論文の概要: Hybrid Paradigm-based Brain-Computer Interface for Robotic Arm Control

• arxiv url: http://arxiv.org/abs/2212.08122v1
• Date: Wed, 14 Dec 2022 08:13:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 16:14:23.825119
• Title: Hybrid Paradigm-based Brain-Computer Interface for Robotic Arm Control
• Title（参考訳）: ロボットアーム制御のためのハイブリッドパラダイムに基づく脳コンピューターインタフェース
• Authors: Byeong-Hoo Lee, Jeong-Hyun Cho, and Byung-Hee Kwon
• Abstract要約: 脳コンピュータインタフェース(BCI)は、脳信号を使って外部デバイスと実際の制御なしに通信する。 本稿では,ハイブリッドパラダイムによる脳波信号によるロボットアーム操作のための知識蒸留に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-computer interface (BCI) uses brain signals to communicate with external devices without actual control. Particularly, BCI is one of the interfaces for controlling the robotic arm. In this study, we propose a knowledge distillation-based framework to manipulate robotic arm through hybrid paradigm induced EEG signals for practical use. The teacher model is designed to decode input data hierarchically and transfer knowledge to student model. To this end, soft labels and distillation loss functions are applied to the student model training. According to experimental results, student model achieved the best performance among the singular architecture-based methods. It is confirmed that using hierarchical models and knowledge distillation, the performance of a simple architecture can be improved. Since it is uncertain what knowledge is transferred, it is important to clarify this part in future studies.
• Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、脳信号を使って外部デバイスと実際の制御なしに通信する。 特に、bciはロボットアームを制御するインタフェースの1つである。 本研究では,ハイブリッドパラダイムを用いた脳波信号によるロボットアーム操作のための知識蒸留に基づくフレームワークを提案する。 教師モデルは、入力データを階層的にデコードし、知識を学生モデルに転送するように設計されている。 この目的のために, 学生モデルトレーニングにソフトラベルと蒸留損失関数を適用した。 実験結果によると,学生モデルは特異なアーキテクチャに基づく手法の中で最高の性能を示した。 階層モデルと知識蒸留を用いて, 簡単なアーキテクチャの性能を向上できることが確認された。 どのような知識が伝わったかは定かではないため、今後の研究においてこの部分を明らかにすることが重要である。

関連論文リスト

• Body Transformer: Leveraging Robot Embodiment for Policy Learning [51.531793239586165]
  ボディートランスフォーマー(ボディートランスフォーマー、Body Transformer、BoT)は、学習プロセスを導く誘導バイアスを提供することで、ロボットの体現性を活用するアーキテクチャである。 我々はロボットの体をセンサーとアクチュエータのグラフとして表現し、建築全体を通してプール情報にマスキングされた注意を頼りにしている。 結果として得られるアーキテクチャは、バニラ変換器と古典的な多層パーセプトロンを、タスク完了、スケーリング特性、計算効率の点で上回る。
  論文  参考訳（メタデータ） (2024-08-12T17:31:28Z)
• Learning Manipulation by Predicting Interaction [85.57297574510507]
  本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。 実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-06-01T13:28:31Z)
• Scheduled Knowledge Acquisition on Lightweight Vector Symbolic Architectures for Brain-Computer Interfaces [18.75591257735207]
  古典的特徴エンジニアリングは計算効率は高いが精度は低いが、最近のニューラルネットワーク(DNN)は精度を向上するが、計算コストが高く、レイテンシが高い。 有望な代替として、ベクトル記号アーキテクチャ(VSA)に基づく低次元計算(LDC)分類器は、古典的な特徴工学手法よりも小さいモデルサイズで精度が高い。
  論文  参考訳（メタデータ） (2024-03-18T01:06:29Z)
• A comparison of controller architectures and learning mechanisms for arbitrary robot morphologies [2.884244918665901]
  学習ロボットの形態が事前に分かっていない場合、ロボットコントローラと学習方法の組み合わせはどのように使うべきか。 我々は3つのコントローラとラーナーの組み合わせを実験的に比較した。 有効性、効率、堅牢性を比較します。
  論文  参考訳（メタデータ） (2023-09-25T07:11:43Z)
• Directed Acyclic Graph Factorization Machines for CTR Prediction via Knowledge Distillation [65.62538699160085]
  本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。 KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-11-21T03:09:42Z)
• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• An Adaptive Contrastive Learning Model for Spike Sorting [12.043679000694258]
  神経科学研究においては、個々のニューロンの活動を分離することが重要である。 大規模なシリコン技術の発展に伴い、スパイクの人工的解釈とラベル付けはますます非現実的になりつつある。 対照的な学習を通してスパイクから表現を学習する新しいモデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:18:46Z)
• Learning-Based UE Classification in Millimeter-Wave Cellular Systems With Mobility [67.81523988596841]
  ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。 効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。 これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
  論文  参考訳（メタデータ） (2021-09-13T12:00:45Z)
• DRL: Deep Reinforcement Learning for Intelligent Robot Control -- Concept, Literature, and Future [0.0]
  機械学習、コンピュータビジョン、ロボットシステムの組み合わせにより、インテリジェントロボット制御のための視覚ベースの学習フレームワークを究極の目標(ビジョンベースの学習ロボット)として提案する。 この研究は、アプリケーション非依存とプラットフォーム非依存を意味するAI(AGI)のための汎用フレームワークである学習フレームワークとして、深層強化学習を紹介している。
  論文  参考訳（メタデータ） (2021-04-20T15:26:10Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• Unsupervised Multi-Modal Representation Learning for Affective Computing with Multi-Corpus Wearable Data [16.457778420360537]
  我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。 提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。 提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-24T22:01:55Z)

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。