論文の概要: Learning Risk-aware Costmaps for Traversability in Challenging
Environments
- arxiv url: http://arxiv.org/abs/2107.11722v1
- Date: Sun, 25 Jul 2021 04:12:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-27 16:17:33.881679
- Title: Learning Risk-aware Costmaps for Traversability in Challenging
Environments
- Title（参考訳）: 困難環境におけるトラバーサビリティのためのリスクアウェアコストマップの学習
- Authors: David D. Fan, Ali-akbar Agha-mohammadi, Evangelos A. Theodorou
- Abstract要約: トラバーサビリティコストの分散を頑健に学習するためのニューラルネットワークアーキテクチャを導入する。
ロボットの生命維持をモチベーションとするので,テールリスクの学習の観点から,この学習課題に取り組む。
提案手法は,0から1の間で所望の確率リスク閾値が与えられた場合,期待されるテールリスクを確実に学習することを示す。
- 参考スコア（独自算出の注目度）: 16.88528967313285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the main challenges in autonomous robotic exploration and navigation
in unknown and unstructured environments is determining where the robot can or
cannot safely move. A significant source of difficulty in this determination
arises from stochasticity and uncertainty, coming from localization error,
sensor sparsity and noise, difficult-to-model robot-ground interactions, and
disturbances to the motion of the vehicle. Classical approaches to this problem
rely on geometric analysis of the surrounding terrain, which can be prone to
modeling errors and can be computationally expensive. Moreover, modeling the
distribution of uncertain traversability costs is a difficult task, compounded
by the various error sources mentioned above. In this work, we take a
principled learning approach to this problem. We introduce a neural network
architecture for robustly learning the distribution of traversability costs.
Because we are motivated by preserving the life of the robot, we tackle this
learning problem from the perspective of learning tail-risks, i.e. the
Conditional Value-at-Risk (CVaR). We show that this approach reliably learns
the expected tail risk given a desired probability risk threshold between 0 and
1, producing a traversability costmap which is more robust to outliers, more
accurately captures tail risks, and is more computationally efficient, when
compared against baselines. We validate our method on data collected a legged
robot navigating challenging, unstructured environments including an abandoned
subway, limestone caves, and lava tube caves.
- Abstract（参考訳）: 未知の環境と非構造環境における自律型ロボット探査とナビゲーションの主な課題の1つは、ロボットが安全な移動が可能な場所を決定することである。
この決定の重大な困難の原因は、局所化誤差、センサーの間隔とノイズ、ロボットと地上の相互作用の難しさ、車両の動きの妨害などによる確率性と不確実性である。
この問題の古典的なアプローチは周囲の地形の幾何学的解析に依存しており、エラーをモデル化しやすく、計算コストも高い。
さらに, 不確実なトラバーサビリティコストの分布をモデル化することは, 上記のような様々な誤差源が組み合わさって難しい課題である。
本研究では,この問題に対して原則的学習アプローチを採る。
トラバーサビリティコストの分散を堅牢に学習するためのニューラルネットワークアーキテクチャを導入する。
ロボットの生活を守ることによる動機付けのため,我々は尾のリスクを学習する観点から,この学習問題に取り組む。
Conditional Value-at-Risk (CVaR)。
提案手法は,確率リスク閾値が0から1の間にある場合,予測されたテールリスクを確実に学習し,異常値に対してより頑健で,テールリスクをより正確に捉え,ベースラインと比較した場合に計算効率が高いトラバーサビリティコストマップを生成する。
本研究では, 廃地下鉄, 石灰岩洞, 溶岩洞洞など, 難易度の高い非構造環境をナビゲートする脚付きロボットのデータを用いて, 評価を行った。
関連論文リスト
- When to Localize? A Risk-Constrained Reinforcement Learning Approach [13.853127103435012]
いくつかのシナリオでは、ロボットは観測に費用がかかるときに選択的にローカライズする必要がある。
RiskRLは制約付き強化学習フレームワークで、これらの制限を克服します。
論文 参考訳（メタデータ） (2024-11-05T03:54:00Z) - EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy [34.19779754333234]
本研究では,不確実性を考慮したトラクションモデルを学習し,リスクを考慮したトラジェクトリを計画するための統一的なフレームワークを提案する。
ネットワーク出力を用いてディリクレ分布をパラメータ化し、新しい不確実性を考慮した2乗地球モーバー距離損失を提案する。
我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
論文 参考訳（メタデータ） (2023-11-10T18:49:53Z) - Distributional Instance Segmentation: Modeling Uncertainty and High
Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。
ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。
本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
論文 参考訳（メタデータ） (2023-05-03T05:57:29Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳（メタデータ） (2022-12-22T14:26:11Z) - Adaptive Risk Tendency: Nano Drone Navigation in Cluttered Environments
with Distributional Reinforcement Learning [17.940958199767234]
適応型リスク傾向ポリシーを学習するための分散強化学習フレームワークを提案する。
本アルゴリズムは,シミュレーションと実世界の実験の両方において,ハエのリスク感度を調整可能であることを示す。
論文 参考訳（メタデータ） (2022-03-28T13:39:58Z) - STEP: Stochastic Traversability Evaluation and Planning for Safe
Off-road Navigation [9.423950528323893]
トラバーサビリティを評価し,安全かつ実現可能な高速軌道をリアルタイムに計画する手法を提案する。
1)迅速な不確実性認識マッピングとトラバーサビリティ評価,2)条件付きバリュー・アット・リスク(CVaR)を用いたテールリスクアセスメント,3)効率的なリスクと制約を考慮したキノダイナミックな動き計画。
本手法をシミュレーションで解析し,地下溶岩管を含む極端な地形を探索する車輪型および脚型ロボットプラットフォーム上での有効性を検証する。
論文 参考訳（メタデータ） (2021-03-04T04:24:19Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Domain Adaptation for Outdoor Robot Traversability Estimation from RGB
data with Safety-Preserving Loss [12.697106921197701]
本稿では,車載RGBカメラの視野内で異なる経路のトラバーススコアを推定し,予測する深層学習に基づくアプローチを提案する。
次に、勾配反転非教師付き適応によるドメインシフトに対処することで、モデルの能力を向上する。
実験結果から,本手法は移動可能領域を良好に同定し,目に見えない場所に一般化できることが示唆された。
論文 参考訳（メタデータ） (2020-09-16T09:19:33Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳（メタデータ） (2020-05-21T19:47:05Z)
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。