論文の概要: From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence
- arxiv url: http://arxiv.org/abs/2110.15245v1
- Date: Thu, 28 Oct 2021 16:04:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 16:22:50.982723
- Title: From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence
- Title（参考訳）: 機械学習からロボティクスへ: 身体的知性への挑戦と機会
- Authors: Nicholas Roy, Ingmar Posner, Tim Barfoot, Philippe Beaudoin, Yoshua
Bengio, Jeannette Bohg, Oliver Brock, Isabelle Depatie, Dieter Fox, Dan
Koditschek, Tomas Lozano-Perez, Vikash Mansinghka, Christopher Pal, Blake
Richards, Dorsa Sadigh, Stefan Schaal, Gaurav Sukhatme, Denis Therien, Marc
Toussaint and Michiel Van de Panne
- Abstract要約: 記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
- 参考スコア（独自算出の注目度）: 113.06484656032978
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has long since become a keystone technology, accelerating
science and applications in a broad range of domains. Consequently, the notion
of applying learning methods to a particular problem set has become an
established and valuable modus operandi to advance a particular field. In this
article we argue that such an approach does not straightforwardly extended to
robotics -- or to embodied intelligence more generally: systems which engage in
a purposeful exchange of energy and information with a physical environment. In
particular, the purview of embodied intelligent agents extends significantly
beyond the typical considerations of main-stream machine learning approaches,
which typically (i) do not consider operation under conditions significantly
different from those encountered during training; (ii) do not consider the
often substantial, long-lasting and potentially safety-critical nature of
interactions during learning and deployment; (iii) do not require ready
adaptation to novel tasks while at the same time (iv) effectively and
efficiently curating and extending their models of the world through targeted
and deliberate actions. In reality, therefore, these limitations result in
learning-based systems which suffer from many of the same operational
shortcomings as more traditional, engineering-based approaches when deployed on
a robot outside a well defined, and often narrow operating envelope. Contrary
to viewing embodied intelligence as another application domain for machine
learning, here we argue that it is in fact a key driver for the advancement of
machine learning technology. In this article our goal is to highlight
challenges and opportunities that are specific to embodied intelligence and to
propose research directions which may significantly advance the
state-of-the-art in robot learning.
- Abstract（参考訳）: 機械学習は、長い間キーストーン技術となり、幅広い分野の科学と応用を加速してきた。
したがって、特定の問題集合に学習法を適用するという概念は、特定の分野を前進させるために確立され価値あるモダス・オペランディ(modus operandi)となった。
本稿では,ロボット工学への直接的なアプローチではなく,より一般的に知性を具現化するアプローチである,エネルギーと情報を物理的環境と客観的に交換するシステムである,と論じる。
特に、具体化されたインテリジェントエージェントのパービューは、典型的にはメインストリーム機械学習アプローチの典型的な考慮を超えている。
(i)訓練中に遭遇したものと状況が著しく異なるものについては考慮しない。
(ii) 学習や展開中の相互作用の実質的かつ長期的かつ潜在的に安全に重要な性質を考慮しない。
三 新規な業務への適応を同時に必要としないこと
(iv)目的的かつ意図的な行動を通じて、効果的かつ効率的に世界のモデルをキュレートし、拡張すること。
したがって、実際にはこれらの制限は、明確に定義され、運用範囲が狭いロボットにデプロイされた場合、従来のエンジニアリングベースのアプローチと多くの運用上の欠点に苦しむ学習ベースのシステムをもたらす。
インテリジェンスを機械学習の別の応用分野と見なすのとは対照的に、ここでは機械学習技術の進歩の鍵を握っていると論じる。
本稿では,インテリジェンスを具体化する課題と機会を強調し,ロボット学習の最先端を著しく前進させる研究の方向性を提案する。
関連論文リスト
- Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。
研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
論文 参考訳（メタデータ） (2024-03-04T06:25:26Z) - Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic
Systems [67.01132165581667]
本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。
本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
論文 参考訳（メタデータ） (2023-11-13T21:20:17Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Bridging Active Exploration and Uncertainty-Aware Deployment Using
Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。
探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。
自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
論文 参考訳（メタデータ） (2023-05-20T17:20:12Z) - AAAI 2022 Fall Symposium: Lessons Learned for Autonomous Assessment of
Machine Abilities (LLAAMA) [1.157139586810131]
現代の民間と軍事のシステムは、洗練されたインテリジェントな自律機械の需要を生み出している。
これらの新しい形のインテリジェントな自律性は、運用意図のいつ/どのようにコミュニケーションし、自律エージェントの実際の能力を評価することが全体的なパフォーマンスに影響を及ぼすかという疑問を提起する。
このシンポジウムでは、インテリジェントな自律システムを自己評価し、割り当てられたタスクを効果的に実行する能力を伝える可能性について検討する。
論文 参考訳（メタデータ） (2023-01-13T03:47:38Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - OpenDR: An Open Toolkit for Enabling High Performance, Low Footprint
Deep Learning for Robotics [0.0]
ロボットのためのオープンディープラーニングツールキット(OpenDR)について紹介する。
OpenDRは、ロボット企業や研究機関が容易に利用できるオープンで、非プロプライエタリで、効率的で、モジュール化されたツールキットの開発を目指している。
論文 参考訳（メタデータ） (2022-03-01T12:59:59Z) - From SLAM to Situational Awareness: Challenges and Survey [0.0]
複雑なミッションを効率的に安全に遂行する移動ロボットの能力は、環境に関する知識によって制限される。
高度な推論、意思決定、実行スキルにより、知的エージェントは未知の環境で自律的に行動することができる。
本稿では,現状のロボット工学アルゴリズムを網羅し,状況認識の諸側面について考察する。
論文 参考訳（メタデータ） (2021-10-01T09:00:34Z) - Machine learning and deep learning [0.0]
機械学習は、問題固有のトレーニングデータから学習するシステムの能力を記述する。
ディープラーニングは、人工ニューラルネットワークに基づく機械学習の概念である。
論文 参考訳（メタデータ） (2021-04-12T09:54:12Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z)
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。