論文の概要: Map Induction: Compositional spatial submap learning for efficient exploration in novel environments

• arxiv url: http://arxiv.org/abs/2110.12301v1
• Date: Sat, 23 Oct 2021 21:23:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 14:08:31.015477
• Title: Map Induction: Compositional spatial submap learning for efficient exploration in novel environments
• Title（参考訳）: マップインダクション:構成空間サブマップ学習による新しい環境の効率的な探索
• Authors: Sugandha Sharma, Aidan Curtis, Marta Kryven, Josh Tenenbaum, Ila Fiete
• Abstract要約: 観測されていない空間の構造を推定することにより,人間は新しい環境を効率的に探索できることを示す。 本研究では,新しい行動マップ誘導タスクを用いて,非帰納的モデルよりも人間の探索行動が優れていることを示す。
• 参考スコア（独自算出の注目度）: 25.00757828975447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans are expert explorers. Understanding the computational cognitive mechanisms that support this efficiency can advance the study of the human mind and enable more efficient exploration algorithms. We hypothesize that humans explore new environments efficiently by inferring the structure of unobserved spaces using spatial information collected from previously explored spaces. This cognitive process can be modeled computationally using program induction in a Hierarchical Bayesian framework that explicitly reasons about uncertainty with strong spatial priors. Using a new behavioral Map Induction Task, we demonstrate that this computational framework explains human exploration behavior better than non-inductive models and outperforms state-of-the-art planning algorithms when applied to a realistic spatial navigation domain.
• Abstract（参考訳）: 人間は専門家の探検家です。 この効率を支える計算認知メカニズムを理解することは、人間の心の研究を進め、より効率的な探索アルゴリズムを可能にする。 先行研究した空間から収集した空間情報を用いて観測されていない空間の構造を推定することにより、人間が効率的に新しい環境を探索することを仮定する。 この認知過程は、強い空間的優先を持つ不確かさを明示的に理由づける階層ベイズ的枠組みにおけるプログラム誘導を用いて計算的にモデル化することができる。 本研究では,新しい行動地図誘導タスクを用いて,非帰納的モデルよりも人間の探索行動を説明し,現実的な空間ナビゲーション領域に適用した場合に,最先端の計画アルゴリズムより優れていることを示す。

関連論文リスト

• A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
  本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。 本稿では,生成技術に基づく時空間法を包括的に分析する。 また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
  論文  参考訳（メタデータ） (2024-05-15T12:07:43Z)
• Active Exploration based on Information Gain by Particle Filter for Efficient Spatial Concept Formation [5.350057408744861]
  本稿では,情報ゲインに基づく能動探索を用いた空間概念形成法を提案する。 本研究は,アクティブな推論の文脈において,ロボットの動作を利用者に尋ねる目的地の選択として解釈する。 本研究では,家庭環境における空間概念学習の目的を効率的に決定する上で,SpCoAEの有効性を実証した。
  論文  参考訳（メタデータ） (2022-11-20T10:12:17Z)
• Memetic algorithms for Spatial Partitioning problems [26.73720392872553]
  本稿では,実世界のデータセットにおける空間分割という,特定のタイプのSOPに焦点を当てる。 我々は,Swarm-based spatial memetic algorithm (SPATIAL) と呼ばれる単純だが効果的なアルゴリズムを提案し,それを校内限定問題(restricting problem)で検証した。
  論文  参考訳（メタデータ） (2022-08-04T20:05:46Z)
• k-Means Maximum Entropy Exploration [55.81894038654918]
  余分な報酬を伴う連続空間での探索は、強化学習におけるオープンな問題である。 本研究では, 状態訪問分布のエントロピーに対する近似値の低界化に基づく人工好奇性アルゴリズムを提案する。 提案手法は,高次元連続空間における探索のためのベンチマークにおいて,計算効率と競合性の両方を示す。
  論文  参考訳（メタデータ） (2022-05-31T09:05:58Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• Integrating Deep Reinforcement and Supervised Learning to Expedite Indoor Mapping [0.0]
  その結果,両手法を組み合わせることで,フロンティアをベースとした移動計画に比べて最大75%のマッピング時間を短縮できることがわかった。 一つは、深層強化学習を用いて、運動プランナーを訓練することである。 2つ目は、事前訓練された生成深部ニューラルネットワークがマップ予測器として機能することである。
  論文  参考訳（メタデータ） (2021-09-17T12:07:07Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)
• Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs [5.043563227694137]
  本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。 本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-24T16:50:41Z)
• Neural Topological SLAM for Visual Navigation [112.73876869904]
  意味論を生かし、近似幾何学的推論を行う空間のトポロジ的表現を設計する。 本稿では,ノイズのあるアクティベーションの下でそのような表現を構築し,維持し,使用することができる教師付き学習ベースアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2020-05-25T17:56:29Z)

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。