論文の概要: Efficient Belief Space Planning in High-Dimensional State Spaces using
PIVOT: Predictive Incremental Variable Ordering Tactic
- arxiv url: http://arxiv.org/abs/2112.14428v1
- Date: Wed, 29 Dec 2021 07:30:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 16:12:51.608086
- Title: Efficient Belief Space Planning in High-Dimensional State Spaces using
PIVOT: Predictive Incremental Variable Ordering Tactic
- Title（参考訳）: PIVOTを用いた高次元状態空間における効率的な信念空間計画:予測的インクリメンタル変動順序付け手法
- Authors: Khen Elimelech, Vadim Indelman
- Abstract要約: 我々は,不確実性の下でのオンライン意思決定の問題点を考察し,信頼空間における計画として定式化する。
このアプローチを PIVOT: Predictive Incremental Variable Ordering Tactic と呼ぶ。
この戦術を適用することで、状態推論の効率も向上する。
- 参考スコア（独自算出の注目度）: 11.878820609988693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we examine the problem of online decision making under
uncertainty, which we formulate as planning in the belief space. Maintaining
beliefs (i.e., distributions) over high-dimensional states (e.g., entire
trajectories) was not only shown to significantly improve accuracy, but also
allows planning with information-theoretic objectives, as required for the
tasks of active SLAM and information gathering. Nonetheless, planning under
this "smoothing" paradigm holds a high computational complexity, which makes it
challenging for online solution. Thus, we suggest the following idea: before
planning, perform a standalone state variable reordering procedure on the
initial belief, and "push forwards" all the predicted loop closing variables.
Since the initial variable order determines which subset of them would be
affected by incoming updates, such reordering allows us to minimize the total
number of affected variables, and reduce the computational complexity of
candidate evaluation during planning. We call this approach PIVOT: Predictive
Incremental Variable Ordering Tactic. Applying this tactic can also improve the
state inference efficiency; if we maintain the PIVOT order after the planning
session, then we should similarly reduce the cost of loop closures, when they
actually occur. To demonstrate its effectiveness, we applied PIVOT in a
realistic active SLAM simulation, where we managed to significantly reduce the
computation time of both the planning and inference sessions. The approach is
applicable to general distributions, and induces no loss in accuracy.
- Abstract（参考訳）: 本研究では,信頼空間における計画として定式化した不確実性下でのオンライン意思決定の問題を検討する。
高次元状態(例えば全軌跡)における信念(すなわち分布)の維持は、精度を著しく向上させるだけでなく、情報理論の目的による計画も可能で、アクティブSLAMのタスクや情報収集に必要である。
それでも、この“スムーズ”パラダイムの下での計画は計算の複雑さが高く、オンラインソリューションでは困難である。
計画する前に、最初の信念に基づいてスタンドアロンの状態変数の再順序付け手順を実行し、予測されたループ閉包変数をすべて "push forwards" する。
初期変数順序は、受信した更新によって影響を受ける部分集合を決定するため、この再順序付けにより、影響を受ける変数の総数を最小化し、計画中の候補評価の計算複雑性を低減できる。
このアプローチを PIVOT: Predictive Incremental Variable Ordering Tactic と呼ぶ。
この戦略を適用することで、状態推論の効率も向上する。計画セッションの後にピボット順序を維持する場合、実際に発生した場合も同様にループクロージャのコストを削減すべきである。
その効果を示すために,pivotを現実的なアクティブslamシミュレーションに適用し,計画と推論の両方の計算時間を大幅に削減した。
このアプローチは一般分布に適用でき、精度を損なうことはない。
関連論文リスト
- Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。
我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。
提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文 参考訳（メタデータ） (2024-06-20T15:25:13Z) - Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳（メタデータ） (2024-02-29T15:36:01Z) - 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) - Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。
Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-10-12T17:59:50Z) - On efficient computation in active inference [1.1470070927586016]
計算量を大幅に減らした有限時間地平線に対する新しい計画アルゴリズムを提案する。
また、新規かつ既存のアクティブな推論計画スキームに対して適切な目標分布を設定するプロセスを簡単にする。
論文 参考訳（メタデータ） (2023-07-02T07:38:56Z) - involve-MI: Informative Planning with High-Dimensional Non-Parametric
Beliefs [6.62472687864754]
我々は,情報理論的な期待報酬,相互情報(MI)を,より低次元のサブセットで計算し,効率を向上し,精度を犠牲にすることなく計算する。
次に、逐次モンテカルロ方式で機能するMIの推定器を開発し、将来の信念の表面の再構成を避ける。
この研究は、能動SLAM問題のシミュレーションで評価され、精度とタイミングの両方の改善が示される。
論文 参考訳（メタデータ） (2022-09-23T13:51:36Z) - Planning in Observable POMDPs in Quasipolynomial Time [21.03037504572896]
我々は観測可能なPOMDPの計画のための準ポリノミカル時間アルゴリズムを開発した。
我々は、状態上のよく分断された分布が観察上のよく分断された分布をもたらすと仮定する。
観測可能なPOMDPの指数時間仮説の下での計画に適合する硬さを実証する。
論文 参考訳（メタデータ） (2022-01-12T23:16:37Z) - Gradient-Based Mixed Planning with Discrete and Continuous Actions [34.885999774739055]
本稿では,連続パラメータと候補計画の動作を同時に最適化する二次的枠組みを提案する。
フレームワークはモジュールと組み合わせて、緩和に基づいて初期状態から目標へ移行する最適な計画候補を推定する。
論文 参考訳（メタデータ） (2021-10-19T14:21:19Z) - Adaptive Belief Discretization for POMDP Planning [7.508023795800546]
多くのPOMDPソルバは、信念空間を均一に識別し、(一般に不明な)カバー数の観点から計画誤差を与える。
適応的信念の識別方式を提案し,それに関連する計画誤差を与える。
私達は私達のアルゴリズムがさまざまなシナリオの最先端の技術と競争が高いことを証明します。
論文 参考訳（メタデータ） (2021-04-15T07:04:32Z) - Balancing Rates and Variance via Adaptive Batch-Size for Stochastic
Optimization Problems [120.21685755278509]
本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。
ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
論文 参考訳（メタデータ） (2020-07-02T16:02:02Z) - 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。