論文の概要: Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2106.13358v1
• Date: Thu, 24 Jun 2021 23:57:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-28 12:50:01.193522
• Title: Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks
• Title（参考訳）: 畳み込みとグラフニューラルネットワークを用いたスケーラブルな知覚・行動・コミュニケーションループ
• Authors: Ting-Kuei Hu, Fernando Gama, Tianlong Chen, Wenqing Zheng, Zhangyang Wang, Alejandro Ribeiro, Brian M. Sadler
• Abstract要約: 視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。 我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。 我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
• 参考スコア（独自算出の注目度）: 208.15591625749272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a perception-action-communication loop design using Vision-based Graph Aggregation and Inference (VGAI). This multi-agent decentralized learning-to-control framework maps raw visual observations to agent actions, aided by local communication among neighboring agents. Our framework is implemented by a cascade of a convolutional and a graph neural network (CNN / GNN), addressing agent-level visual perception and feature learning, as well as swarm-level communication, local information aggregation and agent action inference, respectively. By jointly training the CNN and GNN, image features and communication messages are learned in conjunction to better address the specific task. We use imitation learning to train the VGAI controller in an offline phase, relying on a centralized expert controller. This results in a learned VGAI controller that can be deployed in a distributed manner for online execution. Additionally, the controller exhibits good scaling properties, with training in smaller teams and application in larger teams. Through a multi-agent flocking application, we demonstrate that VGAI yields performance comparable to or better than other decentralized controllers, using only the visual input modality and without accessing precise location or motion state information.
• Abstract（参考訳）: 本稿では,視覚に基づくグラフ集約と推論(VGAI)を用いた知覚行動通信ループの設計を提案する。 このマルチエージェント分散学習-制御フレームワークは、生の視覚観察をエージェントアクションにマッピングし、近隣エージェント間のローカルコミュニケーションによって支援する。 このフレームワークは畳み込みとグラフニューラルネットワーク(cnn/gnn)のカスケードによって実装され,エージェントレベルの視覚知覚と特徴学習,スワーミングレベルのコミュニケーション,ローカル情報集約,エージェントアクション推論にそれぞれ対応している。 CNNとGNNを共同でトレーニングすることで、特定のタスクによりよく対処するために、画像の特徴とコミュニケーションメッセージが学習される。 我々は、VGAIコントローラをオフラインフェーズでトレーニングするために模倣学習を使用し、集中型エキスパートコントローラに依存します。 これにより、学習したVGAIコントローラがオンライン実行のために分散的にデプロイされる。 さらに、コントローラーは優れたスケーリング特性を示し、小さなチームでトレーニングを行い、より大きなチームでアプリケーションを開発する。 マルチエージェントのflockingアプリケーションを通じて,vgaiは,視覚入力モダリティのみを使用して,正確な位置や動作状態情報にアクセスせずに,他の分散コントローラと同等あるいはそれ以上のパフォーマンスが得られることを実証する。

関連論文リスト

• ABC: Aggregation before Communication, a Communication Reduction Framework for Distributed Graph Neural Network Training and Effective Partition [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造データに適したニューラルモデルであり、グラフ構造データの学習表現において優れた性能を示している。 本稿では,分散GNN訓練における通信複雑性について検討する。 グラフ変換プロセスの未知によりエッジ配置を制御できない動的グラフの場合,新しいパーティションパラダイムは特に理想的であることを示す。
  論文  参考訳（メタデータ） (2022-12-11T04:54:01Z)
• Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
  基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。 既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。 本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-24T21:45:06Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Transferring ConvNet Features from Passive to Active Robot Self-Localization: The Use of Ego-Centric and World-Centric Views [2.362412515574206]
  標準VPRサブシステムは利用可能であると仮定され、ドメイン不変な状態認識能力はドメイン不変なNBVプランナーを訓練するために転送される。 我々は,CNNモデルから利用可能な視覚的手がかりを,出力層キュー(OLC)と中間層キュー(ILC)の2つのタイプに分割する。 本フレームワークでは,ICCとOLCを状態ベクトルにマッピングし,深層強化学習による多視点NBVプランナの訓練に使用する。
  論文  参考訳（メタデータ） (2022-04-22T04:42:33Z)
• Wireless Link Scheduling via Graph Representation Learning: A Comparative Study of Different Supervision Levels [4.264192013842096]
  本稿では,無線干渉ネットワークにおける二元電力制御(リンクスケジューリング)の問題点を考察し,グラフ表現学習を用いて電力制御ポリシーを訓練する。 ノードの埋め込みは、教師なし、教師なし、自己教師なしの学習など、様々な方法で訓練できることを示す。
  論文  参考訳（メタデータ） (2021-10-04T21:22:12Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Decentralized Control with Graph Neural Networks [147.84766857793247]
  分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。 GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。 分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
  論文  参考訳（メタデータ） (2020-12-29T18:59:14Z)
• Graph Neural Networks for Decentralized Controllers [171.6642679604005]
  自律エージェントで構成される動的システムは、ロボット工学、スマートグリッド、スマートシティなど、多くの関連する問題に現れる。 最適な集中型コントローラは容易に利用できるが、スケーラビリティと実用的な実装の面で制限に直面している。 グラフニューラルネットワーク(GNN)を用いて,データから分散制御系を学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-23T13:51:18Z)
• VGAI: End-to-End Learning of Vision-Based Decentralized Controllers for Robot Swarms [237.25930757584047]
  ビジュアル入力のみに基づいて分散制御系を学習することを提案する。 初めて、コミュニケーションと視覚知覚という2つの重要な要素の学習を統合する。 提案する学習フレームワークは,各ロボットが視覚入力からメッセージを取り出すための畳み込みニューラルネットワーク(CNN)と,これらのメッセージの送信,受信,処理を行うためのSwarm全体のグラフニューラルネットワーク(GNN)を組み合わせる。
  論文  参考訳（メタデータ） (2020-02-06T15:25:23Z)

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。