論文の概要: Reinforcement Learning with Frontier-Based Exploration via Autonomous Environment

• arxiv url: http://arxiv.org/abs/2307.07296v1
• Date: Fri, 14 Jul 2023 12:19:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 14:14:19.867126
• Title: Reinforcement Learning with Frontier-Based Exploration via Autonomous Environment
• Title（参考訳）: 自律環境を利用したフロンティア探索による強化学習
• Authors: Kenji Leong
• Abstract要約: この研究は、ExploreORBとして知られる既存のVisual-Graph SLAMと強化学習を組み合わせたものである。 提案アルゴリズムは、フロンティアの探索プロセスを最適化し、より正確な地図を作成することにより、ExploreORBの効率と精度を向上させることを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Active Simultaneous Localisation and Mapping (SLAM) is a critical problem in autonomous robotics, enabling robots to navigate to new regions while building an accurate model of their surroundings. Visual SLAM is a popular technique that uses virtual elements to enhance the experience. However, existing frontier-based exploration strategies can lead to a non-optimal path in scenarios where there are multiple frontiers with similar distance. This issue can impact the efficiency and accuracy of Visual SLAM, which is crucial for a wide range of robotic applications, such as search and rescue, exploration, and mapping. To address this issue, this research combines both an existing Visual-Graph SLAM known as ExploreORB with reinforcement learning. The proposed algorithm allows the robot to learn and optimize exploration routes through a reward-based system to create an accurate map of the environment with proper frontier selection. Frontier-based exploration is used to detect unexplored areas, while reinforcement learning optimizes the robot's movement by assigning rewards for optimal frontier points. Graph SLAM is then used to integrate the robot's sensory data and build an accurate map of the environment. The proposed algorithm aims to improve the efficiency and accuracy of ExploreORB by optimizing the exploration process of frontiers to build a more accurate map. To evaluate the effectiveness of the proposed approach, experiments will be conducted in various virtual environments using Gazebo, a robot simulation software. Results of these experiments will be compared with existing methods to demonstrate the potential of the proposed approach as an optimal solution for SLAM in autonomous robotics.
• Abstract（参考訳）: Active Simultaneous Localisation and Mapping (SLAM)は、自律ロボット工学において重要な問題であり、ロボットが周囲の正確なモデルを構築しながら、新しい領域への移動を可能にする。 Visual SLAMは、仮想要素を使用してエクスペリエンスを向上する一般的なテクニックです。 しかし、既存のフロンティアベースの探索戦略は、同じ距離の複数のフロンティアが存在するシナリオにおいて、非最適経路につながる可能性がある。 この問題は、探索や救助、探索、マッピングなど、幅広いロボットアプリケーションに不可欠なVisual SLAMの効率と正確性に影響を与える可能性がある。 この問題を解決するために、ExploreORBとして知られる既存のVisual-Graph SLAMと強化学習を組み合わせる。 提案アルゴリズムにより、ロボットは報酬に基づく探索経路を学習し、最適化し、適切なフロンティア選択による環境の正確なマップを作成することができる。 辺境に基づく探索は未探索領域の検出に使用され、強化学習は最適な辺境点に対する報酬を割り当てることでロボットの動きを最適化する。 次にグラフSLAMを使用して、ロボットの知覚データを統合し、環境の正確なマップを構築する。 提案アルゴリズムは、フロンティアの探索プロセスを最適化し、より正確な地図を作成することにより、ExploreORBの効率と精度を向上させることを目的としている。 提案手法の有効性を評価するため,ロボットシミュレーションソフトウェアであるGazeboを用いて,様々な仮想環境で実験を行う。 これらの実験の結果は、自律ロボット工学におけるSLAMの最適解として提案されたアプローチの可能性を示す既存の手法と比較される。

関連論文リスト

• FrontierNet: Learning Visual Cues to Explore [54.8265603996238]
  この研究は、3Dマップからゴールポーズを抽出する制限に対処するため、効率的な自律探索に2Dビジュアルキューを活用することを目的としている。 本研究では,FrontierNetをコアコンポーネントとする画像のみのフロンティア探索システムを提案する。 提案手法は既存の3次元探査システムに代わるもので,早期探査効率が16%向上した。
  論文  参考訳（メタデータ） (2025-01-08T16:25:32Z)
• SPACE: 3D Spatial Co-operation and Exploration Framework for Robust Mapping and Coverage with Multi-Robot Systems [0.0]
  マルチロボット・ヴィジュアル(RGB-D)マッピングと探索は、国内サービスやロジスティクスといった分野への応用にとって大きな可能性を秘めている。 主な課題は,(1)ロボットの視点の重なりによる「ゴースト・トレイル」効果,(2)探索のための最も効果的なフロンティアを選択する際の視覚再建の監督である。 室内環境における空間協調のための半分散型フレームワーク(SPACE)を提案する。
  論文  参考訳（メタデータ） (2024-11-04T19:04:09Z)
• 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)
• Active Visual Localization for Multi-Agent Collaboration: A Data-Driven Approach [47.373245682678515]
  本研究は、視点変化の課題を克服するために、アクティブな視覚的ローカライゼーションをどのように利用できるかを検討する。 具体的には、与えられた場所における最適な視点を選択する問題に焦点をあてる。 その結果,既存の手法と比較して,データ駆動方式の方が優れた性能を示した。
  論文  参考訳（メタデータ） (2023-10-04T08:18:30Z)
• SEAL: Simultaneous Exploration and Localization in Multi-Robot Systems [0.0]
  本稿では,新しい同時探索と局所化手法を提案する。 相対的なローカライゼーションのために通信グラフ最適化を行いながら、最大探索に情報融合を用いる。 広範囲なROS-Gazeboシミュレーションにおける探索および位置決め性能のショートエッジ法より優れたSEAL
  論文  参考訳（メタデータ） (2023-06-22T01:27:55Z)
• 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)
• Rapid Exploration for Open-World Navigation with Latent Goal Models [78.45339342966196]
  多様なオープンワールド環境における自律的な探索とナビゲーションのためのロボット学習システムについて述べる。 本手法のコアとなるのは、画像の非パラメトリックトポロジカルメモリとともに、距離と行動の学習された潜在変数モデルである。 学習方針を規則化するために情報ボトルネックを使用し、(i)目標のコンパクトな視覚的表現、(ii)一般化能力の向上、(iii)探索のための実行可能な目標をサンプリングするためのメカニズムを提供する。
  論文  参考訳（メタデータ） (2021-04-12T23:14:41Z)
• 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)
• Frontier Detection and Reachability Analysis for Efficient 2D Graph-SLAM Based Active Exploration [39.77922214957476]
  サブマップ作成のための基盤SLAMモジュールとして,Cartographer法を利用したアクティブな探索手法を提案する。 また,検出されたフロンティアにロボットが到達できるように,フロンティアとそのクラスタの到達可能性の解析を行う。
  論文  参考訳（メタデータ） (2020-09-07T03:13:47Z)

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。