論文の概要: Optimal active particle navigation meets machine learning

• arxiv url: http://arxiv.org/abs/2303.05558v1
• Date: Thu, 9 Mar 2023 19:48:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 16:53:49.226439
• Title: Optimal active particle navigation meets machine learning
• Title（参考訳）: 機械学習に最適なアクティブ粒子ナビゲーション
• Authors: Mahdi Nasiri, Hartmut L\"owen, Benno Liebchen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The question of how "smart" active agents, like insects, microorganisms, or future colloidal robots need to steer to optimally reach or discover a target, such as an odor source, food, or a cancer cell in a complex environment has recently attracted great interest. Here, we provide an overview of recent developments, regarding such optimal navigation problems, from the micro- to the macroscale, and give a perspective by discussing some of the challenges which are ahead of us. Besides exemplifying an elementary approach to optimal navigation problems, the article focuses on works utilizing machine learning-based methods. Such learning-based approaches can uncover highly efficient navigation strategies even for problems that involve e.g. chaotic, high-dimensional, or unknown environments and are hardly solvable based on conventional analytical or simulation methods.
• Abstract（参考訳）: 昆虫、微生物、将来のコロイドロボットといった「スマート」な活性物質が、複雑な環境下での匂い源や食品、がん細胞といった標的に最適な到達や発見をいかにする必要があるかという疑問は、最近大きな関心を集めている。 本稿では、マイクロからマクロスケールまで、このような最適な航法問題に関する最近の展開の概要を述べるとともに、我々の先にある課題のいくつかを議論することによる視点を与える。 最適なナビゲーション問題に対する基本的なアプローチの例示に加えて,機械学習による手法の活用にも焦点をあてる。 このような学習に基づくアプローチは、カオス、高次元、未知の環境などを含む問題に対してさえ、非常に効率的なナビゲーション戦略を明らかにすることができ、従来の分析手法やシミュレーション手法では解決できない。

関連論文リスト

• Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
  本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。 そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。 Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
  論文  参考訳（メタデータ） (2024-08-29T20:22:22Z)
• Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
  ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。 具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。 実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-30T23:20:23Z)
• Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review [0.0]
  レビュー記事は、主要な機能を扱うために使用される、最近のAIベースのテクニックをすべて調査する試みである。 Paperは、自律的なナビゲーションとディープラーニングのギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-02-22T01:42:49Z)
• Learning Robotic Navigation from Experience: Principles, Methods, and Recent Results [94.60414567852536]
  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。
  論文  参考訳（メタデータ） (2022-12-13T17:41:58Z)
• Reinforcement learning of optimal active particle navigation [0.0]
  我々は、自己推進エージェントの勾配最適経路を決定できる機械学習ベースのアプローチを開発した。 本手法は,政策に基づく深層学習強化技術に頼り,報酬形成や計算を一切必要としない。 提案手法は,現在の解析手法に代わる強力な代替手段を提供し,将来のインテリジェント粒子のためのユニバーサルパスプランナーへの道を開く。
  論文  参考訳（メタデータ） (2022-02-01T23:47:59Z)
• Human-Aware Robot Navigation via Reinforcement Learning with Hindsight Experience Replay and Curriculum Learning [28.045441768064215]
  強化学習アプローチは、シーケンシャルな意思決定問題を解決する優れた能力を示している。 本研究では,実演データを使わずにRLエージェントを訓練する作業を検討する。 密集層における最適なナビゲーションポリシーを効率的に学習するために,後視体験リプレイ(HER)とカリキュラム学習(CL)技術をRLに組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-10-09T13:18:11Z)
• 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)
• 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)
• Low Dimensional State Representation Learning with Reward-shaped Priors [7.211095654886105]
  本研究では,観測結果から低次元状態空間への写像の学習を目的とした手法を提案する。 このマッピングは、環境とタスクの事前知識を組み込むために形作られた損失関数を用いて教師なしの学習で学習される。 本手法は,シミュレーション環境における移動ロボットナビゲーションタスクおよび実ロボット上でのテストを行う。
  論文  参考訳（メタデータ） (2020-07-29T13:00:39Z)
• 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。