論文の概要: Asynchronous Collaborative Localization by Integrating Spatiotemporal
Graph Learning with Model-Based Estimation
- arxiv url: http://arxiv.org/abs/2111.03751v1
- Date: Fri, 5 Nov 2021 22:48:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 16:44:41.890443
- Title: Asynchronous Collaborative Localization by Integrating Spatiotemporal
Graph Learning with Model-Based Estimation
- Title（参考訳）: 時空間グラフ学習とモデルベース推定の統合による非同期協調的局所化
- Authors: Peng Gao, Brian Reily, Rui Guo, Hongsheng Lu, Qingzhao Zhu and Hao
Zhang
- Abstract要約: 協調的な位置決めは、コネクテッドカーのようなロボットチームにとって、協調的に物体の位置を推定する重要な能力である。
協調的なローカライゼーションを実現するためには,観測対象間の複雑な関係をモデル化するなど,4つの課題に対処する必要がある。
本研究では,不確実性を考慮したグラフ学習モデルと状態推定を統合した新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 22.63837164001751
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative localization is an essential capability for a team of robots
such as connected vehicles to collaboratively estimate object locations from
multiple perspectives with reliant cooperation. To enable collaborative
localization, four key challenges must be addressed, including modeling complex
relationships between observed objects, fusing observations from an arbitrary
number of collaborating robots, quantifying localization uncertainty, and
addressing latency of robot communications. In this paper, we introduce a novel
approach that integrates uncertainty-aware spatiotemporal graph learning and
model-based state estimation for a team of robots to collaboratively localize
objects. Specifically, we introduce a new uncertainty-aware graph learning
model that learns spatiotemporal graphs to represent historical motions of the
objects observed by each robot over time and provides uncertainties in object
localization. Moreover, we propose a novel method for integrated learning and
model-based state estimation, which fuses asynchronous observations obtained
from an arbitrary number of robots for collaborative localization. We evaluate
our approach in two collaborative object localization scenarios in simulations
and on real robots. Experimental results show that our approach outperforms
previous methods and achieves state-of-the-art performance on asynchronous
collaborative localization.
- Abstract（参考訳）: 協調的ローカライゼーションは、コネクテッドカーのようなロボットチームにとって、複数の視点からオブジェクトの位置を協調的に推定する重要な能力である。
協調的ローカライゼーションを実現するためには、観察対象間の複雑な関係のモデル化、任意の数の協調ロボットからの観察の活用、局所的不確かさの定量化、ロボット通信のレイテンシの対処など、4つの重要な課題に対処する必要がある。
本稿では,不確実性を考慮した時空間グラフ学習とモデルに基づく状態推定を統合し,協調的に物体をローカライズする新しい手法を提案する。
具体的には,時空間グラフを学習し,各ロボットが時間をかけて観測した物体の歴史的な動きを表現し,物体の局在に不確実性を与える,不確実性対応グラフ学習モデルを提案する。
さらに,任意の数のロボットから得られた非同期観測を融合して協調的局所化を行う,統合学習とモデルベース状態推定のための新しい手法を提案する。
シミュレーションと実ロボットにおける2つの協調物体位置決めシナリオにおけるアプローチの評価を行った。
実験の結果,提案手法は従来の手法より優れ,非同期な協調的ローカライゼーションにおける最先端性能を実現していることがわかった。
関連論文リスト
- Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。
本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文 参考訳（メタデータ） (2024-10-15T07:35:51Z) - Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。
従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。
本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
論文 参考訳（メタデータ） (2024-05-05T15:20:36Z) - Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。
本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。
SCooLを評価し,既存の分散学習手法と比較した。
論文 参考訳（メタデータ） (2023-06-16T02:41:31Z) - SCIM: Simultaneous Clustering, Inference, and Mapping for Open-World
Semantic Scene Understanding [34.19666841489646]
本研究では,ロボットが未知の環境を探索する際に,新しいセマンティッククラスを自律的に発見し,既知のクラスの精度を向上させる方法を示す。
セグメンテーションモデルを更新するための自己教師付き学習信号を生成するために,マッピングとクラスタリングのための一般的なフレームワークを開発する。
特に、デプロイ中にクラスタリングパラメータをどのように最適化するかを示し、複数の観測モダリティの融合が、以前の作業と比べて新しいオブジェクト発見を改善することを示す。
論文 参考訳（メタデータ） (2022-06-21T18:41:51Z) - Skeleton-Based Mutually Assisted Interacted Object Localization and
Human Action Recognition [111.87412719773889]
本研究では,骨格データに基づく「相互作用対象の局所化」と「人間の行動認識」のための共同学習フレームワークを提案する。
本手法は,人間の行動認識のための最先端の手法を用いて,最高の,あるいは競争的な性能を実現する。
論文 参考訳（メタデータ） (2021-10-28T10:09:34Z) - 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) - Generating Annotated Training Data for 6D Object Pose Estimation in
Operational Environments with Minimal User Interaction [1.0044401320520304]
本稿では,6次元物体ポーズ推定のためのアノテートトレーニングデータを自動生成する新しい手法に対する概念実証を行う。
このアプローチは、運用環境で新しいオブジェクトを学習すると同時に、ほとんどインタラクションを必要とせず、ユーザの部分に関する専門知識も必要としないように設計されている。
論文 参考訳（メタデータ） (2021-03-17T14:46:21Z) - Structured Prediction for CRiSP Inverse Kinematics Learning with
Misspecified Robot Models [39.513301957826435]
本稿では,データ駆動戦略とフォワードキネマティックス関数を組み合わせた構造化予測アルゴリズムを提案する。
提案手法により、予測された関節構成がロボットの制約内に適切に収まることが保証される。
論文 参考訳（メタデータ） (2021-02-25T15:39:33Z) - Multi-view Sensor Fusion by Integrating Model-based Estimation and Graph
Learning for Collaborative Object Localization [22.57544305097723]
協調的オブジェクトローカライゼーションは、複数の視点や視点から観察されたオブジェクトの位置を協調的に推定することを目的としている。
協調的なローカライゼーションを実現するために,モデルに基づく状態推定と学習に基づくローカライゼーション手法が開発されている。
本稿では,グラフ学習とモデルに基づく推定を統合した新しいグラフフィルタ手法を提案する。
論文 参考訳（メタデータ） (2020-11-16T03:33:28Z) - Robust Unsupervised Learning of Temporal Dynamic Interactions [21.928675010305543]
本稿では,対話の堅牢な表現学習のためのProcrustes距離に基づくモデルフリーメトリックを提案する。
また、相互作用プリミティブの分布を比較するために、最適な輸送ベース距離メートル法も導入する。
安全パイロットデータベースから抽出した車車間相互作用の教師なし学習において,その有用性を示す。
論文 参考訳（メタデータ） (2020-06-18T02:39:45Z)
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。