論文の概要: Using Deep Learning to Bootstrap Abstractions for Hierarchical Robot Planning

• arxiv url: http://arxiv.org/abs/2202.00907v1
• Date: Wed, 2 Feb 2022 08:11:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 14:24:58.393556
• Title: Using Deep Learning to Bootstrap Abstractions for Hierarchical Robot Planning
• Title（参考訳）: ディープラーニングを用いた階層型ロボット計画のための抽象化のブートストラップ
• Authors: Naman Shah, Siddharth Srivastava
• Abstract要約: 階層的な計画プロセス全体をブートストラップするための新しいアプローチを提案する。 これは、新しい環境に対する抽象状態とアクションが自動的に計算される方法を示している。 学習した抽象概念を、新しいマルチソース双方向階層型ロボット計画アルゴリズムに用いている。
• 参考スコア（独自算出の注目度）: 27.384742641275228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the problem of learning abstractions that boost robot planning performance while providing strong guarantees of reliability. Although state-of-the-art hierarchical robot planning algorithms allow robots to efficiently compute long-horizon motion plans for achieving user desired tasks, these methods typically rely upon environment-dependent state and action abstractions that need to be hand-designed by experts. We present a new approach for bootstrapping the entire hierarchical planning process. It shows how abstract states and actions for new environments can be computed automatically using the critical regions predicted by a deep neural-network with an auto-generated robot specific architecture. It uses the learned abstractions in a novel multi-source bi-directional hierarchical robot planning algorithm that is sound and probabilistically complete. An extensive empirical evaluation on twenty different settings using holonomic and non-holonomic robots shows that (a) the learned abstractions provide the information necessary for efficient multi-source hierarchical planning; and that (b) this approach of learning abstraction and planning outperforms state-of-the-art baselines by nearly a factor of ten in terms of planning time on test environments not seen during training.
• Abstract（参考訳）: 本稿では,ロボット計画性能を向上し,信頼性の保証を確実にする学習抽象化の問題に対処する。 最先端の階層型ロボット計画アルゴリズムは、ロボットがユーザの希望するタスクを達成するために、長時間ホリゾン動作計画を効率的に計算できるが、これらの手法は通常、専門家が手作業で設計する必要がある環境に依存した状態とアクション抽象化に依存している。 我々は,階層的計画プロセス全体をブートストラップする新しい手法を提案する。 これは、自動生成ロボット固有のアーキテクチャを用いて、ディープニューラルネットワークによって予測される臨界領域を使用して、新しい環境の抽象状態とアクションを自動的に計算する方法を示している。 学習した抽象概念を、健全で確率論的に完備な、新しい多元的双方向階層型ロボット計画アルゴリズムに用いている。 ホロノミックロボットと非ホロノミックロボットを用いた20種類の異なる設定に関する広範な実験的検討 (a)学習された抽象化は、効率的なマルチソース階層計画に必要な情報を提供する。 b) 学習の抽象化と計画のアプローチは,訓練中に見えないテスト環境の計画時間において,最先端のベースラインを10倍近く向上させる。

関連論文リスト

• VisualPredicator: Learning Abstract World Models with Neuro-Symbolic Predicates for Robot Planning [86.59849798539312]
  本稿では,記号的・神経的知識表現の強みを組み合わせた一階抽象言語Neuro-Symbolic Predicatesを提案する。 提案手法は, サンプルの複雑さの向上, 分布外一般化の強化, 解釈可能性の向上を実現する。
  論文  参考訳（メタデータ） (2024-10-30T16:11:05Z)
• From Reals to Logic and Back: Inventing Symbolic Vocabularies, Actions, and Models for Planning from Raw Data [20.01856556195228]
  本稿では,抽象状態と行動に対する論理に基づく関係表現を自律的に学習する最初の手法を提案する。 学習された表現は自動発明されたPDDLのようなドメインモデルを構成する。 決定論的設定における実証的な結果は、少数のロボット軌道から強力な抽象表現を学ぶことができることを示している。
  論文  参考訳（メタデータ） (2024-02-19T06:28:21Z)
• Automated Process Planning Based on a Semantic Capability Model and SMT [50.76251195257306]
  製造システムと自律ロボットの研究において、機械で解釈可能なシステム機能の仕様に「能力」という用語が用いられる。 セマンティック能力モデルから始めて、AI計画問題を自動的に生成するアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-14T10:37:34Z)
• Learning adaptive planning representations with natural language guidance [90.24449752926866]
  本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。 Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
  論文  参考訳（メタデータ） (2023-12-13T23:35:31Z)
• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
  我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。 本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
  論文  参考訳（メタデータ） (2023-08-16T22:47:16Z)
• Learning Efficient Abstract Planning Models that Choose What to Predict [28.013014215441505]
  多くのロボティクス分野において,既存の記号演算子学習アプローチが不足していることが示されている。 これは主に、抽象状態におけるすべての観測された変化を正確に予測する演算子を学習しようとするためである。 我々は,特定の目標を達成するための抽象的計画に必要な変化をモデル化するだけで,「予測すべきものを選択する」演算子を学習することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T13:12:59Z)
• Inventing Relational State and Action Abstractions for Effective and Efficient Bilevel Planning [26.715198108255162]
  我々は状態と行動の抽象化を学習するための新しいフレームワークを開発する。 我々は、対象のアイデンティティや数値を一般化するリレーショナル、ニューロシンボリックな抽象化を学ぶ。 学習した抽象化によって、より長い地平線のホールドアウトタスクを迅速に解決できることが示されています。
  論文  参考訳（メタデータ） (2022-03-17T22:13:09Z)
• Active Learning of Abstract Plan Feasibility [17.689758291966502]
  本稿では,タスクに依存しない,好奇心を抱くロボットの探索を通じて,APF予測器を効率的に取得するための能動的学習手法を提案する。 アクティブラーニング戦略において,本システムでは,本システムでより少ないデータから学習できるように,実用不可能なサブシーケンス特性を活用して,候補計画の立案を行う。 物体が一様でない質量分布を持つ積層領域において,本システムは,400個の自己教師による相互作用において,APFモデルの実際のロボット学習を可能にすることを示す。
  論文  参考訳（メタデータ） (2021-07-01T18:17:01Z)
• 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)
• Combining Planning and Learning of Behavior Trees for Robotic Assembly [0.9262157005505219]
  遺伝的プログラミングアルゴリズムを用いて行動木を生成する手法を提案する。 このタイプの高レベルな行動木学習は,さらなる学習をすることなく実システムへ移行できることを示す。
  論文  参考訳（メタデータ） (2021-03-16T13:11:39Z)

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。