論文の概要: Detecting danger in gridworlds using Gromov's Link Condition
- arxiv url: http://arxiv.org/abs/2201.06274v1
- Date: Mon, 17 Jan 2022 08:33:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 05:23:43.147533
- Title: Detecting danger in gridworlds using Gromov's Link Condition
- Title(参考訳): Gromovのリンク条件によるグリッドワールドの危険検出
- Authors: Thomas F Burns and Robert Tang
- Abstract要約: 我々は、Abrams, Ghrist & Petersonによる再構成可能なシステムと状態複合体の数学的枠組みを用いてグリッドワールドの研究を開始する。
この研究の主な貢献は、グリッドワールドの文脈に自然に適していると考えるオリジナルのAbrams, Ghrist & Petersonのセットアップの変更である。
本研究では,単一エージェントや複数エージェントを用いた個別タスク環境における安全性確保のための新しい手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gridworlds have been long-utilised in AI research, particularly in
reinforcement learning, as they provide simple yet scalable models for many
real-world applications such as robot navigation, emergent behaviour, and
operations research. We initiate a study of gridworlds using the mathematical
framework of reconfigurable systems and state complexes due to Abrams, Ghrist &
Peterson. State complexes represent all possible configurations of a system as
a single geometric space, thus making them conducive to study using geometric,
topological, or combinatorial methods. The main contribution of this work is a
modification to the original Abrams, Ghrist & Peterson setup which we believe
is more naturally-suited to the context of gridworlds. With this modification,
the state complexes may exhibit geometric defects (failure of Gromov's Link
Condition), however, we argue that these failures can indicate undesirable or
dangerous states in the gridworld. Our results provide a novel method for
seeking guaranteed safety limitations in discrete task environments with single
or multiple agents, and offer potentially useful geometric and topological
information for incorporation in or analysis of machine learning systems.
- Abstract(参考訳): グリッドワールドは、ロボットナビゲーション、創発的行動、オペレーションリサーチなど、現実の多くのアプリケーションに対して、シンプルだがスケーラブルなモデルを提供するため、AI研究、特に強化学習で長い間利用されてきた。
abrams, ghrist & peterson による再構成可能なシステムと状態コンプレックスの数学的枠組みを用いてグリッドワールドの研究を開始する。
状態複体は、システムの可能なすべての構成を単一の幾何学的空間として表現し、幾何学的、位相的、あるいは組合せ的手法を用いて研究しやすくする。
この研究の主な貢献は、グリッドワールドの文脈に自然に適していると考えるオリジナルのAbrams, Ghrist & Petersonのセットアップの変更である。
この修正により、状態錯体は幾何学的欠陥(グロモフのリンク条件の障害)を示す可能性があるが、これらの失敗はグリッドワールドにおける望ましくない状態や危険な状態を示すことができる。
提案手法は,単一エージェントまたは複数エージェントによる個別タスク環境における安全性の保証を求める新しい手法であり,機械学習システムの構成や解析に有用な幾何学的・トポロジカルな情報を提供する。
関連論文リスト
- Open-world Machine Learning: A Review and New Outlooks [88.62638732250427]
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) - Viewpoint Generation using Feature-Based Constrained Spaces for Robot
Vision Systems [63.942632088208505]
この出版物は幾何学的問題としての視点の生成を概説し、それを解決するための一般化された理論的枠組みを紹介している。
$mathcalC$-space は、視点制約が分散する位相空間として理解することができる。
紹介された$mathcalC$-spacesは、汎用ドメインと視点制約モデルに基づいて、現在のフレームワークを異なるアプリケーションやロボットビジョンシステムに転送しやすくする。
論文 参考訳(メタデータ) (2023-06-12T08:57:15Z) - Learning Robotic Navigation from Experience: Principles, Methods, and
Recent Results [94.60414567852536]
現実世界のナビゲーションは、単純な幾何学的抽象化に反する複雑な物理的課題の集合を示す。
機械学習は、幾何学や従来の計画を超えた、有望な方法を提供する。
本稿では,ロボットナビゲーションスキルを実験的に学習するツールキットについて紹介する。
論文 参考訳(メタデータ) (2022-12-13T17:41:58Z) - Efficient Representations of Object Geometry for Reinforcement Learning
of Interactive Grasping Policies [29.998917158604694]
本稿では,様々な幾何学的に異なる実世界の物体の対話的把握を学習する強化学習フレームワークを提案する。
学習したインタラクティブなポリシーのビデオはhttps://maltemosbach.org/io/geometry_aware_grasping_policiesで公開されている。
論文 参考訳(メタデータ) (2022-11-20T11:47:33Z) - Finite State Machine Policies Modulating Trajectory Generator [5.939164722752263]
研究者は、トラックジェネレータ(TG)とフィードバック制御信号を組み合わせてより堅牢な動作を実現する新しいアーキテクチャ、PMTG(Policies Modulating Trajectory Generators)を調査した。
本研究では、単純なTGを非同期有限状態マシン(Async FSM)に置き換えることで、PMTGフレームワークを有限状態マシンPMTGで拡張することを提案する。
提案したアーキテクチャは、シミュレーションと実際のロボットの両方において、挑戦的な地形や外乱といった様々なシナリオでより堅牢な動作を実現することができることを示した。
論文 参考訳(メタデータ) (2021-09-26T20:27:53Z) - Solving hybrid machine learning tasks by traversing weight space
geodesics [6.09170287691728]
機械学習の問題は、ニューラルネットワークの重み空間を含む中心的な対象として固有の幾何学的構造を持つ。
本稿では,機械学習の目的を統一し,複数のクラスニューラルネットワークアーキテクチャに適用可能な幾何学的フレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-05T04:37:03Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳(メタデータ) (2021-04-27T21:09:51Z) - Machine learning dismantling and early-warning signals of disintegration
in complex systems [0.0]
比較的小さなシステムを分解する訓練された機械が高次位相パターンを識別可能であることを示す。
注目すべきは、マシンが次の攻撃でシステムが崩壊する確率を評価することだ。
論文 参考訳(メタデータ) (2021-01-07T09:39:13Z) - From Simulation to Real World Maneuver Execution using Deep
Reinforcement Learning [69.23334811890919]
深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。
これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。
本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
論文 参考訳(メタデータ) (2020-05-13T14:22:20Z) - BADGR: An Autonomous Self-Supervised Learning-Based Navigation System [158.6392333480079]
BadGRは、エンドツーエンドの学習ベースのモバイルロボットナビゲーションシステムである。
実際の環境で収集された、自己監督型のオフポリシーデータでトレーニングすることができる。
BadGRは、幾何学的に邪魔な障害物を伴って、現実世界の都市やオフロード環境をナビゲートすることができる。
論文 参考訳(メタデータ) (2020-02-13T18:40:21Z)
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。