Fugu-MT 論文翻訳(概要): Robot in a China Shop: Using Reinforcement Learning for Location-Specific Navigation Behaviour

論文の概要: Robot in a China Shop: Using Reinforcement Learning for Location-Specific Navigation Behaviour

arxiv url: http://arxiv.org/abs/2106.01434v1
Date: Wed, 2 Jun 2021 19:31:27 GMT
ステータス: 処理完了
システム内更新日: 2021-06-04 15:58:41.609231
Title: Robot in a China Shop: Using Reinforcement Learning for Location-Specific Navigation Behaviour
Title（参考訳）: 中国ショップのロボット:位置特定ナビゲーション行動における強化学習の利用
Authors: Xihan Bian and Oscar Mendez and Simon Hadfield
Abstract要約: 本稿では,マルチタスク学習問題として扱われるナビゲーションに対する新しいアプローチを提案する。これによりロボットは、異なる環境における視覚的なナビゲーションタスクにおいて、異なる振る舞いを学ぶことができる。
参考スコア（独自算出の注目度）: 24.447207633447363
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robots need to be able to work in multiple different environments. Even when performing similar tasks, different behaviour should be deployed to best fit the current environment. In this paper, We propose a new approach to navigation, where it is treated as a multi-task learning problem. This enables the robot to learn to behave differently in visual navigation tasks for different environments while also learning shared expertise across environments. We evaluated our approach in both simulated environments as well as real-world data. Our method allows our system to converge with a 26% reduction in training time, while also increasing accuracy.
Abstract（参考訳）: ロボットは複数の異なる環境で動作する必要がある。同様のタスクを実行しても、現在の環境に最も合うように、異なる振る舞いをデプロイする必要がある。本稿では,マルチタスク学習問題として扱われるナビゲーションの新しいアプローチを提案する。これにより、ロボットは異なる環境の視覚的ナビゲーションタスクで異なる振る舞いを学べると同時に、環境間での専門知識の共有も学べる。シミュレーション環境と実環境データの両方において,本手法を評価した。本手法では, 学習時間を26%削減するとともに, 精度を向上させることができる。

関連論文リスト

Target Search and Navigation in Heterogeneous Robot Systems with Deep Reinforcement Learning [3.3167319223959373]
未知の環境下での探索・救助ミッションのためのUAVとUGVからなる異種ロボットシステムを設計する。このシステムは、深い強化学習アルゴリズムによって学習されたポリシーを用いて、迷路のような鉱山環境でターゲットを探索し、それらをナビゲートすることができる。
論文参考訳（メタデータ） (2023-08-01T07:09:14Z)
Learning Hierarchical Interactive Multi-Object Search for Mobile Manipulation [10.21450780640562]
本稿では,ロボットが扉を開けて部屋をナビゲートし,キャビネットや引き出しの中を探索し,対象物を見つける,インタラクティブな多目的探索タスクを提案する。これらの新たな課題は、探索されていない環境での操作とナビゲーションのスキルを組み合わせる必要がある。本研究では,探索,ナビゲーション,操作のスキルを習得する階層的強化学習手法であるHIMOSを提案する。
論文参考訳（メタデータ） (2023-07-12T12:25:33Z)
A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文参考訳（メタデータ） (2022-08-16T17:37:36Z)
SKILL-IL: Disentangling Skill and Knowledge in Multitask Imitation Learning [21.222568055417717]
人間はスキルと知識を伝達することができる。仕事のサイクルと店へのドライブができれば、店へのサイクルと仕事へのドライブも可能だ。このことから着想を得て、ポリシーネットワークの潜在記憶を2つのパーティションに切り離すことができると仮定する。これらは、タスクの環境コンテキストに関する知識や、タスクの解決に必要な一般化可能なスキルを含んでいる。
論文参考訳（メタデータ） (2022-05-06T10:38:01Z)
Unsupervised Online Learning for Robotic Interestingness with Visual Memory [9.189959184116962]
そこで本研究では,オンライン環境に自動的に適応して,興味深いシーンを素早く報告する手法を開発した。地下トンネル環境における最先端の非監視手法よりも平均20%高い精度を実現する。
論文参考訳（メタデータ） (2021-11-18T16:51:39Z)
Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文参考訳（メタデータ） (2021-09-19T18:00:51Z)
ReLMM: Practical RL for Learning Mobile Manipulation Skills Using Only Onboard Sensors [64.2809875343854]
ロボットは、ナビゲーションと把握の組み合わせを必要とするスキルを自律的に学習する方法について研究する。我々のシステムであるReLMMは、環境機器を使わずに、現実世界のプラットフォームで継続的に学習することができる。グラウンドカリキュラムトレーニングフェーズの後、ReLMMは、現実世界のトレーニングの約40時間で、ナビゲーションと完全に自動的なグリップを学習できる。
論文参考訳（メタデータ） (2021-07-28T17:59:41Z)
ViNG: Learning Open-World Navigation with Visual Goals [82.84193221280216]
視覚的目標達成のための学習に基づくナビゲーションシステムを提案する。提案手法は,我々がvingと呼ぶシステムが,目標条件強化学習のための提案手法を上回っていることを示す。我々は、ラストマイル配送や倉庫検査など、現実の多くのアプリケーションでViNGを実演する。
論文参考訳（メタデータ） (2020-12-17T18:22:32Z)
NavRep: Unsupervised Representations for Reinforcement Learning of Robot Navigation in Dynamic Human Environments [28.530962677406627]
2つのエンドツーエンドと18の教師なし学習ベースのアーキテクチャをトレーニングし、それらと既存のアプローチを未認識のテストケースで比較します。その結果,教師なし学習手法はエンドツーエンドの手法と競合することがわかった。このリリースには、他の論文で記述されたトレーニング条件をエミュレートするように設計されたopenai-gym互換環境も含まれている。
論文参考訳（メタデータ） (2020-12-08T12:51:14Z)
Hierarchical Affordance Discovery using Intrinsic Motivation [69.9674326582747]
本研究では,移動ロボットの価格学習を支援するために,本質的なモチベーションを用いたアルゴリズムを提案する。このアルゴリズムは、事前にプログラムされたアクションなしで、相互に関連のある価格を自律的に発見し、学習し、適応することができる。一度学習すると、これらの余裕はアルゴリズムによって様々な困難を伴うタスクを実行するために一連のアクションを計画するために使われる。
論文参考訳（メタデータ） (2020-09-23T07:18:21Z)
Environment-agnostic Multitask Learning for Natural Language Grounded Navigation [88.69873520186017]
本稿では,視覚言語ナビゲーション(VLN)タスクと対話履歴からのナビゲーション(NDH)タスクをシームレスにトレーニングできるマルチタスクナビゲーションモデルを提案する。実験により、環境に依存しないマルチタスク学習は、目に見える環境と目に見えない環境の間のパフォーマンスギャップを著しく減少させることが示された。
論文参考訳（メタデータ） (2020-03-01T09:06:31Z)

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。