論文の概要: Graph learning in robotics: a survey

• arxiv url: http://arxiv.org/abs/2310.04294v1
• Date: Fri, 6 Oct 2023 14:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-09 15:57:19.834372
• Title: Graph learning in robotics: a survey
• Title（参考訳）: ロボット工学におけるグラフ学習 : サーベイ
• Authors: Francesca Pistilli and Giuseppe Averta
• Abstract要約: この記事では、アーキテクチャ、トレーニング手順、アプリケーションなど、グラフベースのモデルの基礎について述べる。 また、適用された設定で発生する最近の進歩と課題についても論じている。 本論文は,グラフ構造学習の恩恵を受ける様々なロボット応用の広範なレビューを提供する。
• 参考スコア（独自算出の注目度）: 2.5726566614123874
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep neural networks for graphs have emerged as a powerful tool for learning on complex non-euclidean data, which is becoming increasingly common for a variety of different applications. Yet, although their potential has been widely recognised in the machine learning community, graph learning is largely unexplored for downstream tasks such as robotics applications. To fully unlock their potential, hence, we propose a review of graph neural architectures from a robotics perspective. The paper covers the fundamentals of graph-based models, including their architecture, training procedures, and applications. It also discusses recent advancements and challenges that arise in applied settings, related for example to the integration of perception, decision-making, and control. Finally, the paper provides an extensive review of various robotic applications that benefit from learning on graph structures, such as bodies and contacts modelling, robotic manipulation, action recognition, fleet motion planning, and many more. This survey aims to provide readers with a thorough understanding of the capabilities and limitations of graph neural architectures in robotics, and to highlight potential avenues for future research.
• Abstract（参考訳）: グラフのためのディープニューラルネットワークは、複雑な非ユークリッドデータを学ぶための強力なツールとして登場し、さまざまなアプリケーションでますます一般的になりつつある。 しかし、彼らのポテンシャルは機械学習コミュニティで広く認識されているものの、グラフ学習はロボット工学アプリケーションのような下流のタスクではほとんど探索されていない。 そこで,その可能性を完全に解き明かすため,ロボット工学の観点からグラフニューラルアーキテクチャのレビューを提案する。 この論文は、そのアーキテクチャ、トレーニング手順、アプリケーションを含む、グラフベースのモデルの基礎を扱っている。 また、適用された設定で生じる最近の進歩や課題についても論じ、例えば、知覚の統合、意思決定、制御などについて論じている。 最後に,身体や接触のモデリング,ロボット操作,行動認識,艦隊運動計画など,グラフ構造を学ぶことの恩恵を受けるさまざまなロボットアプリケーションについて,広範なレビューを行う。 この調査は、ロボティクスにおけるグラフニューラルアーキテクチャの能力と限界を徹底的に理解し、将来の研究への道筋を示すことを目的としている。

関連論文リスト

• A Survey of Embodied Learning for Object-Centric Robotic Manipulation [27.569063968870868]
  オブジェクト中心のロボット操作のための身体学習は、AIの急速に発展し、挑戦的な分野である。 データ駆動機械学習とは異なり、具体化学習は環境との物理的相互作用を通じてロボット学習に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-21T11:32:09Z)
• Machine Learning on Dynamic Graphs: A Survey on Applications [0.0]
  本稿では、動的グラフ学習のより探索の少ない応用について概説する。 本研究は,多様な領域にまたがる課題に対処する上で,動的グラフ上での機械学習の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-01-16T06:40:24Z)
• RH20T: A Comprehensive Robotic Dataset for Learning Diverse Skills in One-Shot [56.130215236125224]
  オープンドメインでのロボット操作における重要な課題は、ロボットの多様性と一般化可能なスキルの獲得方法である。 単発模倣学習の最近の研究は、訓練されたポリシーを実証に基づく新しいタスクに移行する可能性を示唆している。 本稿では,エージェントがマルチモーダルな知覚で数百の現実世界のスキルを一般化する可能性を解き放つことを目的とする。
  論文  参考訳（メタデータ） (2023-07-02T15:33:31Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer Learning for Telepresence Robotics [124.08684545010664]
  画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。 オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:23:15Z)
• Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• An energy-based model for neuro-symbolic reasoning on knowledge graphs [0.0]
  産業自動化システムを特徴付けるためのエネルギーベースのグラフ埋め込みアルゴリズムを提案する。 複数のドメインからの知識を組み合わせることで、学習モデルはコンテキスト対応の予測を行うことができる。 提示されたモデルは、生物学的にインスパイアされたニューラルアーキテクチャにマッピング可能であり、グラフ埋め込み法とニューロモルフィックコンピューティングの間の最初のブリッジとして機能する。
  論文  参考訳（メタデータ） (2021-10-04T18:02:36Z)
• Actionable Models: Unsupervised Offline Reinforcement Learning of Robotic Skills [93.12417203541948]
  与えられたデータセットの任意の目標状態に到達するために学習することによって、環境の機能的な理解を学ぶ目的を提案する。 提案手法は,高次元カメラ画像上で動作し,これまで見つからなかったシーンやオブジェクトに一般化した実ロボットの様々なスキルを学習することができる。
  論文  参考訳（メタデータ） (2021-04-15T20:10:11Z)

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。