論文の概要: OpTopNET: A Learning Optimal Topology Synthesizer for Ad-hoc Robot
Networks
- arxiv url: http://arxiv.org/abs/2201.12900v1
- Date: Sun, 30 Jan 2022 19:51:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 18:24:06.246796
- Title: OpTopNET: A Learning Optimal Topology Synthesizer for Ad-hoc Robot
Networks
- Title(参考訳): OpTopNET: アドホックロボットネットワークのための学習最適位相合成器
- Authors: Matin Macktoobian, Zhan Shu, Qing Zhao
- Abstract要約: 我々は,ロボットネットワークの様々な構成に付随する地平線トポロジを生成するアルゴリズムを作成する。
そこで我々は,それに関連する特定のロボットのトポロジ予測を出力とする重畳アンサンブルモデルを提案する。
シミュレーションの結果は、最適なトポロジの予測において、我々のモデルを10個のロボットのネットワークに適用し、80パーセント以上の精度を示す。
- 参考スコア(独自算出の注目度): 8.02401104726362
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we synthesize a machine-learning stacked ensemble model a
vector of which predicts the optimal topology of a robot network. This problem
is technically a multi-task classification problem. However, we divide it into
a class of multi-class classification problems that can be more efficiently
solved. For this purpose, we first compose an algorithm to create ground-truth
topologies associated with various configurations of a robot network. This
algorithm incorporates a complex collection of nonlinear optimality criteria
that our learning model successfully manages to learn. Then, we propose a
stacked ensemble model whose output is the topology prediction for the
particular robot associated with it. Each stacked ensemble instance constitutes
three low-level estimators whose outputs will be aggregated by a high-level
boosting blender. The results of the simulations, applying our model to a
network of 10 robots, represents over %80 accuracy in the prediction of optimal
topologies corresponding to various configurations of this complex optimal
topology learning problem.
- Abstract(参考訳): 本稿では,ロボットネットワークの最適トポロジを予測するベクトルとして,機械学習による重畳アンサンブルモデルを合成する。
この問題は技術的にはマルチタスク分類の問題である。
しかし,より効率的に解くことができるマルチクラス分類問題のクラスに分類する。
この目的のために,まず,ロボットネットワークの様々な構成に付随する地平線トポロジを生成するアルゴリズムを構成する。
このアルゴリズムは、学習モデルが学習に成功している非線形最適性基準の複雑なコレクションを組み込んでいる。
そこで我々は,それに関連する特定のロボットのトポロジ予測を出力とする重畳アンサンブルモデルを提案する。
各積み重ねアンサンブルインスタンスは、3つの低レベル推定器を構成し、出力は高レベルブーピングブレンダーによって集約される。
シミュレーションの結果,本モデルを10台のロボットのネットワークに適用し,この複雑なトポロジー学習問題の様々な構成に対応する最適位相の予測において,80%以上の精度を示した。
関連論文リスト
- ECToNAS: Evolutionary Cross-Topology Neural Architecture Search [0.0]
ECToNASは、コスト効率のよい進化的クロストポロジーニューラルアーキテクチャ探索アルゴリズムである。
トレーニングとトポロジの最適化を融合して,軽量でリソースフレンドリなプロセスにします。
論文 参考訳(メタデータ) (2024-03-08T07:36:46Z) - A comparison of controller architectures and learning mechanisms for
arbitrary robot morphologies [2.884244918665901]
学習ロボットの形態が事前に分かっていない場合、ロボットコントローラと学習方法の組み合わせはどのように使うべきか。
我々は3つのコントローラとラーナーの組み合わせを実験的に比較した。
有効性、効率、堅牢性を比較します。
論文 参考訳(メタデータ) (2023-09-25T07:11:43Z) - Autoselection of the Ensemble of Convolutional Neural Networks with
Second-Order Cone Programming [0.8029049649310213]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを推定する数学的モデルを提案する。
提案手法は, CIFAR-10, CIFAR-100 および MNIST データセットで検証される。
論文 参考訳(メタデータ) (2023-02-12T16:18:06Z) - Intelligent Trajectory Design for RIS-NOMA aided Multi-robot
Communications [59.34642007625687]
目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。
ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
論文 参考訳(メタデータ) (2022-05-03T17:14:47Z) - Graph-based Reinforcement Learning meets Mixed Integer Programs: An
application to 3D robot assembly discovery [34.25379651790627]
我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。
我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
論文 参考訳(メタデータ) (2022-03-08T14:44:51Z) - Learning Connectivity-Maximizing Network Configurations [123.01665966032014]
本稿では、専門家からコミュニケーションエージェントを配置することを学ぶ畳み込みニューラルネットワーク(CNN)を用いた教師あり学習手法を提案する。
我々は,標準ライントポロジやリングトポロジ,ランダムに生成された105万件のテストケース,トレーニング中に見えない大規模なチームについて,CNNのパフォーマンスを実証した。
トレーニング後,本システムは10~20名のエージェントの最適化手法よりも2桁高速な接続構成を生成する。
論文 参考訳(メタデータ) (2021-12-14T18:59:01Z) - Graph Neural Networks for Decentralized Multi-Robot Submodular Action
Selection [101.38634057635373]
ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。
分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。
大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
論文 参考訳(メタデータ) (2021-05-18T15:32:07Z) - Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。
中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。
i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
論文 参考訳(メタデータ) (2020-10-11T01:40:03Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳(メタデータ) (2020-04-17T19:12:39Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳(メタデータ) (2020-03-13T13:11:35Z)
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。