論文の概要: Towards Optimal Correlational Object Search

• arxiv url: http://arxiv.org/abs/2110.09991v1
• Date: Tue, 19 Oct 2021 14:03:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 17:41:07.692871
• Title: Towards Optimal Correlational Object Search
• Title（参考訳）: 最適相関対象探索に向けて
• Authors: Kaiyu Zheng, Rohan Chitnis, Yoonchang Sung, George Konidaris, Stefanie Tellex
• Abstract要約: 相関オブジェクト探索POMDPは相関情報を用いた探索戦略を作成することができる。 我々は,家庭環境の現実的なシミュレータであるAI2-THORと,広く使用されている物体検出器であるYOLOv5を用いて実験を行った。
• 参考スコア（独自算出の注目度）: 25.355936023640506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In realistic applications of object search, robots will need to locate target objects in complex environments while coping with unreliable sensors, especially for small or hard-to-detect objects. In such settings, correlational information can be valuable for planning efficiently: when looking for a fork, the robot could start by locating the easier-to-detect refrigerator, since forks would probably be found nearby. Previous approaches to object search with correlational information typically resort to ad-hoc or greedy search strategies. In this paper, we propose the Correlational Object Search POMDP (COS-POMDP), which can be solved to produce search strategies that use correlational information. COS-POMDPs contain a correlation-based observation model that allows us to avoid the exponential blow-up of maintaining a joint belief about all objects, while preserving the optimal solution to this naive, exponential POMDP formulation. We propose a hierarchical planning algorithm to scale up COS-POMDP for practical domains. We conduct experiments using AI2-THOR, a realistic simulator of household environments, as well as YOLOv5, a widely-used object detector. Our results show that, particularly for hard-to-detect objects, such as scrub brush and remote control, our method offers the most robust performance compared to baselines that ignore correlations as well as a greedy, next-best view approach.
• Abstract（参考訳）: オブジェクト検索の現実的な応用では、ロボットは複雑な環境でターゲットの物体を見つけ、信頼性の低いセンサー、特に小さな物体や検出しにくい物体を扱う必要がある。 このような環境では、相関情報が効率的に計画するのに有用である:フォークを探すとき、ロボットは、検出しやすい冷蔵庫を見つけることから始めることができる。 相関情報を用いたオブジェクト探索への従来のアプローチは、通常アドホックまたは欲求的な検索戦略に頼っている。 本稿では,相関情報を用いた探索戦略を作成するために,相関オブジェクト探索POMDP (COS-POMDP) を提案する。 COS-POMDP には相関に基づく観測モデルが含まれており、この単純で指数関数的なPOMDP の定式化に対する最適解を保ちながら、全ての物体の連なる信念を維持する指数的な爆発を避けることができる。 本稿では,COS-POMDPを実用領域にスケールアップする階層的計画アルゴリズムを提案する。 我々は,家庭環境の現実的なシミュレータであるAI2-THORと,広く使用されている物体検出器であるYOLOv5を用いて実験を行った。 以上の結果から,スクラブブラシやリモートコントロールなど,特に検出困難なオブジェクトに対しては,相関を無視するベースラインよりも頑健な性能と,強欲で次世代のビューアプローチを提供することがわかった。

関連論文リスト

• A Modern Take on Visual Relationship Reasoning for Grasp Planning [10.543168383800532]
  本稿では,視覚的リレーショナル推論による把握計画を提案する。 D3GDは、97の異なるカテゴリから最大35のオブジェクトを持つビンピックシーンを含む、新しいテストベッドである。 また、新しいエンドツーエンドのトランスフォーマーベースの依存性グラフ生成モデルであるD3Gを提案する。
  論文  参考訳（メタデータ） (2024-09-03T16:30:48Z)
• Language-Conditioned Observation Models for Visual Object Search [12.498575839909334]
  我々は、部分的に観測可能なマルコフ決定過程(POMDP)として問題に反応することで、現実的な対象探索のギャップを埋める。 ニューラルネットワークの出力を言語条件観測モデル(LCOM)に組み込んで,動的に変化するセンサノイズを表現する。 本稿では,Boston Dynamics Spotロボットを用いて,複雑な自然言語オブジェクト記述を処理し,室内環境におけるオブジェクトの効率的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-09-13T19:30:53Z)
• Scale-aware Automatic Augmentation for Object Detection [63.087930708444695]
  オブジェクト検出のためのデータ拡張ポリシーを学ぶために,Scale-aware AutoAugを提案する。 実験では、Scale-aware AutoAugはさまざまな物体検出器に有意で一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-31T17:11:14Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• POMP: Pomcp-based Online Motion Planning for active visual search in indoor environments [89.43830036483901]
  本稿では, 屋内環境におけるオブジェクトのアクティブビジュアルサーチ(AVS)の最適ポリシーを, オンライン設定で学習する問題に焦点をあてる。 提案手法はエージェントの現在のポーズとRGB-Dフレームを入力として使用する。 提案手法を利用可能なAVDベンチマークで検証し,平均成功率0.76,平均パス長17.1とした。
  論文  参考訳（メタデータ） (2020-09-17T08:23:50Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)
• Visuomotor Mechanical Search: Learning to Retrieve Target Objects in Clutter [43.668395529368354]
  本稿では,教師支援による探索,特権情報による批判,中間レベルの表現を組み合わせた新しい深部RL手順を提案する。 我々のアプローチは、ベースラインやアブレーションよりも高速に学習し、より効率的な解の発見に収束する。
  論文  参考訳（メタデータ） (2020-08-13T18:23:00Z)
• 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)
• Semantic Linking Maps for Active Visual Object Search [14.573513188682183]
  我々はランドマークと対象物の間の共通空間関係に関する背景知識を利用する。 本稿では,セマンティックリンクマップ(SLiM)モデルの導入により,アクティブなビジュアルオブジェクト探索戦略を提案する。 SLiMに基づいて、ターゲットオブジェクトを探索する次の最適なポーズを選択するハイブリッド検索戦略について述べる。
  論文  参考訳（メタデータ） (2020-06-18T18:59:44Z)
• Learning hierarchical relationships for object-goal navigation [7.074818959144171]
  室内におけるナビゲーションのためのメモリ利用共同階層型物体学習(MJOLNIR)を提案する。 MJOLNIRはターゲット駆動ナビゲーションアルゴリズムであり、ターゲットオブジェクトと周囲に存在するより健全なコンテキストオブジェクトの間に固有の関係を考察する。 我々のモデルは、よく知られた過適合問題に悩まされることなく、他のアルゴリズムよりもはるかに早く収束することを学ぶ。
  論文  参考訳（メタデータ） (2020-03-15T04:01:09Z)

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。