論文の概要: Multi-Agent Simulation for AI Behaviour Discovery in Operations Research
- arxiv url: http://arxiv.org/abs/2108.13296v1
- Date: Mon, 30 Aug 2021 15:14:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:28:06.713314
- Title: Multi-Agent Simulation for AI Behaviour Discovery in Operations Research
- Title(参考訳): 運用研究におけるAI行動発見のためのマルチエージェントシミュレーション
- Authors: Michael Papasimeon, Lyndon Benke
- Abstract要約: ACE0は、マルチエージェントシミュレーションにおける行動発見のためのAIメソッドの適合性と生存性を評価するプラットフォームである。
本稿では, システムアーキテクチャの技術的概要, 航空宇宙領域における行動発見の事例研究, システムの質的評価について述べる。
- 参考スコア(独自算出の注目度): 0.9137554315375919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We describe ACE0, a lightweight platform for evaluating the suitability and
viability of AI methods for behaviour discovery in multiagent simulations.
Specifically, ACE0 was designed to explore AI methods for multi-agent
simulations used in operations research studies related to new technologies
such as autonomous aircraft. Simulation environments used in production are
often high-fidelity, complex, require significant domain knowledge and as a
result have high R&D costs. Minimal and lightweight simulation environments can
help researchers and engineers evaluate the viability of new AI technologies
for behaviour discovery in a more agile and potentially cost effective manner.
In this paper we describe the motivation for the development of ACE0.We provide
a technical overview of the system architecture, describe a case study of
behaviour discovery in the aerospace domain, and provide a qualitative
evaluation of the system. The evaluation includes a brief description of
collaborative research projects with academic partners, exploring different AI
behaviour discovery methods.
- Abstract(参考訳): マルチエージェントシミュレーションにおける行動発見のためのAI手法の適合性と有効性を評価する軽量プラットフォームであるACE0について述べる。
具体的には、ACE0は自律航空機のような新しい技術に関連する運用研究で使用されるマルチエージェントシミュレーションのためのAI手法を探索するために設計された。
生産で使用されるシミュレーション環境は、しばしば高忠実で複雑であり、かなりのドメイン知識を必要とし、結果としてR&Dコストが高い。
最小限で軽量なシミュレーション環境は、研究者やエンジニアが、よりアジャイルで潜在的にコストのかかる方法で行動発見のための新しいAI技術の生存可能性を評価するのに役立つ。
本稿では、ACE0の開発動機について述べるとともに、システムアーキテクチャの技術的概要、航空宇宙領域における振る舞い発見の事例研究、システムの質的評価について述べる。
この評価には、学術パートナーと共同研究プロジェクトの簡単な説明が含まれており、さまざまなAI行動発見方法を探求している。
関連論文リスト
- Characterizing Novelty in the Military Domain [0.0]
運用において、リッチな環境は、トレーニングセットやエンジニアリングモデルで説明されていない課題を提示する可能性が高い。
国防高等研究計画局(DARPA)のプログラムは、新規性に堅牢なエージェントの開発を目指している。
この能力は、ミッションクリティカルな環境の中でAIが想定される役割の前に必要となる。
論文 参考訳(メタデータ) (2023-02-23T20:21:24Z) - Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。
まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。
我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
論文 参考訳(メタデータ) (2022-06-22T19:33:21Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳(メタデータ) (2022-03-03T20:52:47Z) - Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。
シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。
我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
論文 参考訳(メタデータ) (2021-12-06T18:45:31Z) - A Software Tool for Evaluating Unmanned Autonomous Systems [0.9786690381850356]
本稿では、データ駆動知能予測ツール(DIPT)と呼ばれるシミュレーションベース技術の一例を示す。
DIPTは多プラットフォーム無人航空機(UAV)システムをテストするために開発された。
論文 参考訳(メタデータ) (2021-11-21T18:17:57Z) - Human-Robot Collaboration and Machine Learning: A Systematic Review of
Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。
本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文 参考訳(メタデータ) (2021-10-14T15:14:33Z) - T-RECS: A Simulation Tool to Study the Societal Impact of Recommender
Systems [5.592114738742928]
我々は、研究者がレコメンデーションシステムをシミュレートするために設計されたオープンソースのPythonパッケージであるT-RECSを紹介する。
本稿では,T-RECSの柔軟性を実証するため,従来の2つのシミュレーションに基づく社会工学研究の再現を行った。
論文 参考訳(メタデータ) (2021-07-19T15:16:44Z) - Sim-Env: Decoupling OpenAI Gym Environments from Simulation Models [0.0]
強化学習(RL)は、AI研究の最も活発な分野の1つです。
開発方法論はまだ遅れており、RLアプリケーションの開発を促進するための標準APIが不足している。
多目的エージェントベースのモデルと派生した単一目的強化学習環境の分離開発と保守のためのワークフローとツールを提示する。
論文 参考訳(メタデータ) (2021-02-19T09:25:21Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2020-06-19T18:57:51Z)
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。