論文の概要: Competence-Aware Path Planning via Introspective Perception
- arxiv url: http://arxiv.org/abs/2109.13974v1
- Date: Tue, 28 Sep 2021 18:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:42:14.270108
- Title: Competence-Aware Path Planning via Introspective Perception
- Title(参考訳): イントロスペクティブ・パーセプションによる能力認識経路計画
- Authors: Sadegh Rabiee, Connor Basich, Kyle Hollins Wray, Shlomo Zilberstein,
Joydeep Biswas
- Abstract要約: 本稿では,認識の誤りによる計画実行失敗を推論することで,有能な計画立案のための構造的モデルフリーアプローチを提案する。
タスクレベルの能力を反復的に学習し活用するためのベイズ的枠組みである,イントロスペクティブ・イントロスペクティブ・インセプティヴ・インセプティヴ・インセプティヴ・インセプティヴ・パス・プランニング(CPIP)を導入する。
- 参考スコア(独自算出の注目度): 36.39015240656877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots deployed in the real world over extended periods of time need to
reason about unexpected failures, learn to predict them, and to proactively
take actions to avoid future failures. Existing approaches for competence-aware
planning are either model-based, requiring explicit enumeration of known
failure modes, or purely statistical, using state- and location-specific
failure statistics to infer competence. We instead propose a structured
model-free approach to competence-aware planning by reasoning about plan
execution failures due to errors in perception, without requiring a-priori
enumeration of failure modes or requiring location-specific failure statistics.
We introduce competence-aware path planning via introspective perception
(CPIP), a Bayesian framework to iteratively learn and exploit task-level
competence in novel deployment environments. CPIP factorizes the
competence-aware planning problem into two components. First, perception errors
are learned in a model-free and location-agnostic setting via introspective
perception prior to deployment in novel environments. Second, during actual
deployments, the prediction of task-level failures is learned in a
context-aware setting. Experiments in a simulation show that the proposed CPIP
approach outperforms the frequentist baseline in multiple mobile robot tasks,
and is further validated via real robot experiments in an environment with
perceptually challenging obstacles and terrain.
- Abstract(参考訳): 長期間にわたって現実世界に展開するロボットは、予期せぬ失敗を判断し、予測し、将来の失敗を避けるために積極的に行動を取る必要がある。
能力対応計画のための既存のアプローチはモデルベースであり、既知の障害モードの明示的な列挙を必要とするか、あるいは状態と場所固有の障害統計を使って能力を推測する純粋に統計的なものである。
代わりに,障害モードのa-priori列挙や位置固有の障害統計を必要とせず,知覚エラーによる計画実行失敗を推論し,能力対応計画に対する構造化モデルフリーなアプローチを提案する。
我々は,新しい展開環境におけるタスクレベルの能力の反復学習と活用を行うベイジアンフレームワークである,イントロスペクティブ・インセプション(cpip)による能力認識パス計画を導入する。
CPIPは能力認識計画問題を2つの構成要素に分解する。
まず、新しい環境に展開する前に、内観的知覚を通して、モデルのない、位置に依存しない環境で知覚誤差を学習する。
第二に、実際のデプロイメントにおいて、タスクレベルの障害の予測はコンテキスト認識環境で学習される。
シミュレーション実験では,提案手法が複数の移動ロボットタスクにおける頻繁なベースラインを上回っており,障害物や地形に知覚的に挑戦する環境での実際のロボット実験によりさらに検証されることを示した。
関連論文リスト
- On Sequential Fault-Intolerant Process Planning [60.66853798340345]
我々は、逐次的フォールトトレラントプロセス計画(SFIPP)と呼ばれる計画問題を提案し、研究する。
SFIPPは、全ての段階が成功する場合にのみ計画が成功すると判断される多くの連続した多段階決定問題に共通する報酬構造をキャプチャする。
私たちは、異なるアクションを選択して、それぞれのステージで成功の確率を未知にする必要がある設定のために、確実に厳密なオンラインアルゴリズムを設計します。
論文 参考訳(メタデータ) (2025-02-07T15:20:35Z) - Platform-Aware Mission Planning [50.56223680851687]
本稿では,PAMP(Platform-Aware Mission Planning)の問題を紹介する。
第1のベースラインアプローチはミッションレベルとプラットフォームレベル、第2のベースラインアプローチは抽象リファインメントループに基づいている。
提案手法の健全性と完全性を実証し,実験により検証する。
論文 参考訳(メタデータ) (2025-01-16T16:20:37Z) - Validity Learning on Failures: Mitigating the Distribution Shift in Autonomous Vehicle Planning [2.3558144417896583]
計画問題は、自律運転フレームワークの基本的な側面を構成する。
この問題に対処するための対策として,失敗に対する妥当性学習,VL(on failure)を提案する。
VL(on failure)は最先端の手法よりも大きなマージンで優れていることを示す。
論文 参考訳(メタデータ) (2024-06-03T17:25:18Z) - Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳(メタデータ) (2024-02-29T15:36:01Z) - Model-Based Runtime Monitoring with Interactive Imitation Learning [30.70994322652745]
本研究は,タスク実行中のエラーを監視し,検出する能力を備えたロボットの実現を目的とする。
本稿では,デプロイメントデータからシステム異常を検出し,障害を予測するためのモデルベースランタイム監視アルゴリズムを提案する。
本手法は, シミュレーションおよび物理ハードウェアにおいて, 23%, 40%高い成功率で, システムレベルおよび単体テストの基準線を上回り, 性能を向上する。
論文 参考訳(メタデータ) (2023-10-26T16:45:44Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-16T06:28:20Z) - PREVENT: An Unsupervised Approach to Predict Software Failures in Production [5.20605721024686]
PreVENTは、教師なしのテクニックを組み合わせることで、分散エンタープライズアプリケーションの障害を予測し、ローカライズするためのアプローチである。
その結果、PreVENTは、長く、しばしば失敗を伴う非現実的なトレーニングを必要とせず、教師付き学習アプローチよりも早い段階で、より安定的で信頼性の高い予測を提供することがわかった。
論文 参考訳(メタデータ) (2022-08-25T08:45:59Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - Cloth Manipulation Planning on Basis of Mesh Representations with
Incomplete Domain Knowledge and Voxel-to-Mesh Estimation [0.0]
ロボット布操作におけるオープンゴール計画の問題点を考察する。
私たちのシステムのコアは、操作中の布の挙動のフォワードモデルとして訓練されたニューラルネットワークです。
本稿では,voxel入力からメッシュ表現を推定するニューラルネットワークベースのルーチンを導入し,メッシュ形式の計画を行う。
論文 参考訳(メタデータ) (2021-03-15T04:59:14Z) - Discovering Avoidable Planner Failures of Autonomous Vehicles using
Counterfactual Analysis in Behaviorally Diverse Simulation [16.86782673205523]
本稿では,行動学的に多様な交通参加者をシミュレートする上で,近年の進歩を生かしたプランナーテストフレームワークを提案する。
提案手法は,多岐にわたる重要な計画立案者の失敗を見出すことができることを示す。
論文 参考訳(メタデータ) (2020-11-24T09:44:23Z)
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。