論文の概要: ProDMPs: A Unified Perspective on Dynamic and Probabilistic Movement Primitives

• arxiv url: http://arxiv.org/abs/2210.01531v1
• Date: Tue, 4 Oct 2022 11:20:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:34:20.729794
• Title: ProDMPs: A Unified Perspective on Dynamic and Probabilistic Movement Primitives
• Title（参考訳）: ProDMPs:動的および確率的運動プリミティブの統一的視点
• Authors: Ge Li (1), Zeqi Jin (1), Michael Volpp (1), Fabian Otto (2 and 3), Rudolf Lioutikov (1), and Gerhard Neumann (1) ((1) Karlsruhe Institute of Technology, (2) Bosch Center for Artificial Intelligence, (3) University of Tuebingen)
• Abstract要約: ムーブメントプリミティブ(英: Movement Primitives、MP)はモジュラー軌跡を表現・生成するためのよく知られた概念である。 MPは、ダイナミック・ムーブメント・プリミティブ(DMP)と確率的ムーブメント・プリミティブ(ProMP)の2つのタイプに分類される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Movement Primitives (MPs) are a well-known concept to represent and generate modular trajectories. MPs can be broadly categorized into two types: (a) dynamics-based approaches that generate smooth trajectories from any initial state, e. g., Dynamic Movement Primitives (DMPs), and (b) probabilistic approaches that capture higher-order statistics of the motion, e. g., Probabilistic Movement Primitives (ProMPs). To date, however, there is no method that unifies both, i. e. that can generate smooth trajectories from an arbitrary initial state while capturing higher-order statistics. In this paper, we introduce a unified perspective of both approaches by solving the ODE underlying the DMPs. We convert expensive online numerical integration of DMPs into basis functions that can be computed offline. These basis functions can be used to represent trajectories or trajectory distributions similar to ProMPs while maintaining all the properties of dynamical systems. Since we inherit the properties of both methodologies, we call our proposed model Probabilistic Dynamic Movement Primitives (ProDMPs). Additionally, we embed ProDMPs in deep neural network architecture and propose a new cost function for efficient end-to-end learning of higher-order trajectory statistics. To this end, we leverage Bayesian Aggregation for non-linear iterative conditioning on sensory inputs. Our proposed model achieves smooth trajectory generation, goal-attractor convergence, correlation analysis, non-linear conditioning, and online re-planing in one framework.
• Abstract（参考訳）: 運動プリミティブ (mps) はモジュラー軌道を表現し生成するよく知られた概念である。 MPは2つのタイプに分類される。 (a) 任意の初期状態から滑らかな軌道を生成するダイナミックスベースのアプローチ。 g. ダイナミック・ムーブメント・プリミティブ(DMP)と (b)運動の高次統計を捉えた確率的アプローチ(e) g. 確率運動プリミティブ (probabilistic movement primitives)。 しかし、今のところ、両方を統一するメソッドは存在しない。 e. これにより、任意の初期状態から滑らかな軌跡を生成し、高次統計をキャプチャすることができる。 本稿では,DMPの基盤となるODEを解くことによって,両アプローチの統一的な視点を紹介する。 DMPの高額なオンライン数値積分をオフラインで計算できる基本関数に変換する。 これらの基底関数は、力学系の全ての性質を維持しながら、ProMPと同様の軌跡や軌跡分布を表現するのに使うことができる。 両手法の特性を継承するため,提案したモデルをProDMP(Probabilistic Dynamic Movement Primitives)と呼ぶ。 さらに,ディープニューラルネットワークアーキテクチャにprodmpを埋め込み,高次軌道統計の効率的なエンドツーエンド学習のための新しいコスト関数を提案する。 この目的のために,感覚入力の非線形反復条件付けにベイズアグリゲーションを利用する。 提案モデルは, 円滑な軌道生成, ゴール・トラクタ収束, 相関解析, 非線形条件付け, オンライン再計画を実現する。

関連論文リスト

• DeMo: Decoupling Motion Forecasting into Directional Intentions and Dynamic States [6.856351850183536]
  マルチモーダルなトラジェクトリクエリを2つのタイプに分離するフレームワークであるDeMoを紹介する。 この形式を利用することで、軌道の多モード性と動的進化特性を別々に最適化する。 さらに,グローバルな情報集約と状態シーケンスモデリングのためのアテンションとマンバの併用手法についても紹介する。
  論文  参考訳（メタデータ） (2024-10-08T12:27:49Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Tuning Pre-trained Model via Moment Probing [62.445281364055795]
  本稿では,LP の可能性を探るため,新しい Moment Probing (MP) 法を提案する。 MPは、最終特徴の平均に基づいて線形分類ヘッドを実行する。 当社のMPはLPを著しく上回り、トレーニングコストの低い相手と競争しています。
  論文  参考訳（メタデータ） (2023-07-21T04:15:02Z)
• MotionDiffuser: Controllable Multi-Agent Motion Prediction using Diffusion [15.146808801331774]
  MotionDiffuserは、複数のエージェント上での将来の軌跡の連成分布の拡散に基づく表現である。 そこで本稿では,コスト関数の相違に基づくトラジェクトリサンプリングを可能にする汎用的な制約付きサンプリングフレームワークを提案する。 我々は,Open Motionデータセット上でのマルチエージェント動作予測の最先端結果を得る。
  論文  参考訳（メタデータ） (2023-06-05T17:55:52Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
  マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。 本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。 いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-14T18:18:02Z)
• Orientation Probabilistic Movement Primitives on Riemannian Manifolds [0.0]
  確率的運動プリミティブ(ProMP)は、実験から学んだ軌道分布をモデル化する原則的アプローチとして際立っている。 ProMPが運用空間で使用される場合、元の定式化は完全な動作には直接適用されない。 本稿では,四元軌道の符号化と検索を可能にするRiemann的ProMPの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-28T11:49:03Z)
• Modular Deep Reinforcement Learning for Continuous Motion Planning with Temporal Logic [59.94347858883343]
  本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。 LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。 モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
  論文  参考訳（メタデータ） (2021-02-24T01:11:25Z)
• Variational Inference and Learning of Piecewise-linear Dynamical Systems [33.23231229260119]
  本稿では,線形力学系の変分近似を提案する。 モデルパラメータは静的パラメータと動的パラメータの2つの集合に分割でき、元のパラメータは線形モードの数やスイッチング変数の状態の数とともにオフラインで推定できることを示す。
  論文  参考訳（メタデータ） (2020-06-02T14:40:35Z)

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。