論文の概要: CARE: Confidence-rich Autonomous Robot Exploration using Bayesian Kernel
Inference and Optimization
- arxiv url: http://arxiv.org/abs/2309.05200v1
- Date: Mon, 11 Sep 2023 02:30:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 14:10:42.703532
- Title: CARE: Confidence-rich Autonomous Robot Exploration using Bayesian Kernel
Inference and Optimization
- Title(参考訳): ベイズ核推論と最適化を用いた信頼度の高い自律ロボット探索
- Authors: Yang Xu, Ronghao Zheng, Senlin Zhang, Meiqin Liu, Shoudong Huang
- Abstract要約: 未知・複雑な環境における情報に基づく自律ロボット探査の効率化を検討する。
ベイジアンカーネル推論と最適化に基づく新しい軽量情報ゲイン推定法(BKIO)を提案する。
異なる非構造, 乱雑な環境下での探索性能を損なうことなく, 提案手法の所望の効率性を示す。
- 参考スコア(独自算出の注目度): 12.32946442160165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we consider improving the efficiency of information-based
autonomous robot exploration in unknown and complex environments. We first
utilize Gaussian process (GP) regression to learn a surrogate model to infer
the confidence-rich mutual information (CRMI) of querying control actions, then
adopt an objective function consisting of predicted CRMI values and prediction
uncertainties to conduct Bayesian optimization (BO), i.e., GP-based BO (GPBO).
The trade-off between the best action with the highest CRMI value
(exploitation) and the action with high prediction variance (exploration) can
be realized. To further improve the efficiency of GPBO, we propose a novel
lightweight information gain inference method based on Bayesian kernel
inference and optimization (BKIO), achieving an approximate logarithmic
complexity without the need for training. BKIO can also infer the CRMI and
generate the best action using BO with bounded cumulative regret, which ensures
its comparable accuracy to GPBO with much higher efficiency. Extensive
numerical and real-world experiments show the desired efficiency of our
proposed methods without losing exploration performance in different
unstructured, cluttered environments. We also provide our open-source
implementation code at https://github.com/Shepherd-Gregory/BKIO-Exploration.
- Abstract(参考訳): 本稿では,未知・複雑な環境における情報に基づく自律型ロボット探索の効率化を検討する。
まず,gaussian process (gp) 回帰を用いてサロゲートモデルを学習し,制御行動の信頼度の高い相互情報 (crmi) を推定し,次に予測crmi値と予測不確実性からなる目的関数を適用し,ベイズ最適化 (bo, gp-based bo (gpbo) を行う。
CRMI値が最も高いベストアクション(探索)と高い予測分散(探索)のトレードオフを実現することができる。
GPBOの効率をさらに向上するために,ベイジアンカーネル推論と最適化(BKIO)に基づく新しい軽量情報ゲイン推定手法を提案する。
また、BKIOはCRMIを推測し、累積的後悔を伴うBOを用いた最良のアクションを生成することができるため、GPBOに匹敵する精度をはるかに高い効率で確保できる。
広範囲な数値実験と実世界の実験により, 異なる非構造環境における探索性能を損なうことなく, 提案手法の所望の効率を示す。
オープンソース実装コードもhttps://github.com/Shepherd-Gregory/BKIO-Explorationで公開しています。
関連論文リスト
- Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳(メタデータ) (2024-02-05T02:54:50Z) - PG-LBO: Enhancing High-Dimensional Bayesian Optimization with
Pseudo-Label and Gaussian Process Guidance [31.585328335396607]
現在の主流の手法は、ラベルのないデータのプールを利用して潜在空間を構築する可能性を見落としている。
ラベル付きデータのガイダンスを用いてラベル付きデータを効果的に活用するための新しい手法を提案する。
提案手法は,様々な最適化シナリオにおいて,既存のVAE-BOアルゴリズムよりも優れている。
論文 参考訳(メタデータ) (2023-12-28T11:57:58Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient
Kernels [60.35011738807833]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は、ベンチマークODEとPDE発見タスクのリストにおいて、KBASSの顕著な利点を示す。
論文 参考訳(メタデータ) (2023-10-09T03:55:09Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳(メタデータ) (2023-07-25T09:45:47Z) - Provably Efficient Bayesian Optimization with Unbiased Gaussian Process
Hyperparameter Estimation [52.035894372374756]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - Model-based Causal Bayesian Optimization [78.120734120667]
モデルに基づく因果ベイズ最適化(MCBO)を提案する。
MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。
標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
論文 参考訳(メタデータ) (2022-11-18T14:28:21Z) - Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。
理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
論文 参考訳(メタデータ) (2021-08-27T19:03:32Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳(メタデータ) (2021-01-06T17:36:26Z)
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。