論文の概要: Learning Robotic Navigation from Experience: Principles, Methods, and
Recent Results
- arxiv url: http://arxiv.org/abs/2212.06759v1
- Date: Tue, 13 Dec 2022 17:41:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 14:08:54.276048
- Title: Learning Robotic Navigation from Experience: Principles, Methods, and
Recent Results
- Title(参考訳): 経験からロボットナビゲーションを学ぶ:原理,方法,最近の成果
- Authors: Sergey Levine, Dhruv Shah
- Abstract要約: 現実世界のナビゲーションは、単純な幾何学的抽象化に反する複雑な物理的課題の集合を示す。
機械学習は、幾何学や従来の計画を超えた、有望な方法を提供する。
本稿では,ロボットナビゲーションスキルを実験的に学習するツールキットについて紹介する。
- 参考スコア(独自算出の注目度): 94.60414567852536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Navigation is one of the most heavily studied problems in robotics, and is
conventionally approached as a geometric mapping and planning problem. However,
real-world navigation presents a complex set of physical challenges that defies
simple geometric abstractions. Machine learning offers a promising way to go
beyond geometry and conventional planning, allowing for navigational systems
that make decisions based on actual prior experience. Such systems can reason
about traversability in ways that go beyond geometry, accounting for the
physical outcomes of their actions and exploiting patterns in real-world
environments. They can also improve as more data is collected, potentially
providing a powerful network effect. In this article, we present a general
toolkit for experiential learning of robotic navigation skills that unifies
several recent approaches, describe the underlying design principles, summarize
experimental results from several of our recent papers, and discuss open
problems and directions for future work.
- Abstract(参考訳): ナビゲーションはロボット工学において最もよく研究されている問題の1つであり、従来の幾何学的マッピングと計画の問題としてアプローチされている。
しかし、現実世界のナビゲーションは、単純な幾何学的抽象化に反する複雑な物理的課題の集合を示す。
機械学習は、幾何学や従来の計画を超える有望な方法を提供し、実際の事前経験に基づいて意思決定を行うナビゲーションシステムを可能にする。
このようなシステムは、幾何学を越えて、行動の物理的結果や現実世界の環境でのパターンの利用を考慮しながら、トラバーサビリティを推論することができる。
また、より多くのデータが収集されると改善でき、強力なネットワーク効果をもたらす可能性がある。
本稿では,ロボットナビゲーション技術の実験的学習ツールについて紹介し,近年のアプローチを統一し,基礎となる設計原則を説明し,最近の論文から実験結果を要約し,今後の課題と方向性について議論する。
関連論文リスト
- Optimal active particle navigation meets machine learning [0.0]
コロイドの昆虫や微生物、未来のロボットといった「スマート」な活性物質は、複雑な環境下で、匂い源や食物、がん細胞などの標的に最適な到達や発見を行う必要がある。
本稿では,マイクロからマクロまで,このような最適ナビゲーション問題に関する最近の展開の概要を紹介する。
論文 参考訳(メタデータ) (2023-03-09T19:48:03Z) - Towards Machine Learning for Placement and Routing in Chip Design: a
Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。
機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文 参考訳(メタデータ) (2022-02-28T06:28:44Z) - Deep Learning for Embodied Vision Navigation: A Survey [108.13766213265069]
身体的視覚ナビゲーション」問題では、エージェントが3D環境をナビゲートする必要がある。
本稿では、総合的な文献調査を提供することで、視覚ナビゲーションの具体的分野における現在の研究の概要を確立することを試みる。
論文 参考訳(メタデータ) (2021-07-07T12:09:04Z) - Building Intelligent Autonomous Navigation Agents [18.310643564200525]
この論文の目標は、物理的な知能を持つアルゴリズムの設計に向けて前進することである」。
論文の前半では、エンドツーエンドの強化学習を用いた短期ナビゲーションについて論じる。
第2部では,モジュール型学習と構造化された明示的地図表現に基づくナビゲーション手法について述べる。
論文 参考訳(メタデータ) (2021-06-25T04:10:58Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳(メタデータ) (2021-04-27T21:09:51Z) - 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) - BADGR: An Autonomous Self-Supervised Learning-Based Navigation System [158.6392333480079]
BadGRは、エンドツーエンドの学習ベースのモバイルロボットナビゲーションシステムである。
実際の環境で収集された、自己監督型のオフポリシーデータでトレーニングすることができる。
BadGRは、幾何学的に邪魔な障害物を伴って、現実世界の都市やオフロード環境をナビゲートすることができる。
論文 参考訳(メタデータ) (2020-02-13T18:40:21Z)
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。