論文の概要: Intelligent machines work in unstructured environments by differential neural computing

• arxiv url: http://arxiv.org/abs/2309.08835v1
• Date: Sat, 16 Sep 2023 01:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 19:02:48.077514
• Title: Intelligent machines work in unstructured environments by differential neural computing
• Title（参考訳）: ディファレンシャルニューラルコンピューティングによる非構造化環境で動作するインテリジェントマシン
• Authors: Shengbo Wang, Shuo Gao, Chenyu Tang, Cong Li, Shurui Wang, Jiaqi Wang, Hubin Zhao, Guohua Hu, Arokia Nathan, Ravinder Dahiya, Luigi Occhipinti
• Abstract要約: 経験的ニューラルネットワークに基づくインテリジェントマシンの知覚信号差分処理と学習方法を提案する。 機械刺激の増幅 (>720%) や適応 (50%) などの非構造的環境情報の処理において, 人間のような能力を得ることに成功した。 この手法はまた、知的機械の2つの典型的な応用、すなわち物体の把握と自律運転において、優れたスケーラビリティと一般化を示す。
• 参考スコア（独自算出の注目度）: 20.654636888924482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Expecting intelligent machines to efficiently work in real world requires a new method to understand unstructured information in unknown environments with good accuracy, scalability and generalization, like human. Here, a memristive neural computing based perceptual signal differential processing and learning method for intelligent machines is presented, via extracting main features of environmental information and applying associated encoded stimuli to memristors, we successfully obtain human-like ability in processing unstructured environmental information, such as amplification (>720%) and adaptation (<50%) of mechanical stimuli. The method also exhibits good scalability and generalization, validated in two typical applications of intelligent machines: object grasping and autonomous driving. In the former, a robot hand experimentally realizes safe and stable grasping, through learning unknown object features (e.g., sharp corner and smooth surface) with a single memristor in 1 ms. In the latter, the decision-making information of 10 unstructured environments in autonomous driving (e.g., overtaking cars, pedestrians) are accurately (94%) extracted with a 40x25 memristor array. By mimicking the intrinsic nature of human low-level perception mechanisms in electronic memristive neural circuits, the proposed method is adaptable to diverse sensing technologies, helping intelligent machines to generate smart high-level decisions in real world.
• Abstract（参考訳）: インテリジェントマシンが現実世界で効率的に動作することを期待するには、未知の環境における非構造化情報を理解する新しい方法が必要である。 本研究では,環境情報の主な特徴を抽出し,関連する符号化刺激をmemristorに適用することにより,機械刺激の増幅(>720%)や適応(>50%)といった非構造化環境情報を処理するためのヒューマンライクな能力を得ることに成功した。 この方法は優れたスケーラビリティと一般化を示し、インテリジェントマシンの典型的な応用であるオブジェクト把握と自律運転の2つで検証されている。 前者では、未知の物体の特徴(シャープコーナーや滑らかな表面など)を1ミリ秒で学習し、安全で安定した把持を実現する。後者では、自律運転における10の非構造化環境(例えば、車や歩行者)の意思決定情報を、40x25のmemristorアレイで正確に(94%)抽出する。 電子記憶型ニューラルネットワークにおける人間の低レベル知覚機構の本質的な性質を模倣することにより、提案手法は多様なセンシング技術に適応し、インテリジェントマシンが現実世界でスマートな高レベルな決定を下すのに役立つ。

関連論文リスト

• Deep learning robotics using self-supervised spatial differentiation drive autonomous contact-based semiconductor characterization [40.361306070887366]
  空間的に異なる損失関数を持つ自己教師型畳み込みニューラルネットワークを提案する。 このネットワークは、既存のモデルと比較して、有効なポーズ生成を20.0%改善する。 我々は,3,025個の予測ポーズで光伝導性を特徴付ける4自由度ロボットを駆動することで,ネットワークの性能を実証する。
  論文  参考訳（メタデータ） (2024-11-15T02:36:36Z)
• Imperative Learning: A Self-supervised Neural-Symbolic Learning Framework for Robot Autonomy [31.818923556912495]
  我々は,ロボット自律のための自己教師型ニューラルシンボリック(NeSy)計算フレームワーク,インペラティブラーニング(IL)を導入する。 ILを2段階最適化(BLO)として定式化し、3つのモジュール間の相互学習を可能にする。 ILはロボットの自律性を大幅に向上させ、多様な領域にわたるさらなる研究を促進することを期待している。
  論文  参考訳（メタデータ） (2024-06-23T12:02:17Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Planning for Learning Object Properties [117.27898922118946]
  我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。 トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。 シミュレーションと実環境の両方で実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-01-15T09:37:55Z)
• Stochastic Coherence Over Attention Trajectory For Continuous Learning In Video Streams [64.82800502603138]
  本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。 提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。 実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
  論文  参考訳（メタデータ） (2022-04-26T09:52:31Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• Low Dimensional State Representation Learning with Robotics Priors in Continuous Action Spaces [8.692025477306212]
  強化学習アルゴリズムは、エンドツーエンドで複雑なロボティクスタスクを解くことができることが証明されている。 本稿では,ロボットの生の知覚情報から得られる高次元の観察から,低次元状態表現の学習と最適ポリシーの学習を組み合わせた枠組みを提案する。
  論文  参考訳（メタデータ） (2021-07-04T15:42:01Z)
• Zero-Shot Reinforcement Learning on Graphs for Autonomous Exploration Under Uncertainty [6.42522897323111]
  シミュレーション環境で高性能探査政策を自己学習するための枠組みを提案する。 本稿では,グラフニューラルネットワークと深層強化学習を併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-11T02:42:17Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。