論文の概要: Holistic Deep-Reinforcement-Learning-based Training of Autonomous
Navigation Systems
- arxiv url: http://arxiv.org/abs/2302.02921v1
- Date: Mon, 6 Feb 2023 16:52:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 16:03:11.749401
- Title: Holistic Deep-Reinforcement-Learning-based Training of Autonomous
Navigation Systems
- Title（参考訳）: 総合的深層強化学習に基づく自律ナビゲーションシステムの訓練
- Authors: Linh K\"astner, Marvin Meusel, Teham Bhuiyan, and Jens Lambrecht
- Abstract要約: Deep Reinforcement Learningは、地上車両の自律的なナビゲーションのための有望なアプローチとして登場した。
本稿では,ナビゲーションスタックの全要素を含む総合的な深層強化学習手法を提案する。
- 参考スコア（独自算出の注目度）: 4.409836695738518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, Deep Reinforcement Learning emerged as a promising approach
for autonomous navigation of ground vehicles and has been utilized in various
areas of navigation such as cruise control, lane changing, or obstacle
avoidance. However, most research works either focus on providing an end-to-end
solution training the whole system using Deep Reinforcement Learning or focus
on one specific aspect such as local motion planning. This however, comes along
with a number of problems such as catastrophic forgetfulness, inefficient
navigation behavior, and non-optimal synchronization between different entities
of the navigation stack. In this paper, we propose a holistic Deep
Reinforcement Learning training approach in which the training procedure is
involving all entities of the navigation stack. This should enhance the
synchronization between- and understanding of all entities of the navigation
stack and as a result, improve navigational performance. We trained several
agents with a number of different observation spaces to study the impact of
different input on the navigation behavior of the agent. In profound
evaluations against multiple learning-based and classic model-based navigation
approaches, our proposed agent could outperform the baselines in terms of
efficiency and safety attaining shorter path lengths, less roundabout paths,
and less collisions.
- Abstract（参考訳）: 近年、Deep Reinforcement Learningは、地上車両の自律走行のための有望なアプローチとして登場し、クルーズ制御、車線変更、障害物回避といった様々なナビゲーションの分野で利用されてきた。
しかし、ほとんどの研究は、深層強化学習を使用してシステム全体をトレーニングするエンドツーエンドソリューションの提供や、局所的なモーションプランニングのような1つの特定の側面に焦点を当てている。
しかしこれは、破滅的な忘れやすさ、非効率なナビゲーション動作、ナビゲーションスタックの異なるエンティティ間の最適でない同期など、多くの問題と共に生じる。
本稿では,ナビゲーションスタックのすべての要素を学習手順に含める,総合的な深層強化学習訓練手法を提案する。
これによってナビゲーションスタックの全エンティティの同期と理解が向上し、結果としてナビゲーション性能が向上するはずだ。
複数の異なる観測空間を持つエージェントを訓練し、異なる入力がエージェントのナビゲーション行動に与える影響について検討した。
複数の学習ベースおよび古典的モデルベースナビゲーションアプローチに対する深い評価において,提案手法は,経路長の短縮,周航路の短縮,衝突の低減といった点において,効率と安全性において基準線を上回り得る。
関連論文リスト
- Two-Stage Depth Enhanced Learning with Obstacle Map For Object Navigation [11.667940255053582]
本稿では,RGBとトレーニングシーンの深度情報を用いて特徴抽出器の事前訓練を行い,ナビゲーション効率を向上する。
提案手法をAI2-ThorとRobothorで評価し,成功率と航法効率において最先端(SOTA)法を著しく上回っていることを示した。
論文 参考訳（メタデータ） (2024-06-20T08:35:10Z) - Learning Robust Autonomous Navigation and Locomotion for Wheeled-Legged Robots [50.02055068660255]
都市環境のナビゲーションは、ロボットにとってユニークな課題であり、移動とナビゲーションのための革新的なソリューションを必要としている。
本研究は, 適応移動制御, 移動対応ローカルナビゲーション計画, 市内の大規模経路計画を含む, 完全に統合されたシステムを導入する。
モデルフリー強化学習(RL)技術と特権学習を用いて,多目的移動制御系を開発した。
私たちのコントローラーは大規模な都市航法システムに統合され、スイスのチューリッヒとスペインのセビリアで自律的、キロメートル規模の航法ミッションによって検証されます。
論文 参考訳（メタデータ） (2024-05-03T00:29:20Z) - TOP-Nav: Legged Navigation Integrating Terrain, Obstacle and Proprioception Estimation [5.484041860401147]
TOP-Navは、包括的パスプランナーとTerran認識、Obstacle回避、クローズループプロプライオセプションを統合した、新しい脚付きナビゲーションフレームワークである。
そこで,TOP-Navは,従来の知識の分布を超えた地形や乱れをロボットが扱えるように,オープンワールドナビゲーションを実現する。
論文 参考訳（メタデータ） (2024-04-23T17:42:45Z) - ETPNav: Evolving Topological Planning for Vision-Language Navigation in
Continuous Environments [56.194988818341976]
視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。
本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。
ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
論文 参考訳（メタデータ） (2023-04-06T13:07:17Z) - Robot path planning using deep reinforcement learning [0.0]
強化学習法は、地図のないナビゲーションタスクに代わる手段を提供する。
障害物回避と目標指向ナビゲーションタスクの両方に深部強化学習エージェントを実装した。
報酬関数の変更によるエージェントの挙動と性能の変化を解析する。
論文 参考訳（メタデータ） (2023-02-17T20:08:59Z) - Augmented reality navigation system for visual prosthesis [67.09251544230744]
反応ナビゲーションと経路計画のソフトウェアを組み込んだ視覚補綴用拡張現実ナビゲーションシステムを提案する。
対象を地図上に配置し、対象の軌道を計画し、対象に示し、障害なく再計画する。
その結果,目標を達成するための時間と距離を減らし,障害物衝突の回数を大幅に減らし,航法性能の向上を図っている。
論文 参考訳（メタデータ） (2021-09-30T09:41:40Z) - Adversarial Reinforced Instruction Attacker for Robust Vision-Language
Navigation [145.84123197129298]
自然言語に基づくナビゲーションタスクでは,言語指導が重要な役割を担っている。
より堅牢なナビゲータを訓練し、長い指導から重要な要素を動的に抽出する。
具体的には,航法士が間違った目標に移動することを誤認することを学習する動的強化命令攻撃装置(DR-Attacker)を提案する。
論文 参考訳（メタデータ） (2021-07-23T14:11:31Z) - 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) - Connecting Deep-Reinforcement-Learning-based Obstacle Avoidance with
Conventional Global Planners using Waypoint Generators [1.4680035572775534]
深層強化学習は,高動的環境において効率的な動的障害物回避手法として出現した。
深層強化学習を既存のナビゲーションシステムに統合することは、深層強化学習に基づくナビゲーションの明快な性質のため、まだ未開のフロンティアである。
論文 参考訳（メタデータ） (2021-04-08T10:23:23Z) - Towards Deployment of Deep-Reinforcement-Learning-Based Obstacle
Avoidance into Conventional Autonomous Navigation Systems [10.349425078806751]
深層強化学習は、過度に保守的なアプローチを置き換える代替計画方法として登場した。
深層強化学習アプローチは、局所ミニマに対する傾向のため、長距離ナビゲーションには適していません。
本論文では,従来のナビゲーションスタックに深層強化学習に基づくローカルプランナーを組み込んだナビゲーションシステムを提案する。
論文 参考訳（メタデータ） (2021-04-08T08:56:53Z) - Active Visual Information Gathering for Vision-Language Navigation [115.40768457718325]
視覚言語ナビゲーション(VLN)は、エージェントがフォトリアリスティックな環境の中でナビゲーションの指示を行うためのタスクである。
VLNの重要な課題の1つは、曖昧な指示による不確実性を緩和し、環境の観察を不十分にすることで、堅牢なナビゲーションを行う方法である。
この研究は、人間のナビゲーション行動からインスピレーションを得て、よりインテリジェントなVLNポリシーのためのアクティブな情報収集能力を持つエージェントを提供する。
論文 参考訳（メタデータ） (2020-07-15T23:54:20Z)
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。