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

• Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [65.23793829741014]
  Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。 コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。 Embodied-RAGがRAGをロボット領域に効果的にブリッジし、200以上の説明とナビゲーションクエリをうまく処理できることを実証する。
  論文  参考訳（メタデータ） (2024-09-26T21:44:11Z)
• Graph Neural PDE Solvers with Conservation and Similarity-Equivariance [6.077284832583712]
  本研究は,保存法則や物理対称性に固執する,高度に一般化可能な新しい機械学習アーキテクチャを提案する。 このアーキテクチャの基礎はグラフニューラルネットワーク(GNN)である。
  論文  参考訳（メタデータ） (2024-05-25T11:18:27Z)
• Safe Reinforcement Learning on the Constraint Manifold: Theory and Applications [21.98309272057848]
  本稿では,学習に基づくロボットシステムに対して,複雑な安全制約を原則的に課す方法について述べる。 我々のアプローチは、安全ロボット構成の集合を表すConstraint Manifoldの概念に基づいている。 実世界のロボットエアホッケータスクにおいて,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-04-13T20:55:15Z)
• 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)
• 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)
• 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)
• 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。