論文の概要: BioSLAM: A Bio-inspired Lifelong Memory System for General Place Recognition

• arxiv url: http://arxiv.org/abs/2208.14543v1
• Date: Tue, 30 Aug 2022 21:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:15:03.233014
• Title: BioSLAM: A Bio-inspired Lifelong Memory System for General Place Recognition
• Title（参考訳）: BioSLAM: 一般的な場所認識のためのバイオインスパイアされた生涯記憶システム
• Authors: Peng Yin, Abulikemu Abuduweili, Shiqi Zhao, Changliu Liu and Sebastian Scherer
• Abstract要約: 様々な新しい外観を段階的に学習するための,生涯にわたるSLAMフレームワークであるBioSLAMを提案する。 BioSLAMはエージェントの位置認識能力を漸進的に更新し、最先端のインクリメンタルアプローチであるGenerative Replayを24%向上させることができる。
• 参考スコア（独自算出の注目度）: 10.99888115299446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present BioSLAM, a lifelong SLAM framework for learning various new appearances incrementally and maintaining accurate place recognition for previously visited areas. Unlike humans, artificial neural networks suffer from catastrophic forgetting and may forget the previously visited areas when trained with new arrivals. For humans, researchers discover that there exists a memory replay mechanism in the brain to keep the neuron active for previous events. Inspired by this discovery, BioSLAM designs a gated generative replay to control the robot's learning behavior based on the feedback rewards. Specifically, BioSLAM provides a novel dual-memory mechanism for maintenance: 1) a dynamic memory to efficiently learn new observations and 2) a static memory to balance new-old knowledge. When combined with a visual-/LiDAR- based SLAM system, the complete processing pipeline can help the agent incrementally update the place recognition ability, robust to the increasing complexity of long-term place recognition. We demonstrate BioSLAM in two incremental SLAM scenarios. In the first scenario, a LiDAR-based agent continuously travels through a city-scale environment with a 120km trajectory and encounters different types of 3D geometries (open streets, residential areas, commercial buildings). We show that BioSLAM can incrementally update the agent's place recognition ability and outperform the state-of-the-art incremental approach, Generative Replay, by 24%. In the second scenario, a LiDAR-vision-based agent repeatedly travels through a campus-scale area on a 4.5km trajectory. BioSLAM can guarantee the place recognition accuracy to outperform 15\% over the state-of-the-art approaches under different appearances. To our knowledge, BioSLAM is the first memory-enhanced lifelong SLAM system to help incremental place recognition in long-term navigation tasks.
• Abstract（参考訳）: これまでに訪れた地域に対して,様々な新しい外観を段階的に学習し,正確な位置認識を維持するための,生涯にわたるSLAMフレームワークであるBioSLAMを提案する。 人間とは異なり、人工ニューラルネットワークは破滅的な忘れ込みに悩まされ、新しい到着の訓練を受けた際に訪れた地域を忘れる可能性がある。 人間にとって、研究者は前回の出来事でニューロンを活性化させるために、脳内に記憶再生機構があることを発見した。 この発見にインスパイアされたBioSLAMは、フィードバック報酬に基づいてロボットの学習行動を制御するゲート生成リプレイを設計した。 具体的には、BioSLAMはメンテナンスのための新しいデュアルメモリメカニズムを提供する。 1)新しい観察を効率的に学習する動的記憶 2)新しい知識のバランスをとる静的メモリ。 ビジュアル/LiDARベースのSLAMシステムと組み合わせると、完全な処理パイプラインは、長期的位置認識の複雑さの増加に対して堅牢な位置認識能力を段階的に更新するのに役立つ。 BioSLAMを2つの段階的なSLAMシナリオで示す。 最初のシナリオでは、LiDARベースのエージェントが120kmの軌道で都市規模の環境を継続的に移動し、異なるタイプの3Dジオメトリー(オープンストリート、住宅エリア、商業ビル)に遭遇する。 BioSLAMはエージェントの位置認識能力を漸進的に更新し、最先端のインクリメンタルアプローチであるGenerative Replayを24%向上させることができる。 第2のシナリオでは、LiDARビジョンベースのエージェントが4.5kmの軌道でキャンパススケールのエリアを何度も移動します。 bioslamは、異なる外観下での最先端のアプローチよりも15\%高い位置認識精度を保証できる。 私たちの知る限り、BioSLAMは長期ナビゲーションタスクにおけるインクリメンタルな位置認識を支援するメモリ駆動型SLAMシステムとしては初めてのものです。

関連論文リスト

• VIPeR: Visual Incremental Place Recognition with Adaptive Mining and Lifelong Learning [11.127820242792447]
  視覚的位置認識(VPR)は、多くの自律的・拡張現実/仮想現実システムにおいて不可欠な要素である。 既存のVPR法は、事前学習と限定的な一般化のコストで魅力的な性能を示す。 視覚的インクリメンタルな位置認識のための新しいアプローチとして,新しい環境に適応するVIPeRを提案する。
  論文  参考訳（メタデータ） (2024-07-31T08:04:32Z)
• BrainSLAM: SLAM on Neural Population Activity Data [0.5461938536945721]
  同時ローカライゼーションとマッピング(SLAM)アルゴリズムは、新しい環境の地図を学習するためのロボットシステムで一般的に用いられている。 脳SLAM(BrainSLAM)は、ラットの3つの脳領域から同時に記録された集団活動(局所野電位)データのみを用いてSLAMを実行する方法である。 これは、脳の記録から空間地図が推測された最初の例である。
  論文  参考訳（メタデータ） (2024-02-01T13:34:59Z)
• Black-box Unsupervised Domain Adaptation with Bi-directional Atkinson-Shiffrin Memory [59.51934126717572]
  Black-box Unsupervised Domain adaptation (UDA)は、トレーニング中にソースデータまたはソースモデルにアクセスすることなく、ターゲットデータのソース予測で学習する。 両方向の記憶機構であるBiMemを提案する。 BiMemは、画像分類、セマンティックセグメンテーション、オブジェクト検出など、さまざまな視覚的タスクに一貫して優れたドメイン適応性能を実現する。
  論文  参考訳（メタデータ） (2023-08-25T08:06:48Z)
• Evolving Knowledge Mining for Class Incremental Segmentation [113.59611699693092]
  クラスインクリメンタルセマンティック(CISS)は、最近、現実世界のアプリケーションにおいて大きな重要性があるため、トレンドとなっている。 冷凍バックボーンを用いた新規なkNowleDgeマイニング法を提案する。 提案手法を2つの広く使用されているベンチマークで評価し,新しい最先端性能を一貫して示す。
  論文  参考訳（メタデータ） (2023-06-03T07:03:15Z)
• ESceme: Vision-and-Language Navigation with Episodic Scene Memory [72.69189330588539]
  ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)は、現実世界のシーンで自然言語のナビゲーション指示に従う視覚エージェントをシミュレートする。 本稿では,VLNにおける情景記憶(esceme)のメカニズムについて紹介する。
  論文  参考訳（メタデータ） (2023-03-02T07:42:07Z)
• Lifelong Person Re-Identification via Knowledge Refreshing and Consolidation [35.43406281230279]
  Lifelong person re-identification (LReID)の鍵となる課題は、古い知識を段階的に保存し、徐々に新しい能力をシステムに追加する方法である。 体性感覚性新皮質と海馬が協調して記憶統合を行う人間の認知の生物学的過程に着想を得て,我々は知識リフレッシュ・アンド・コンソリデーション(KRC)と呼ばれるモデルを構築した。 より具体的には、双方向の知識伝達を可能にするための知識リフレッシュ方式に知識リハーサル機構が組み込まれている。
  論文  参考訳（メタデータ） (2022-11-29T13:39:45Z)
• BIMRL: Brain Inspired Meta Reinforcement Learning [5.993003891247583]
  効率的なエージェントは、以前の経験を生かして、似ているが新しいタスクや状況に迅速に適応できなければならない。 本稿では,脳にインスパイアされた新しいメモリモジュールとともに,新しい多層アーキテクチャであるBIMRLを紹介する。 提案手法の有効性を実証的に検証し,複数のMiniGrid環境上での強いベースラインの性能と競合するか,あるいは超越して検証する。
  論文  参考訳（メタデータ） (2022-10-29T08:34:47Z)
• SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video Anomaly Detection [108.57862846523858]
  自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。 マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。 モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
  論文  参考訳（メタデータ） (2022-07-16T19:25:41Z)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)
• Learning offline: memory replay in biological and artificial reinforcement learning [1.0136215038345011]
  神経科学・AI分野におけるリプレイの機能的役割を概観する。 リプレイは生物学的ニューラルネットワークにおけるメモリ統合に重要である。 また、ディープニューラルネットワークにおける学習の安定化の鍵でもある。
  論文  参考訳（メタデータ） (2021-09-21T08:57:19Z)
• HM4: Hidden Markov Model with Memory Management for Visual Place Recognition [54.051025148533554]
  自律運転における視覚的位置認識のための隠れマルコフモデルを提案する。 我々のアルゴリズムはHM$4$と呼ばれ、時間的ルックアヘッドを利用して、有望な候補画像をパッシブストレージとアクティブメモリ間で転送する。 固定被覆領域に対して一定の時間と空間推定が可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-01T08:49:24Z)

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。