論文の概要: Active Exploration based on Information Gain by Particle Filter for
Efficient Spatial Concept Formation
- arxiv url: http://arxiv.org/abs/2211.10934v1
- Date: Sun, 20 Nov 2022 10:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:11:15.035386
- Title: Active Exploration based on Information Gain by Particle Filter for
Efficient Spatial Concept Formation
- Title(参考訳): 効率的な空間概念形成のための粒子フィルタによる情報ゲインに基づくアクティブ探索
- Authors: Akira Taniguchi, Yoshiki Tabuchi, Tomochika Ishikawa, Lotfi El Hafi,
Yoshinobu Hagiwara, Tadahiro Taniguchi
- Abstract要約: 「この研究は、利用者に質問するロボットの動作」を解釈することで特徴付けられる。
情報ゲインに基づく能動探索(SpCoAE)による空間概念形成のための能動推論手法を提案する。
提案手法は,家庭環境において適切な空間概念を形成する位置を効率的に決定できることを示す。
- 参考スコア(独自算出の注目度): 5.350057408744861
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous robots are required to actively and adaptively learn the
categories and words of various places by exploring the surrounding environment
and interacting with users. In semantic mapping and spatial language
acquisition conducted using robots, it is costly and labor-intensive to prepare
training datasets that contain linguistic instructions from users. Therefore,
we aimed to enable mobile robots to learn spatial concepts through autonomous
active exploration. This study is characterized by interpreting the `action' of
the robot that asks the user the question `What kind of place is this?' in the
context of active inference. We propose an active inference method, spatial
concept formation with information gain-based active exploration (SpCoAE), that
combines sequential Bayesian inference by particle filters and position
determination based on information gain in a probabilistic generative model.
Our experiment shows that the proposed method can efficiently determine a
position to form appropriate spatial concepts in home environments. In
particular, it is important to conduct efficient exploration that leads to
appropriate concept formation and quickly covers the environment without
adopting a haphazard exploration strategy.
- Abstract(参考訳): 自律ロボットは、周囲の環境を探索し、ユーザと対話することで、各地のカテゴリや言葉を積極的に適応的に学習する必要がある。
ロボットを用いたセマンティックマッピングと空間言語獲得では,ユーザからの言語指導を含むトレーニングデータセットの作成に費用と労力がかかる。
そこで我々は,移動ロボットが自律的な能動的探索を通じて空間概念を学習できるようにすることを目標とした。
本研究は,アクティブな推論の文脈において,ユーザの「どのような場所にあるのか」を問うロボットの「行動」を解釈することが特徴である。
本稿では,粒子フィルタによる逐次ベイズ推定と,確率的生成モデルにおける情報ゲインに基づく位置決定を組み合わせた,情報ゲインに基づく空間概念形成法を提案する。
提案手法は家庭環境において適切な空間概念を形成する位置を効率的に決定できることを示す。
特に、適切な概念形成につながる効率的な探索を行い、ハファザード探索戦略を採らずに迅速に環境をカバーすることが重要である。
関連論文リスト
- Visual Affordance Prediction for Guiding Robot Exploration [56.17795036091848]
我々は,ロボット探索を導くための視覚能力の学習手法を開発した。
VQ-VAEの潜伏埋め込み空間における条件分布の学習にはTransformerベースのモデルを用いる。
本稿では,ロボット操作における視覚的目標条件付きポリシー学習において,目標サンプリング分布として機能することで探索を導くために,トレーニングされた余裕モデルをどのように利用できるかを示す。
論文 参考訳(メタデータ) (2023-05-28T17:53:09Z) - Embodied Agents for Efficient Exploration and Smart Scene Description [47.82947878753809]
我々は、自律的なエージェントが見えない屋内環境を探索し、マッピングする必要がある視覚ナビゲーションの設定に取り組む。
本稿では,視覚ロボット探査と画像キャプションの最近の進歩を組み合わせたアプローチを提案し,評価する。
提案手法は,環境の意味的知識を最大化し,繰り返しを避けるスマートなシーン記述を生成する。
論文 参考訳(メタデータ) (2023-01-17T19:28:01Z) - Unsupervised Online Learning for Robotic Interestingness with Visual
Memory [9.189959184116962]
そこで本研究では,オンライン環境に自動的に適応して,興味深いシーンを素早く報告する手法を開発した。
地下トンネル環境における最先端の非監視手法よりも平均20%高い精度を実現する。
論文 参考訳(メタデータ) (2021-11-18T16:51:39Z) - Map Induction: Compositional spatial submap learning for efficient
exploration in novel environments [25.00757828975447]
観測されていない空間の構造を推定することにより,人間は新しい環境を効率的に探索できることを示す。
本研究では,新しい行動マップ誘導タスクを用いて,非帰納的モデルよりも人間の探索行動が優れていることを示す。
論文 参考訳(メタデータ) (2021-10-23T21:23:04Z) - Adaptive Informative Path Planning Using Deep Reinforcement Learning for
UAV-based Active Sensing [2.6519061087638014]
深層強化学習(RL)に基づく情報経路計画のための新しい手法を提案する。
本手法は,モンテカルロ木探索とオフライン学習ニューラルネットワークを組み合わせた情報知覚行動の予測を行う。
ミッション中にトレーニングされたネットワークをデプロイすることにより、限られた計算資源を持つ物理プラットフォーム上で、サンプル効率の良いオンラインリプランニングが可能になる。
論文 参考訳(メタデータ) (2021-09-28T09:00:55Z) - Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。
本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。
学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
論文 参考訳(メタデータ) (2021-04-12T23:14:41Z) - ViNG: Learning Open-World Navigation with Visual Goals [82.84193221280216]
視覚的目標達成のための学習に基づくナビゲーションシステムを提案する。
提案手法は,我々がvingと呼ぶシステムが,目標条件強化学習のための提案手法を上回っていることを示す。
我々は、ラストマイル配送や倉庫検査など、現実の多くのアプリケーションでViNGを実演する。
論文 参考訳(メタデータ) (2020-12-17T18:22:32Z) - Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。
本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
論文 参考訳(メタデータ) (2020-07-01T17:52:32Z) - Spatial Concept-Based Navigation with Human Speech Instructions via
Probabilistic Inference on Bayesian Generative Model [8.851071399120542]
本研究の目的は,移動ロボットが人間の音声によるナビゲーション作業を行うことを可能にすることである。
音声指示下での経路軌道の空間確率分布として経路計画が定式化された。
提案手法の有効性をシミュレータや実環境において検証するために,取得した空間概念を用いた人間の指導に基づく経路計画法を実証した。
論文 参考訳(メタデータ) (2020-02-18T05:35:29Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳(メタデータ) (2020-01-08T04:05:11Z)
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。