論文の概要: Home Run: Finding Your Way Home by Imagining Trajectories
- arxiv url: http://arxiv.org/abs/2208.10914v1
- Date: Fri, 19 Aug 2022 08:38:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:36:56.851488
- Title: Home Run: Finding Your Way Home by Imagining Trajectories
- Title（参考訳）: home run: 軌跡を想像して家に帰る方法を見つける
- Authors: Daria de Tinguy, Pietro Mazzaglia, Tim Verbelen, Bart Dhoedt
- Abstract要約: 本稿では,画素ベース観測から学習した生成モデルを用いて,エージェントが地図の新しい,より短い経路を正確に予測する方法を示す。
- 参考スコア（独自算出の注目度）: 4.6956495676681484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When studying unconstrained behaviour and allowing mice to leave their cage
to navigate a complex labyrinth, the mice exhibit foraging behaviour in the
labyrinth searching for rewards, returning to their home cage now and then,
e.g. to drink. Surprisingly, when executing such a ``home run'', the mice do
not follow the exact reverse path, in fact, the entry path and home path have
very little overlap. Recent work proposed a hierarchical active inference model
for navigation, where the low level model makes inferences about hidden states
and poses that explain sensory inputs, whereas the high level model makes
inferences about moving between locations, effectively building a map of the
environment. However, using this ``map'' for planning, only allows the agent to
find trajectories that it previously explored, far from the observed mice's
behaviour. In this paper, we explore ways of incorporating before-unvisited
paths in the planning algorithm, by using the low level generative model to
imagine potential, yet undiscovered paths. We demonstrate a proof of concept in
a grid-world environment, showing how an agent can accurately predict a new,
shorter path in the map leading to its starting point, using a generative model
learnt from pixel-based observations.
- Abstract（参考訳）: 拘束されない行動を研究し、マウスが複雑な迷路をナビゲートするためにケージを離れることを許すと、マウスは報奨を求めて迷路で捕食行動を示し、すぐに自宅のケージに戻り、例えば飲む。
驚くべきことに、そのような'home run''を実行するとき、マウスは正確な逆経路を辿らない。
近年の研究では、低レベルモデルが隠れ状態や感覚入力を説明するポーズを推論し、高レベルモデルが位置間の移動を推論し、環境マップを効果的に構築する、ナビゲーションのための階層的アクティブ推論モデルが提案されている。
しかし、この `map'' を計画に使用すると、観察されたマウスの行動から遠く離れた、以前に探索した軌跡のみを見つけることができる。
本稿では,低レベル生成モデルを用いて,未発見の経路を推定することにより,計画アルゴリズムに事前見当たらない経路を組み込む方法について検討する。
筆者らは, グリッドワールド環境における概念実証を行い, ピクセルベース観測から学習した生成モデルを用いて, エージェントが地図の新しい短い経路を正確に予測し, 開始点に導く方法を示した。
関連論文リスト
- Visuospatial navigation without distance, prediction, or maps [1.3812010983144802]
従来の視覚ナビゲーションタスクにおいて,最小限のフィードフォワードフレームワークの有効性を示す。
視覚的距離は目標への直接的軌跡を可能にするが、2つの異なるアルゴリズムは視覚的角度だけで頑健にナビゲートするように開発されている。
それぞれに独特の文脈的トレードオフが与えられ、げっ歯類、昆虫、魚、精子で観察される運動行動と一致している。
論文 参考訳（メタデータ） (2024-07-18T14:07:44Z) - Direct learning of home vector direction for insect-inspired robot navigation [2.751676617871172]
昆虫は長年、巣の環境から視覚的手がかりを使って、ナビゲートと帰路の能力で認識されてきた。
本研究では,巣の近くの学習飛行において,視覚的知覚から自宅ベクトル方向を直接学習するロボットナビゲーション手法を提案する。
本研究は,シミュレートされた森林環境と実林環境の両面での学習を成功させるとともに,シミュレートされた4倍体のホーミング制御に成功したことを実証する。
論文 参考訳（メタデータ） (2024-05-06T20:17:10Z) - Emergence of Maps in the Memories of Blind Navigation Agents [68.41901534985575]
動物ナビゲーション研究は、生物が環境の空間的表現(地図)を構築、維持する、という仮説を定めている。
私たちはマシン、具体的には人工知能(AI)ナビゲーションエージェントが、暗黙の(あるいは「メンタル」な)マップを構築しているかどうか尋ねる。
動物ナビゲーションとは異なり、エージェントの知覚システムを司法的に設計し、学習パラダイムを制御して代替ナビゲーション機構を無効化することができる。
論文 参考訳（メタデータ） (2023-01-30T20:09:39Z) - Layout-aware Dreamer for Embodied Referring Expression Grounding [49.33508853581283]
本研究では,エージェントがこれまで見つからなかった環境で移動する必要のある,身体的参照表現接地の問題について検討する。
我々はLayout-aware Dreamer(LAD)と呼ばれる自律エージェントを設計した。
LADは、粗いレイアウト推定のための経路に沿って、近隣の未探索領域の部屋カテゴリー分布を推定することを学ぶ。
効果的な環境探査を学ぶために、ゴールドリーマーは事前に目的地を想像する。
論文 参考訳（メタデータ） (2022-11-30T23:36:17Z) - A Computational Model of Learning Flexible Navigation in a Maze by
Layout-Conforming Replay of Place Cells [2.030567625639093]
近年の研究では、睡眠時や運動時における海馬の場所細胞(PC)の再活性化は、障壁を回避できる軌道を描いていることが示されている。
このようなレイアウトに適合したリプレイは、動的に変化する迷路の中での動物の柔軟なナビゲーションの学習を支援する場所細胞の活動に光を当てる。
本稿では,レイアウトコンフォーミングなリプレイを生成する計算モデルを提案し,そのようなリプレイが迷路内の柔軟なナビゲーションの学習をいかに促すかを説明する。
論文 参考訳（メタデータ） (2022-09-18T14:12:01Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳（メタデータ） (2022-02-23T02:14:23Z) - Explore before Moving: A Feasible Path Estimation and Memory Recalling
Framework for Embodied Navigation [117.26891277593205]
ナビゲーションに焦点をあて,経験や常識に欠ける既存のナビゲーションアルゴリズムの問題を解決する。
移動前に2回思考する能力に触発されて、不慣れな場面で目標を追求する実現可能な経路を考案し、パス推定とメモリリコールフレームワークと呼ばれる経路計画手法を提案する。
EmbodiedQAナビゲーションタスクにおけるPEMRの強力な実験結果を示す。
論文 参考訳（メタデータ） (2021-10-16T13:30:55Z) - One-shot learning of paired association navigation with biologically plausible schemas [3.990406494980651]
複数のペア・アソシエーション・ナビゲーションタスクにおける一発一発学習はスキーマに依存していると仮定されている。
生物学的に妥当なニューラル実装を持つスキーマからエージェントを構成する。
アクター・クリティカルによって補足されたスキーマは、障害が直接の進路を妨げたとしても、エージェントが成功することを示す。
論文 参考訳（メタデータ） (2021-06-07T13:03:51Z) - Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。
我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文 参考訳（メタデータ） (2020-10-05T19:47:04Z) - Seeing the Un-Scene: Learning Amodal Semantic Maps for Room Navigation [143.6144560164782]
セマンティックマップを用いた室内ナビゲーションのための学習型アプローチを提案する。
我々は、部屋の位置、大きさ、形状の信念を示すアモーダルな意味的トップダウンマップを生成するためにモデルを訓練する。
次に、これらのマップを使用して、対象の部屋にある点を予測し、その点に向かうためのポリシーを訓練します。
論文 参考訳（メタデータ） (2020-07-20T02:19:26Z)
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。