論文の概要: Improving Reliable Navigation under Uncertainty via Predictions Informed by Non-Local Information

• arxiv url: http://arxiv.org/abs/2307.14501v1
• Date: Wed, 26 Jul 2023 21:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-28 16:39:13.874245
• Title: Improving Reliable Navigation under Uncertainty via Predictions Informed by Non-Local Information
• Title（参考訳）: 非局所情報による予測による不確実性下での信頼性向上
• Authors: Raihan Islam Arnob and Gregory J. Stein
• Abstract要約: 我々は,部分的にマップされた環境における信頼性,長期的,目標指向ナビゲーションを改善した。 非局所的に利用可能な情報を用いて、時間的に拡張された行動が目に見えない空間に入ることの良さを予測する。
• 参考スコア（独自算出の注目度）: 3.883460584034766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We improve reliable, long-horizon, goal-directed navigation in partially-mapped environments by using non-locally available information to predict the goodness of temporally-extended actions that enter unseen space. Making predictions about where to navigate in general requires non-local information: any observations the robot has seen so far may provide information about the goodness of a particular direction of travel. Building on recent work in learning-augmented model-based planning under uncertainty, we present an approach that can both rely on non-local information to make predictions (via a graph neural network) and is reliable by design: it will always reach its goal, even when learning does not provide accurate predictions. We conduct experiments in three simulated environments in which non-local information is needed to perform well. In our large scale university building environment, generated from real-world floorplans to the scale, we demonstrate a 9.3\% reduction in cost-to-go compared to a non-learned baseline and a 14.9\% reduction compared to a learning-informed planner that can only use local information to inform its predictions.
• Abstract（参考訳）: 非局所的に利用可能な情報を用いて、時間的に拡張された行動が不明瞭な空間に入ることの良さを予測することにより、部分マップ環境における信頼性、長期的目標指向ナビゲーションを改善する。 ロボットがこれまで見てきたあらゆる観察は、旅行の特定の方向の良さに関する情報を提供するかもしれない。 不確実性下での学習型モデルベース計画の最近の研究に基づいて、我々は、(グラフニューラルネットワークを介して)予測を行うために非局所情報に頼ることができると同時に、設計によって信頼性の高いアプローチを提案する。 非局所的な情報が必要となる3つのシミュレーション環境で実験を行う。 実世界のフロアプランから大規模に生成された大規模大学建築環境では,非学習型ベースラインと比較して9.3\%のコスト削減と,局所情報のみを活用可能な学習型プランナーと比較して14.9\%の削減が実証されている。

関連論文リスト

• MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions [6.420382919565209]
  我々は、しばしば予測可能で繰り返しパターンから構成される、構造化された屋内環境を探索するロボットに焦点を当てる。 近年の研究では、深層学習技術を用いて地図の未知領域を予測し、これらの予測を情報ゲイン計算に利用している。 本研究では,予測地図を用いて情報ゲイン推定のための確率的センサモデルを構築する新しい探索フレームワークであるMapExを紹介する。
  論文  参考訳（メタデータ） (2024-09-23T22:48:04Z)
• Uncertainty-aware Traffic Prediction under Missing Data [12.443185263911637]
  実際のシナリオでは、予算の制限とインストールの可用性のために、センサーのデプロイが制限される可能性がある。 本研究では,(1)過去の記録のない場所まで予測を拡張できる不確実性を考慮したフレームワークを提案し,その空間的範囲を著しく拡張する。 また,本モデルにより,輸送分野におけるセンサ配置タスクを支援することができ,センサ配置予算を限定して高精度化できることを示す。
  論文  参考訳（メタデータ） (2023-09-13T08:48:00Z)
• PEANUT: Predicting and Navigating to Unseen Targets [18.87376347895365]
  新しい環境における効率的なObjectGoalナビゲーション(ObjectNav)は、環境レイアウトにおける空間的および意味的規則性を理解する必要がある。 不完全なセマンティックマップから観測対象の位置を予測し,これらの規則性を学習する手法を提案する。 我々の予測モデルは軽量であり、比較的少量の受動的収集データを用いて教師付きで訓練することができる。
  論文  参考訳（メタデータ） (2022-12-05T18:58:58Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Aware of the History: Trajectory Forecasting with the Local Behavior Data [30.90992947135638]
  局所行動データは、軌道予測システムのための新しいタイプの入力データである。 予測精度を向上させる新しい局所行動認識(LBA)予測フレームワークを提案する。 また,LBF(Local-behavior-free)予測フレームワークも採用しています。
  論文  参考訳（メタデータ） (2022-07-20T04:35:38Z)
• 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)
• A Bayesian Framework for Information-Theoretic Probing [51.98576673620385]
  我々は、探索は相互情報を近似するものとみなすべきであると論じる。 これは、表現が元の文とターゲットタスクに関する全く同じ情報をエンコードしているというかなり直感的な結論を導いた。 本稿では,ベイズ的相互情報(Bayesian mutual information)と呼ぶものを測定するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-09-08T18:08:36Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Deep Multi-Task Learning for Joint Localization, Perception, and Prediction [68.50217234419922]
  本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。 我々は,認識,予測,局所化を共同で行うシステムの設計を行う。 本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
  論文  参考訳（メタデータ） (2021-01-17T17:20:31Z)
• Learning-based 3D Occupancy Prediction for Autonomous Navigation in Occluded Environments [7.825273522024438]
  本稿では,未知空間の占有分布を確実に予測するためのディープニューラルネットワークに基づく手法を提案する。 ネットワークのトレーニングにはラベルのない非地上データを使用し、未確認環境のリアルタイムナビゲーションにそれを適用することに成功しています。
  論文  参考訳（メタデータ） (2020-11-08T13:51:34Z)
• Post-Estimation Smoothing: A Simple Baseline for Learning with Side Information [102.18616819054368]
  本稿では,構造指標データを予測に組み込む高速かつ効率的な手法として,後推定平滑化演算子を提案する。 滑らかなステップは元の予測器とは分離されているため、機械学習タスクの幅広いクラスに適用できる。 大規模な空間的・時間的データセットに関する実験は,実測後のスムース化の速度と正確さを浮き彫りにした。
  論文  参考訳（メタデータ） (2020-03-12T18:04:20Z)

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。