論文の概要: D2A-BSP: Distilled Data Association Belief Space Planning with Performance Guarantees Under Budget Constraints

• arxiv url: http://arxiv.org/abs/2202.04954v1
• Date: Thu, 10 Feb 2022 11:13:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 15:59:21.638746
• Title: D2A-BSP: Distilled Data Association Belief Space Planning with Performance Guarantees Under Budget Constraints
• Title（参考訳）: D2A-BSP: 予算制約下における性能保証を伴う蒸留データアソシエーションの空間計画
• Authors: Moshe Shienman and Vadim Indelman
• Abstract要約: 不明瞭で知覚的な環境における未解決のデータアソシエーションは、ロボットの環境状態と環境状態の両方にマルチモーダル仮説をもたらす。 そこで本研究では,BSP問題の解法として,蒸留された仮説のサブセットのみを利用する新しい手法を提案する。 そこで我々は,解の質を損なうことなく,計算時間を著しく短縮する手法を提案する。
• 参考スコア（独自算出の注目度）: 6.62472687864754
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unresolved data association in ambiguous and perceptually aliased environments leads to multi-modal hypotheses on both the robot's and the environment state. To avoid catastrophic results, when operating in such ambiguous environments, it is crucial to reason about data association within Belief Space Planning (BSP). However, explicitly considering all possible data associations, the number of hypotheses grows exponentially with the planning horizon and determining the optimal action sequence quickly becomes intractable. Moreover, with hard budget constraints where some non-negligible hypotheses must be pruned, achieving performance guarantees is crucial. In this work we present a computationally efficient novel approach that utilizes only a distilled subset of hypotheses to solve BSP problems while reasoning about data association. Furthermore, to provide performance guarantees, we derive error bounds with respect to the optimal solution. We then demonstrate our approach in an extremely aliased environment, where we manage to significantly reduce computation time without compromising on the quality of the solution.
• Abstract（参考訳）: 曖昧で知覚に富んだ環境における未解決のデータアソシエーションは、ロボットと環境状態の両方にマルチモーダルな仮説をもたらす。 破滅的な結果を避けるため、あいまいな環境での運用においては、BSP(Belief Space Planning)内のデータ関連性について考えることが不可欠である。 しかし、すべての可能なデータ関連を明示的に考慮すると、仮説の数は計画の地平線と共に指数関数的に増加し、最適なアクションシーケンスの決定はすぐに難解になる。 さらに、無視できない仮説を定めなければならない厳しい予算制約がある場合、性能保証を達成することが不可欠である。 本研究では,BSP問題の解法として,蒸留された仮説のサブセットのみを利用する計算効率の良い新しい手法を提案する。 さらに,性能保証を実現するため,最適解に対する誤差境界を導出する。 そこで我々は,ソリューションの品質を損なうことなく,計算時間を大幅に削減する手法を提案する。

関連論文リスト

• OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
  sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。 我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-04T18:23:55Z)
• Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
  FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。 本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。 その独特な洞察力のある性質とその分析も提示される。
  論文  参考訳（メタデータ） (2023-10-30T14:15:47Z)
• Online POMDP Planning with Anytime Deterministic Guarantees [11.157761902108692]
  不確実性の下での計画は、部分的に観測可能なマルコフ決定プロセス(POMDP)を用いて数学的に定式化できる POMDPの最適計画を見つけるには計算コストがかかり、小さなタスクにのみ適用可能である。 簡便な解と理論的に最適な解との決定論的関係を導出する。
  論文  参考訳（メタデータ） (2023-10-03T04:40:38Z)
• Federated Distributionally Robust Optimization with Non-Convex Objectives: Algorithm and Analysis [24.64654924173679]
  Asynchronous Single-looP alternatIve gRadient projEction という非同期分散アルゴリズムを提案する。 新しい不確実性集合、すなわち制約付きD-ノルムの不確実性集合は、以前の分布を利用し、強靭性の度合いを柔軟に制御するために開発される。 実世界のデータセットに関する実証研究は、提案手法が高速収束を達成できるだけでなく、悪意のある攻撃だけでなく、データに対する堅牢性も維持できることを示した。
  論文  参考訳（メタデータ） (2023-07-25T01:56:57Z)
• Data Association Aware POMDP Planning with Hypothesis Pruning Performance Guarantees [7.928094304325113]
  あいまいなデータアソシエーションによるプランニングのためのプルーニングに基づくアプローチを導入する。 我々の重要な貢献は、仮説の完全な集合に基づく値関数と仮説のプルーンド・サブセットに基づく値関数とのバウンダリを導出することである。 我々は,これらの境界が,ふりかえりにおけるプルーニングの証明にどのように使用できるかを実証し,その損失に対する事前定義された限界を確保するために,どの仮説がプルーンであるかを決定する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-03T18:35:01Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• Nonmyopic Distilled Data Association Belief Space Planning Under Budget Constraints [6.62472687864754]
  本稿では,データアソシエーションを推論しながら,非神秘的な空間計画問題の解法を提案する。 予測と計画の両方における予算制約の影響を厳格に分析する。
  論文  参考訳（メタデータ） (2022-07-17T07:07:47Z)
• Beyond IID: data-driven decision-making in heterogeneous environments [8.714718004930363]
  本研究では,未知の分布と異なる分布から過去のサンプルを生成する,データ駆動型意思決定フレームワークについて検討する。 この研究は、中央データ駆動型ポリシのパフォーマンスだけでなく、ほぼ最適のポリシーも分析することを目的としている。
  論文  参考訳（メタデータ） (2022-06-20T08:43:43Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• High-Dimensional Robust Mean Estimation via Gradient Descent [73.61354272612752]
  一定対向分数の存在下でのロバスト平均推定の問題は勾配降下によって解けることを示す。 我々の研究は、近辺の非補題推定とロバスト統計の間の興味深い関係を確立する。
  論文  参考訳（メタデータ） (2020-05-04T10:48:04Z)

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。