論文の概要: Real-time goal recognition using approximations in Euclidean space

• arxiv url: http://arxiv.org/abs/2307.07876v2
• Date: Fri, 23 Aug 2024 20:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 01:07:17.662416
• Title: Real-time goal recognition using approximations in Euclidean space
• Title（参考訳）: ユークリッド空間における近似を用いたリアルタイム目標認識
• Authors: Douglas Tesch, Leonardo Rosa Amado, Felipe Meneguzzi,
• Abstract要約: 本研究では,個別領域における各目標に対するプランナーへの1回の呼び出し,あるいは連続領域における計算負担を軽減する簡易な動作モデルのいずれかに依存する,効率的なゴール認識手法を開発する。 結果として得られたアプローチは、現在の最先端技術よりもはるかに高速な認識順序のオンラインコンポーネントを実行し、サブ秒単位の認識を必要とするロボティクスアプリケーションに効果的に使用できる最初のオンライン手法となった。
• 参考スコア（独自算出の注目度）: 10.003540430416091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While recent work on online goal recognition efficiently infers goals under low observability, comparatively less work focuses on online goal recognition that works in both discrete and continuous domains. Online goal recognition approaches often rely on repeated calls to the planner at each new observation, incurring high computational costs. Recognizing goals online in continuous space quickly and reliably is critical for any trajectory planning problem since the real physical world is fast-moving, e.g. robot applications. We develop an efficient method for goal recognition that relies either on a single call to the planner for each possible goal in discrete domains or a simplified motion model that reduces the computational burden in continuous ones. The resulting approach performs the online component of recognition orders of magnitude faster than the current state of the art, making it the first online method effectively usable for robotics applications that require sub-second recognition.
• Abstract（参考訳）: オンラインゴール認識に関する最近の研究は、低可観測性の下でゴールを効率的に推測する一方で、比較的少ない作業は、離散的ドメインと連続的なドメインの両方で機能するオンラインゴール認識に焦点を当てている。 オンラインゴール認識アプローチは、しばしば、新しい観測ごとにプランナーへの繰り返しの呼び出しに依存し、高い計算コストを発生させる。 現実の物理世界は高速移動しているため、連続空間における目標を迅速かつ確実に認識することは、軌道計画問題にとって極めて重要である。 本研究では,個別領域における各目標に対するプランナーへの1回の呼び出し,あるいは連続領域における計算負担を軽減する簡易な動作モデルのいずれかに依存する,効率的なゴール認識手法を開発する。 結果として得られたアプローチは、現在の最先端技術よりもはるかに高速な認識順序のオンラインコンポーネントを実行し、秒以下の認識を必要とするロボティクスアプリケーションに効果的に使用できる最初のオンライン手法となった。

関連論文リスト

• KOI: Accelerating Online Imitation Learning via Hybrid Key-state Guidance [51.09834120088799]
  キーステートガイド付きオンライン模倣(KOI)学習手法について紹介する。 我々は視覚言語モデルを用いて、専門家の軌跡から意味的キー状態を抽出し、「何をすべきか」の目的を示す。 セマンティックキー状態間の間隔内では、動作キー状態の捕捉に光流が使用され、「どうするか」のメカニズムが理解される。
  論文  参考訳（メタデータ） (2024-08-06T02:53:55Z)
• Algorithm Design for Online Meta-Learning with Task Boundary Detection [63.284263611646]
  非定常環境におけるタスクに依存しないオンラインメタ学習のための新しいアルゴリズムを提案する。 まず,タスクスイッチと分散シフトの簡易かつ効果的な2つの検出機構を提案する。 軽度条件下では,線形タスク平均的後悔がアルゴリズムに対して達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T04:02:49Z)
• Leveraging Planning Landmarks for Hybrid Online Goal Recognition [7.690707525070737]
  本稿では,象徴的な計画的ランドマークに基づくアプローチとデータ駆動型目標認識アプローチを組み合わせた,オンライン目標認識のためのハイブリッド手法を提案する。 提案手法は最先端技術よりも計算時間をはるかに効率よくするが,目標認識性能も向上する。
  論文  参考訳（メタデータ） (2023-01-25T13:21:30Z)
• Investigating the Combination of Planning-Based and Data-Driven Methods for Goal Recognition [7.620967781722714]
  現実の環境での2つの最先端計画に基づく計画認識手法の適用について検討する。 このようなアプローチは、人間の行動が完全に合理的ではないため、人間の目標を認識する上では困難であることを示す。 本研究では,観察行動データに基づいて学習した分類に基づく手法により,既存の手法の拡張を提案する。
  論文  参考訳（メタデータ） (2023-01-13T15:24:02Z)
• Goal Recognition as a Deep Learning Task: the GRNet Approach [0.0]
  自動計画において、観察の痕跡からエージェントのゴールを認識することは、多くのアプリケーションにとって重要な課題である。 本稿では,機械学習によって対処される分類課題としてゴール認識を定式化する手法について検討する。 GRNetと呼ばれる私たちのアプローチは、主に、特定のドメインでそれを解決する方法を学ぶことによって、ゴール認識をより正確かつ高速にすることを目的としています。
  論文  参考訳（メタデータ） (2022-10-05T16:42:48Z)
• Planning to Practice: Efficient Online Fine-Tuning by Composing Goals in Latent Space [76.46113138484947]
  汎用ロボットは、現実世界の非構造環境において困難なタスクを完了するために、多様な行動レパートリーを必要とする。 この問題に対処するため、目標条件強化学習は、コマンド上の幅広いタスクの目標に到達可能なポリシーを取得することを目的としている。 本研究では,長期的課題に対する目標条件付き政策を実践的に訓練する手法であるPlanning to Practiceを提案する。
  論文  参考訳（メタデータ） (2022-05-17T06:58:17Z)
• Goal Recognition as Reinforcement Learning [20.651718821998106]
  モデルレス強化学習と目標認識を組み合わせたフレームワークを開発する。 このフレームワークは、2つの主要なステージで構成されている。 その結果、標準評価領域における目標認識器に対する最先端の性能とノイズの多い環境における優れた性能が達成される。
  論文  参考訳（メタデータ） (2022-02-13T16:16:43Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
  ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。 本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。 E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
  論文  参考訳（メタデータ） (2021-10-22T22:05:31Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。