論文の概要: Robust Forecasting for Robotic Control: A Game-Theoretic Approach
- arxiv url: http://arxiv.org/abs/2209.10802v1
- Date: Thu, 22 Sep 2022 06:10:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 14:35:41.011602
- Title: Robust Forecasting for Robotic Control: A Game-Theoretic Approach
- Title（参考訳）: ロボット制御のためのロバスト予測:ゲーム理論的アプローチ
- Authors: Shubhankar Agarwal, David Fridovich-Keil, Sandeep P. Chinchali
- Abstract要約: 現在の手法は、未来を正確に予測するために歴史的時系列に大きく依存している。
ロボット制御のためのロバストな予測を生成するための新しいフレームワークを提案する。
本研究では,勾配に基づく最適化手法を用いて局所的なナッシュ均衡を解くことができることを示す。
- 参考スコア（独自算出の注目度）: 12.345619675058416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern robots require accurate forecasts to make optimal decisions in the
real world. For example, self-driving cars need an accurate forecast of other
agents' future actions to plan safe trajectories. Current methods rely heavily
on historical time series to accurately predict the future. However, relying
entirely on the observed history is problematic since it could be corrupted by
noise, have outliers, or not completely represent all possible outcomes. To
solve this problem, we propose a novel framework for generating robust
forecasts for robotic control. In order to model real-world factors affecting
future forecasts, we introduce the notion of an adversary, which perturbs
observed historical time series to increase a robot's ultimate control cost.
Specifically, we model this interaction as a zero-sum two-player game between a
robot's forecaster and this hypothetical adversary. We show that our proposed
game may be solved to a local Nash equilibrium using gradient-based
optimization techniques. Furthermore, we show that a forecaster trained with
our method performs 30.14% better on out-of-distribution real-world lane change
data than baselines.
- Abstract（参考訳）: 現代のロボットは、現実世界で最適な決定を下すために正確な予測を必要とする。
例えば、自動運転車は安全な軌道を計画するために他のエージェントの将来の行動を正確に予測する必要がある。
現在の手法は、未来を正確に予測するために歴史的時系列に大きく依存している。
しかしながら、観測された歴史に完全に依存することは、ノイズによって破損したり、外れ値を持つか、または全ての可能な結果を完全に表現できないため、問題となる。
この問題を解決するために,ロボット制御のためのロバストな予測を生成する新しいフレームワークを提案する。
今後の予測に影響を与える現実的な要因をモデル化するために,ロボットの究極の制御コストを高めるために,過去の時系列を摂動する敵の概念を導入する。
具体的には、この相互作用をロボットの予測と仮想敵とのゼロサムの2人プレイゲームとしてモデル化する。
提案するゲームは,グラデーションに基づく最適化手法を用いて局所nash平衡に解くことができることを示す。
さらに,本手法で学習した予測者は,実世界のレーン変更データに対して,ベースラインよりも30.14%高い性能を示す。
関連論文リスト
- JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - ManiCast: Collaborative Manipulation with Cost-Aware Human Forecasting [8.274511768083665]
コストを意識した人的予測を学習し、それらをモデル予測制御プランナに供給する新しいフレームワークであるManiCastを提示する。
我々のフレームワークは、人間と7-DoFロボットアーム間の流動的でリアルタイムな対話を可能にする。
論文 参考訳（メタデータ） (2023-10-20T03:34:31Z) - A Game-Theoretic Framework for Joint Forecasting and Planning [9.299721998201543]
人間の存在下で安全なロボットの動きを計画するには、将来の人間の動きの確実な予測が必要である。
本稿では,共同計画と予測のための新たなゲーム理論フレームワークを提案する。
提案アルゴリズムは,歩行者行動の現実的なデータセットと群集ナビゲーションシミュレーターにおいて,より安全な計画を立てる。
論文 参考訳（メタデータ） (2023-08-11T13:56:39Z) - AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。
我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。
私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
論文 参考訳（メタデータ） (2022-09-19T03:34:59Z) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳（メタデータ） (2022-03-17T12:52:23Z) - Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。
攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。
我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
論文 参考訳（メタデータ） (2021-08-24T17:59:09Z) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2021-07-14T09:05:33Z) - Future Frame Prediction for Robot-assisted Surgery [57.18185972461453]
本稿では,ロボット手術用ビデオシーケンスにおけるフレーム予測のためのtpg-vaeモデルを提案する。
コンテンツ配信に加えて、私たちのモデルは、手術ツールの小さな動きを処理するために斬新な運動分布を学習します。
論文 参考訳（メタデータ） (2021-03-18T15:12:06Z) - Multimodal semantic forecasting based on conditional generation of
future features [0.0]
本稿では,道路走行シーンにおける意味予測について考察する。
既存のほとんどのアプローチでは、この問題を将来の特徴の決定論的回帰や、観測されたフレームの将来の予測として扱う。
本稿では,観測フレーム上に条件付きマルチモーダル生成モデルのサンプリングとして,マルチモーダル予測を定式化する。
論文 参考訳（メタデータ） (2020-10-18T18:59:52Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-06-04T03:56:11Z)
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。