論文の概要: Deep Reinforcement Learning for Localizability-Enhanced Navigation in Dynamic Human Environments

• arxiv url: http://arxiv.org/abs/2303.12354v1
• Date: Wed, 22 Mar 2023 07:44:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 15:01:31.146518
• Title: Deep Reinforcement Learning for Localizability-Enhanced Navigation in Dynamic Human Environments
• Title（参考訳）: 動的環境における局所性強化ナビゲーションのための深層強化学習
• Authors: Yuan Chen, Quecheng Qiu, Xiangyu Liu, Guangda Chen, Shunyi Yao, Jie Peng, Jianmin Ji and Yanyong Zhang
• Abstract要約: 自律ロボットにとって、信頼性の高いローカライゼーションは、効率的かつ安全にナビゲートすることが不可欠である。 深部強化学習による局所化可能性向上ナビゲーションのための新しい手法を提案する。 従来は見られなかった環境下では, 損失率と到着率に大きな改善が見られた。
• 参考スコア（独自算出の注目度）: 16.25625435648576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable localization is crucial for autonomous robots to navigate efficiently and safely. Some navigation methods can plan paths with high localizability (which describes the capability of acquiring reliable localization). By following these paths, the robot can access the sensor streams that facilitate more accurate location estimation results by the localization algorithms. However, most of these methods require prior knowledge and struggle to adapt to unseen scenarios or dynamic changes. To overcome these limitations, we propose a novel approach for localizability-enhanced navigation via deep reinforcement learning in dynamic human environments. Our proposed planner automatically extracts geometric features from 2D laser data that are helpful for localization. The planner learns to assign different importance to the geometric features and encourages the robot to navigate through areas that are helpful for laser localization. To facilitate the learning of the planner, we suggest two techniques: (1) an augmented state representation that considers the dynamic changes and the confidence of the localization results, which provides more information and allows the robot to make better decisions, (2) a reward metric that is capable to offer both sparse and dense feedback on behaviors that affect localization accuracy. Our method exhibits significant improvements in lost rate and arrival rate when tested in previously unseen environments.
• Abstract（参考訳）: 自律的なロボットが効率的に安全に移動するためには、信頼性の高い位置決めが不可欠である。 いくつかのナビゲーション手法は、高いローカライズ可能なパス(信頼性のあるローカライゼーションを取得する能力を記述する)を計画することができる。 これらの経路に従うことで、ロボットはセンサーストリームにアクセスでき、ローカライゼーションアルゴリズムによりより正確な位置推定結果が得られる。 しかし、これらの手法の多くは事前の知識を必要とし、目に見えないシナリオや動的な変化に適応するのに苦労する。 これらの制約を克服するために,動的環境下での深層強化学習による局所化可能性向上ナビゲーション手法を提案する。 提案するプランナーは,局所化に有用な2次元レーザーデータから幾何学的特徴を自動的に抽出する。 プランナーは幾何学的特徴に異なる重要性を割り当てることを学び、レーザーローカライゼーションに役立つ領域をロボットにナビゲートするよう促す。 プランナーの学習を容易にするために,(1)動的変化と局所化結果の信頼性を考慮し,より情報を提供し,ロボットがより良い判断を下すことができる強化状態表現,(2)局所化精度に影響を与える行動に対する疎度と密度の両方のフィードバックを提供することができる報酬指標,の2つの手法を提案する。 従来は見られなかった環境下では, 損失率と到着率に大きな改善が見られた。

関連論文リスト

• 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)
• CorNav: Autonomous Agent with Self-Corrected Planning for Zero-Shot Vision-and-Language Navigation [73.78984332354636]
  CorNavは視覚・言語ナビゲーションのための新しいゼロショットフレームワークである。 将来の計画の見直しや行動調整のための環境フィードバックが組み込まれている。 ゼロショットマルチタスク設定ですべてのベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2023-06-17T11:44:04Z)
• 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)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• XAI-N: Sensor-based Robot Navigation using Expert Policies and Decision Trees [55.9643422180256]
  本稿では,ロボットの密集した動的環境における衝突のない軌道を計算するためのセンサベース学習ナビゲーションアルゴリズムを提案する。 我々のアプローチは、sim2realパラダイムを用いて訓練された深層強化学習に基づくエキスパートポリシーを使用する。 シミュレーション環境でのアルゴリズムの利点を強調し、移動中の歩行者の間でClearpath Jackalロボットをナビゲートする。
  論文  参考訳（メタデータ） (2021-04-22T01:33:10Z)
• Indoor Point-to-Point Navigation with Deep Reinforcement Learning and Ultra-wideband [1.6799377888527687]
  移動障害や非視線発生はノイズや信頼性の低い信号を生成する。 深部強化学習(RL)で学習した電力効率のよい局所プランナーが,ノイズショートレンジ誘導システムの完全解法として頑健かつ弾力性を持つことを示す。 この結果から, 計算効率のよいエンドツーエンドポリシは, 堅牢でスケーラブルで, 最先端の低コストナビゲーションシステムを実現することができることがわかった。
  論文  参考訳（メタデータ） (2020-11-18T12:30:36Z)
• Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning on Graphs [5.043563227694137]
  本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。 本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-24T16:50:41Z)
• Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach [14.356113113268389]
  Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。 これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。 環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
  論文  参考訳（メタデータ） (2020-05-27T23:10:15Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。