論文の概要: Differentiable Spatial Planning using Transformers
- arxiv url: http://arxiv.org/abs/2112.01010v1
- Date: Thu, 2 Dec 2021 06:48:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 03:33:04.004924
- Title: Differentiable Spatial Planning using Transformers
- Title(参考訳): 変圧器を用いた微分可能空間計画
- Authors: Devendra Singh Chaplot, Deepak Pathak, Jitendra Malik
- Abstract要約: 本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
- 参考スコア(独自算出の注目度): 87.90709874369192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of spatial path planning. In contrast to the
classical solutions which optimize a new plan from scratch and assume access to
the full map with ground truth obstacle locations, we learn a planner from the
data in a differentiable manner that allows us to leverage statistical
regularities from past data. We propose Spatial Planning Transformers (SPT),
which given an obstacle map learns to generate actions by planning over
long-range spatial dependencies, unlike prior data-driven planners that
propagate information locally via convolutional structure in an iterative
manner. In the setting where the ground truth map is not known to the agent, we
leverage pre-trained SPTs in an end-to-end framework that has the structure of
mapper and planner built into it which allows seamless generalization to
out-of-distribution maps and goals. SPTs outperform prior state-of-the-art
differentiable planners across all the setups for both manipulation and
navigation tasks, leading to an absolute improvement of 7-19%.
- Abstract(参考訳): 我々は空間経路計画の問題を考える。
ゼロから新しいプランを最適化し、地上の真理障害のあるフルマップへのアクセスを前提とする古典的なソリューションとは対照的に、過去のデータから統計正則性を活用できるような異なる方法で、データからプランナーを学習する。
本研究では,従来のデータ駆動型プランナが,畳み込み構造を介して情報を反復的に伝達するのとは異なり,長距離空間依存を計画して行動を生成する障害マップを作成した空間計画変換器(SPT)を提案する。
エージェントが根拠の真理マップを知らない設定では、マッパーとプランナーの構造を組み込んだエンドツーエンドフレームワークで事前訓練されたsptを活用して、分散マップと目標へのシームレスな一般化を可能にします。
SPTは、操作およびナビゲーションタスクのすべてのセットアップにおいて、最先端の差別化プランナーよりも優れており、絶対的な改善は7-19%である。
関連論文リスト
- PAS-SLAM: A Visual SLAM System for Planar Ambiguous Scenes [41.47703182059505]
平面不明瞭なシーンを対象とした平面的特徴に基づく視覚的SLAMシステムを提案する。
本稿では,平面パラメータ,意味情報,投影IoU,非パラメトリックテストを組み合わせた統合データアソシエーション戦略を提案する。
最後に、カメラポーズ最適化のための多重制約係数グラフのセットを設計する。
論文 参考訳(メタデータ) (2024-02-09T01:34:26Z) - LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。
当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
論文 参考訳(メタデータ) (2023-12-30T02:53:45Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-12-02T10:07:17Z) - Embodied Task Planning with Large Language Models [86.63533340293361]
本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。
推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。
実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
論文 参考訳(メタデータ) (2023-07-04T17:58:25Z) - PlanT: Explainable Planning Transformers via Object-Level
Representations [64.93938686101309]
PlanTは、自動運転のコンテキストにおける計画のための新しいアプローチである。
PlanTは、コンパクトなオブジェクトレベルの入力表現を持つ模倣学習に基づいている。
この結果から,PlanTは幾何学的に距離をおいても,現場で最も関連性の高い物体に焦点を合わせることが可能であることが示唆された。
論文 参考訳(メタデータ) (2022-10-25T17:59:46Z) - [Re] Differentiable Spatial Planning using Transformers [0.6562256987706128]
異なる方法での空間経路計画の問題点を考察する。
提案手法は,従来のデータ駆動モデルよりも優れていることを示す。
これらの主張は、実験を再現し、新しいデータ上でその方法をテストすることによって検証する。
論文 参考訳(メタデータ) (2022-08-19T20:14:29Z) - Adaptive Selection of Informative Path Planning Strategies via
Reinforcement Learning [6.015556590955814]
ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。
温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
論文 参考訳(メタデータ) (2021-08-14T21:32:33Z) - Motion Planning Transformers: One Model to Plan Them All [15.82728888674882]
本稿では,複雑な動き計画問題を効率的に解くためのトランスフォーマーに基づく手法を提案する。
提案手法では,まずトランスフォーマーを用いて地図上の領域を同定し,最適経路を含む可能性のある地図領域に注意を向けるとともに,最終衝突のない経路を生成するためにローカルプランナーを適用する。
論文 参考訳(メタデータ) (2021-06-05T04:29:16Z) - UAV Path Planning using Global and Local Map Information with Deep
Reinforcement Learning [16.720630804675213]
本研究は, 深部強化学習(DRL)に基づく自律型UAV経路計画法を提案する。
我々は、UAVの目標は、データ収集(DH)への関心領域を調査することであり、UAVは分散IoT(Internet of Things)センサーデバイスからデータを収集することである。
環境の構造化マップ情報を活用することで、異なるミッションシナリオで同一のアーキテクチャを持つ二重深度Q-networks(DDQN)を訓練する。
論文 参考訳(メタデータ) (2020-10-14T09:59:10Z) - Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。
本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。
計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文 参考訳(メタデータ) (2020-04-23T18:08:58Z)
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。