Fugu-MT 論文翻訳(概要): Planning and Learning: A Review of Methods involving Path-Planning for Autonomous Vehicles

論文の概要: Planning and Learning: A Review of Methods involving Path-Planning for Autonomous Vehicles

arxiv url: http://arxiv.org/abs/2207.13181v1
Date: Tue, 26 Jul 2022 20:56:18 GMT
ステータス: 処理完了
システム内更新日: 2022-07-28 13:22:26.763464
Title: Planning and Learning: A Review of Methods involving Path-Planning for Autonomous Vehicles
Title（参考訳）: 計画と学習: 自律走行車における経路計画手法の見直し
Authors: Kevin Osanlou, Christophe Guettier, Tristan Cazenave, Eric Jacopin
Abstract要約: この短いレビューは、読者が計画、スケジューリング、学習に関する最先端の作業に慣れるようにすることを目的としている。まず,最先端の計画アルゴリズムについて検討する。次に、グラフ構造化された入力を処理するのに適した、最近のニューラルネットワークの変種であるグラフニューラルネットワークについて詳しく調べる。
参考スコア（独自算出の注目度）: 3.7163029805378693
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This short review aims to make the reader familiar with state-of-the-art works relating to planning, scheduling and learning. First, we study state-of-the-art planning algorithms. We give a brief introduction of neural networks. Then we explore in more detail graph neural networks, a recent variant of neural networks suited for processing graph-structured inputs. We describe briefly the concept of reinforcement learning algorithms and some approaches designed to date. Next, we study some successful approaches combining neural networks for path-planning. Lastly, we focus on temporal planning problems with uncertainty.
Abstract（参考訳）: この短いレビューは、読者が計画、スケジューリング、学習に関する最先端の作業に慣れるようにすることを目的としている。まず,最先端の計画アルゴリズムについて検討する。ニューラルネットワークについて簡単に紹介します。次に,グラフ構造入力処理に適した最近のニューラルネットの変種であるグラフニューラルネットワークについて,さらに詳細に検討する。本稿では,強化学習アルゴリズムの概念と,現在までのアプローチについて述べる。次に,経路計画のためのニューラルネットワークを組み合わせる手法について検討する。最後に,不確実性を伴う時間計画問題に焦点をあてる。

関連論文リスト

A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文参考訳（メタデータ） (2024-09-18T14:57:13Z)
Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
論文参考訳（メタデータ） (2024-02-21T15:51:01Z)
Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文参考訳（メタデータ） (2024-02-21T12:16:51Z)
Rule-Extraction Methods From Feedforward Neural Networks: A Systematic Literature Review [1.1510009152620668]
ルールは、ニューラルネットワークを説明する透過的で直感的な手段を提供する。この研究は、特にフィードフォワードネットワークに教師付き学習とクリップルールで対処する。今後の作業は、他のネットワークタイプ、機械学習メソッド、ファジィルール抽出にまで拡張できる。
論文参考訳（メタデータ） (2023-12-20T09:40:07Z)
What Planning Problems Can A Relational Neural Network Solve? [91.53684831950612]
本稿では,計画問題のポリシーを表すリレーショナルニューラルネットワークの回路複雑性解析について述べる。回路幅と深さの増大に関して,計画問題には3つの一般的なクラスが存在することを示す。また、政策学習のためのニューラルネットワーク設計におけるこの分析の有用性についても解説する。
論文参考訳（メタデータ） (2023-12-06T18:47:28Z)
Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-05-25T12:41:59Z)
Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
論文参考訳（メタデータ） (2022-02-15T08:06:50Z)
Weisfeiler and Leman go Machine Learning: The Story so far [41.069698435199705]
Wesfeiler-Lemanアルゴリズムの機械学習環境における利用について概観する。理論的背景を議論し、グラフとノード表現の教師付き学習にそれを使う方法を示し、最近の拡張について議論し、アルゴリズムの(置換-)同変ニューラルアーキテクチャとの関係を概説する。
論文参考訳（メタデータ） (2021-12-18T20:14:11Z)
Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文参考訳（メタデータ） (2021-04-16T17:59:06Z)
Deep Neural Networks and Neuro-Fuzzy Networks for Intellectual Analysis of Economic Systems [0.0]
本稿では,ディープニューラルネットワークとニューロファジィネットに基づく時系列予測手法を提案する。本稿では,ルールベースの方法論をディープラーニングニューラルネットワークに組み込むためのアプローチについても概説する。
論文参考訳（メタデータ） (2020-11-11T06:21:08Z)

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。