオでは特にそうだ。 そこで本研究では,高度図や軌道図からエンドツーエンドで学習し,故障発生を推定する深層学習フレームワークを提案する。 ネットワークはOpenSimplexアルゴリズムによって生成された合成マップのシミュレーションで最初に訓練され、テストされる。 Deep Learningフレームワークの予測性能は、計算時間の30%で元のシミュレータの94%以上をリコールすることができる。 最後に、このネットワークはチリのアタカマ砂漠での火星探査試験中にSEEKERコンソーシアムが収集した実際の標高マップに転送されテストされる。 アプリケーションに依存しない事前学習モデルの転送と微調整は、ほとんど利用可能な実データに基づいてトレーニングするよりも優れた性能を保っていることを示す。

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Enhancing Navigation Benchmarking and Perception Data Generation for Row-based Crops in Simulation [0.3518016233072556]
  本稿では,セマンティックセグメンテーションネットワークを学習するための合成データセットと,ナビゲーションアルゴリズムを高速に評価するための仮想シナリオのコレクションを提案する。 異なるフィールドジオメトリと特徴を探索するための自動パラメトリック手法が開発されている。 シミュレーションフレームワークとデータセットは、異なる作物のディープセグメンテーションネットワークをトレーニングし、その結果のナビゲーションをベンチマークすることで評価されている。
  論文  参考訳（メタデータ） (2023-06-27T14:46:09Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Robust SAR ATR on MSTAR with Deep Learning Models trained on Full Synthetic MOCEM data [0.0]
  シミュレーションは、合成トレーニングデータセットを作成することでこの問題を克服することができる。 ドメインランダム化手法と対角訓練を組み合わせることでこの問題を克服できることを示す。
  論文  参考訳（メタデータ） (2022-06-15T08:04:36Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Solving Occlusion in Terrain Mapping with Neural Networks [7.703348666813963]
  本研究では,実世界のデータに基づいて,地上情報を必要としない自己教師付き学習手法を提案する。 私たちのニューラルネットワークは、自律的な地上ロボットに適したサンプリングレートで、CPUとGPUの両方でリアルタイムで実行できます。
  論文  参考訳（メタデータ） (2021-09-15T08:30:16Z)
• OctoPath: An OcTree Based Self-Supervised Learning Approach to Local Trajectory Planning for Mobile Robots [0.0]
  我々は,エンコーダ・デコーダ・ディープニューラルネットワークであるOctoPathを導入し,エゴ車両の最適軌道を予測するための自己教師型訓練を行った。 トレーニング中、OctoPathは、所定のトレーニングデータセット内の予測と手動で駆動するトラジェクトリ間のエラーを最小限にする。 我々は,室内と屋外の異なる運転シナリオにおけるOctoPathの予測を,ベースラインハイブリッドA-Starアルゴリズムに対してベンチマークしながら評価した。
  論文  参考訳（メタデータ） (2021-06-02T07:10:54Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)

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。