論文の概要: Leveraging Planning Landmarks for Hybrid Online Goal Recognition

• arxiv url: http://arxiv.org/abs/2301.10571v1
• Date: Wed, 25 Jan 2023 13:21:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-26 15:09:39.785718
• Title: Leveraging Planning Landmarks for Hybrid Online Goal Recognition
• Title（参考訳）: ハイブリッドオンラインゴール認識のためのプランニングランドマークの活用
• Authors: Nils Wilken, Lea Cohausz, Johannes Schaum, Stefan L\"udtke, Christian Bartelt and Heiner Stuckenschmidt
• Abstract要約: 本稿では,象徴的な計画的ランドマークに基づくアプローチとデータ駆動型目標認識アプローチを組み合わせた,オンライン目標認識のためのハイブリッド手法を提案する。 提案手法は最先端技術よりも計算時間をはるかに効率よくするが,目標認識性能も向上する。
• 参考スコア（独自算出の注目度）: 7.690707525070737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Goal recognition is an important problem in many application domains (e.g., pervasive computing, intrusion detection, computer games, etc.). In many application scenarios it is important that goal recognition algorithms can recognize goals of an observed agent as fast as possible and with minimal domain knowledge. Hence, in this paper, we propose a hybrid method for online goal recognition that combines a symbolic planning landmark based approach and a data-driven goal recognition approach and evaluate it in a real-world cooking scenario. The empirical results show that the proposed method is not only significantly more efficient in terms of computation time than the state-of-the-art but also improves goal recognition performance. Furthermore, we show that the utilized planning landmark based approach, which was so far only evaluated on artificial benchmark domains, achieves also good recognition performance when applied to a real-world cooking scenario.
• Abstract（参考訳）: ゴール認識は多くのアプリケーション領域(例えば、広範コンピューティング、侵入検出、コンピュータゲームなど)において重要な問題である。 多くのアプリケーションシナリオにおいて、ゴール認識アルゴリズムは観測対象の目標をできるだけ早く、最小限のドメイン知識で認識できることが重要である。 そこで本研究では,象徴的な計画的ランドマークに基づくアプローチとデータ駆動型目標認識アプローチを組み合わせたオンライン目標認識のハイブリッド手法を提案し,実際の調理シナリオで評価する。 実験結果から,提案手法は最先端技術よりも計算時間を効率よくするだけでなく,目標認識性能も向上することが示された。 さらに,これまで人工ベンチマークドメインでのみ評価された計画的ランドマークに基づく手法は,実世界の調理シナリオに適用した場合の認識性能も良好であることを示す。

関連論文リスト

• KOI: Accelerating Online Imitation Learning via Hybrid Key-state Guidance [51.09834120088799]
  キーステートガイド付きオンライン模倣(KOI)学習手法について紹介する。 我々は視覚言語モデルを用いて、専門家の軌跡から意味的キー状態を抽出し、「何をすべきか」の目的を示す。 セマンティックキー状態間の間隔内では、動作キー状態の捕捉に光流が使用され、「どうするか」のメカニズムが理解される。
  論文  参考訳（メタデータ） (2024-08-06T02:53:55Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• Real-time goal recognition using approximations in Euclidean space [10.003540430416091]
  本研究では,個別領域における各目標に対するプランナーへの1回の呼び出し,あるいは連続領域における計算負担を軽減する簡易な動作モデルのいずれかに依存する,効率的なゴール認識手法を開発する。 結果として得られたアプローチは、現在の最先端技術よりもはるかに高速な認識順序のオンラインコンポーネントを実行し、サブ秒単位の認識を必要とするロボティクスアプリケーションに効果的に使用できる最初のオンライン手法となった。
  論文  参考訳（メタデータ） (2023-07-15T19:27:38Z)
• Planning Landmark Based Goal Recognition Revisited: Does Using Initial State Landmarks Make Sense? [9.107782510356989]
  本稿では,計画的ランドマークに基づく目標認識手法において,初期状態の一部であるランドマークを使用するメリットがないことを示す。 実験結果から,目標認識のための初期状態のランドマークを省略することで,目標認識性能が向上することが示された。
  論文  参考訳（メタデータ） (2023-06-27T10:20:28Z)
• Investigating the Combination of Planning-Based and Data-Driven Methods for Goal Recognition [7.620967781722714]
  現実の環境での2つの最先端計画に基づく計画認識手法の適用について検討する。 このようなアプローチは、人間の行動が完全に合理的ではないため、人間の目標を認識する上では困難であることを示す。 本研究では,観察行動データに基づいて学習した分類に基づく手法により,既存の手法の拡張を提案する。
  論文  参考訳（メタデータ） (2023-01-13T15:24:02Z)
• Goal Recognition as a Deep Learning Task: the GRNet Approach [0.0]
  自動計画において、観察の痕跡からエージェントのゴールを認識することは、多くのアプリケーションにとって重要な課題である。 本稿では,機械学習によって対処される分類課題としてゴール認識を定式化する手法について検討する。 GRNetと呼ばれる私たちのアプローチは、主に、特定のドメインでそれを解決する方法を学ぶことによって、ゴール認識をより正確かつ高速にすることを目的としています。
  論文  参考訳（メタデータ） (2022-10-05T16:42:48Z)
• C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
  ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。 本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。 E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
  論文  参考訳（メタデータ） (2021-10-22T22:05:31Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation [81.03485688525133]
  Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。 具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。 さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
  論文  参考訳（メタデータ） (2021-04-06T13:12:51Z)
• AR-Net: Adaptive Frame Resolution for Efficient Action Recognition [70.62587948892633]
  行動認識はコンピュータビジョンにおいてオープンで困難な問題である。 本稿では,入力に条件付けされた各フレームの最適な解像度をオンザフライで選択し,効率的な動作認識を実現する,AR-Netと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-31T01:36:04Z)
• The More the Merrier?! Evaluating the Effect of Landmark Extraction Algorithms on Landmark-Based Goal Recognition [25.6019435583572]
  古典的計画領域を用いた目標認識と計画認識への近年のアプローチは、認識時間と精度の両面から、技術結果の状態を達成している。 このような高速な認識時間を達成するために、これらの手法は効率的だが不完全であり、ドメインや問題を計画するためのランドマークのサブセットだけを抽出するアルゴリズムを使用する。 本稿では,各計画問題に対して,ランドマークの大部分を抽出できる種々のランドマーク抽出アルゴリズムを用いることによる影響と効果について検討する。
  論文  参考訳（メタデータ） (2020-05-06T17:41:19Z)

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。