論文の概要: Learning Optimal Topology for Ad-hoc Robot Networks

• arxiv url: http://arxiv.org/abs/2201.12900v2
• Date: Thu, 4 Apr 2024 21:54:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-08 21:09:03.218547
• Title: Learning Optimal Topology for Ad-hoc Robot Networks
• Title（参考訳）: アドホックロボットネットワークのための最適トポロジーの学習
• Authors: Matin Macktoobian, Zhan Shu, Qing Zhao,
• Abstract要約: まず,ロボットネットワークの様々な構成に付随する,地道的最適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,我々の学習モデルが学習に成功している最適性基準の複雑なコレクションを組み込んだものである。 我々のモデルを10個のロボットネットワークに適用すると、引用されたネットワークの様々な構成に対応する最適なトポロジの予測において80%以上の精度が示される。
• 参考スコア（独自算出の注目度）: 6.990891188823598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we synthesize a data-driven method to predict the optimal topology of an ad-hoc 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 optimal topologies associated with various configurations of a robot network. This algorithm incorporates a complex collection of optimality criteria that our learning model successfully manages to learn. This model is an stacked ensemble whose output is the topology prediction for a particular robot. Each stacked ensemble instance constitutes three low-level estimators whose outputs will be aggregated by a high-level boosting blender. Applying our model to a network of 10 robots displays over 80% accuracy in the prediction of optimal topologies corresponding to various configurations of the cited network.
• Abstract（参考訳）: 本稿では,アドホックロボットネットワークの最適トポロジを予測するために,データ駆動手法を合成する。 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,より効率的に解ける多クラス分類問題に分類する。 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中最適位相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,我々の学習モデルが学習に成功している最適性基準の複雑なコレクションを組み込んだものである。 このモデルは、特定のロボットのトポロジー予測を出力とする積み重ねアンサンブルである。 積み重ねられた各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、その出力は高レベルブーピングミキサーによって集約される。 我々のモデルを10個のロボットネットワークに適用すると、引用されたネットワークの様々な構成に対応する最適なトポロジの予測において80%以上の精度が示される。

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)
• Topology Recoverability Prediction for Ad-Hoc Robot Networks: A Data-Driven Fault-Tolerant Approach [7.857061104983226]
  アドホックなロボットネットワークで発生する故障は、それらのネットワークのサブセットを切断する原因となるトポロジを致命的に混乱させる可能性がある。 トポロジ的再計算は、何らかの断層発生後のトポロジ的回復可能性がその発見不可能性を上回る場合のみ行わなければならない。 我々は,2つの異なるプレフォールトおよびポストフォールト予測経路を用いて,典型的な問題の解を予測できる2経路データ駆動モデルを開発した。
  論文  参考訳（メタデータ） (2023-10-30T21:16:46Z)
• 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)
• 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)
• 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)
• A distributed, plug-n-play algorithm for multi-robot applications with a priori non-computable objective functions [2.2452191187045383]
  マルチロボットアプリケーションでは、ミッションのユーザ定義の目的を一般的な最適化問題として当てはめることができる。 これらの問題には標準勾配の差分型アルゴリズムは適用できない。 本稿では,各ロボットのサブコスト関数を慎重に設計するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-14T20:40:00Z)
• 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)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• 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。