論文の概要: GUTS: Generalized Uncertainty-Aware Thompson Sampling for Multi-Agent Active Search

• arxiv url: http://arxiv.org/abs/2304.02075v1
• Date: Tue, 4 Apr 2023 18:58:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 14:26:08.069143
• Title: GUTS: Generalized Uncertainty-Aware Thompson Sampling for Multi-Agent Active Search
• Title（参考訳）: GUTS:マルチエージェントアクティブ検索のための一般化された不確実性認識トンプソンサンプリング
• Authors: Nikhil Angad Bakshi, Tejus Gupta, Ramina Ghods, Jeff Schneider
• Abstract要約: 一般化された不確実性認識型トンプソンサンプリング (GUTS) アルゴリズムは, 大規模非構造環境における能動探索のための異種マルチロボットシステムへの展開に適したアルゴリズムである。 探索面積が75,000 sq.mの非構造環境におけるマルチロボットシステムを用いたフィールドテストを行った。
• 参考スコア（独自算出の注目度）: 5.861092453610268
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robotic solutions for quick disaster response are essential to ensure minimal loss of life, especially when the search area is too dangerous or too vast for human rescuers. We model this problem as an asynchronous multi-agent active-search task where each robot aims to efficiently seek objects of interest (OOIs) in an unknown environment. This formulation addresses the requirement that search missions should focus on quick recovery of OOIs rather than full coverage of the search region. Previous approaches fail to accurately model sensing uncertainty, account for occlusions due to foliage or terrain, or consider the requirement for heterogeneous search teams and robustness to hardware and communication failures. We present the Generalized Uncertainty-aware Thompson Sampling (GUTS) algorithm, which addresses these issues and is suitable for deployment on heterogeneous multi-robot systems for active search in large unstructured environments. We show through simulation experiments that GUTS consistently outperforms existing methods such as parallelized Thompson Sampling and exhaustive search, recovering all OOIs in 80% of all runs. In contrast, existing approaches recover all OOIs in less than 40% of all runs. We conduct field tests using our multi-robot system in an unstructured environment with a search area of approximately 75,000 sq. m. Our system demonstrates robustness to various failure modes, achieving full recovery of OOIs (where feasible) in every field run, and significantly outperforming our baseline.
• Abstract（参考訳）: 迅速な災害対応のためのロボットソリューションは、特に捜索エリアが危険すぎる場合や、救助者にとって大きすぎる場合に、最小限の命の損失を確保するために不可欠である。 我々は,この問題を非同期多エージェント能動探索タスクとしてモデル化し,各ロボットが未知の環境下で効率よく関心対象(OOI)を探索することを目的とする。 この定式化は、検索ミッションは、検索領域を完全にカバーするのではなく、OOIの迅速な回復に焦点を当てるべきである、という要求に対処する。 以前のアプローチでは、不確実性を正確にモデル化することはできず、葉や地形による閉塞を考慮したり、異種探索チームの必要性やハードウェアや通信障害に対する堅牢性を考慮していた。 本稿では、これらの問題に対処し、大規模非構造環境における能動探索のための異種マルチロボットシステムへの展開に適した一般化不確実性対応トンプソンサンプリング(GUTS)アルゴリズムを提案する。 シミュレーション実験により,GUTSは並列化トンプソンサンプリングや網羅探索などの既存の手法を一貫して上回り,全走行の80%で全OOIを回復することを示した。 対照的に、既存のアプローチはすべてのOOIを全体の40%以下で回収する。 探索面積が約75,000 sqの非構造環境で, マルチロボットシステムを用いてフィールドテストを行う。 m. 我々のシステムは、様々な障害モードに対して堅牢性を示し、各フィールドにおけるOOIの完全なリカバリを実現し、ベースラインを大幅に上回っている。

関連論文リスト

• Evaluating Robustness of Generative Search Engine on Adversarial Factual Questions [89.35345649303451]
  生成検索エンジンは、人々がオンラインで情報を求める方法を変える可能性を秘めている。 しかし,既存の大規模言語モデル(LLM)が支援する生成検索エンジンからの応答は必ずしも正確ではない。 検索強化世代は、敵がシステム全体を回避できるため、安全上の懸念を増す。
  論文  参考訳（メタデータ） (2024-02-25T11:22:19Z)
• From Simulations to Reality: Enhancing Multi-Robot Exploration for Urban Search and Rescue [46.377510400989536]
  本研究では,コミュニケーションが限られ,位置情報がない未知の環境での効率的なマルチロボット探索のための新しいハイブリッドアルゴリズムを提案する。 連続した目標情報なしでシナリオに合うように、ローカルなベストとグローバルなベストポジションを再定義する。 提示された研究は、限られた情報と通信能力を持つシナリオにおけるマルチロボット探索の強化を約束している。
  論文  参考訳（メタデータ） (2023-11-28T17:05:25Z)
• Adversarial Search and Tracking with Multiagent Reinforcement Learning in Sparsely Observable Environment [7.195547595036644]
  本研究では,探索・追跡(S&T)問題として,動的探索エージェントのチームが協調して,敵対的,回避的エージェントを追跡することを提案する。 この問題は, モデルベース探索・強化学習(RL)手法の両手法において, 探索エージェントのスパース検出に繋がる大規模な空間において, 反抗的かつ詐欺的回避行動を示すため, 課題となる。 本稿では,学習可能なフィルタリングモデルから推定逆位置を利用する新しいMulti-Agent RL(MARL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-20T05:31:13Z)
• Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
  現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。 標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。 我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。 本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
  論文  参考訳（メタデータ） (2023-04-01T15:50:18Z)
• Heuristic-free Optimization of Force-Controlled Robot Search Strategies in Stochastic Environments [13.622757453459748]
  比較的単純なペグ・イン・ホールのタスクであっても、通常、穴のような関連する特徴を見つけるために探索動作を必要とする。 本稿では,検索戦略を最適化するための自動,データ駆動型,条件付フリーな手法を提案する。 我々は、THT電子部品のスパイラルとプローブ探索の文脈において、2つの異なる産業用ロボットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-07-15T15:16:08Z)
• Loss Function Discovery for Object Detection via Convergence-Simulation Driven Search [101.73248560009124]
  本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。 一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。 実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-09T08:34:52Z)
• Multi-Agent Active Search using Realistic Depth-Aware Noise Model [8.520962086877548]
  未知の環境における関心のある物体の活発な探索には、探索と救助、ガス漏れの検出、動物の密猟者の発見など、多くのロボティクスの応用がある。 既存のアルゴリズムでは、対象物の位置精度を優先することが多いが、距離や視線の関数としての物体検出の信頼性などの実用的問題は無視されている。 モノクラー光学画像と深度マップからの2つの感覚情報に基づいて,複数の地上ロボットに対して,これらの問題に対処するアルゴリズムをNATS(Noss-Aware Thompson Sampling)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-09T23:20:55Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Asynchronous Multi Agent Active Search [6.587280549237275]
  SPATS (Sparse Parallel Asynchronous Thompson Smpling) とLATSI (Laplace Thompson Smpling with Information gain) という2つの異なる能動探索アルゴリズムを提案する。 ターゲットは、圧縮的な検知仮定に従って、環境の周囲にわずかに配置されているとみなす。 提案アルゴリズムの有効性を実証するために,シミュレーション結果と理論的解析結果を提供する。
  論文  参考訳（メタデータ） (2020-06-25T22:17:20Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。