論文の概要: RLaGA: A Reinforcement Learning Augmented Genetic Algorithm For Searching Real and Diverse Marker-Based Landing Violations

• arxiv url: http://arxiv.org/abs/2310.07378v2
• Date: Thu, 12 Oct 2023 00:49:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 03:12:41.848006
• Title: RLaGA: A Reinforcement Learning Augmented Genetic Algorithm For Searching Real and Diverse Marker-Based Landing Violations
• Title（参考訳）: RLaGA: 実・異種マーカーに基づくランディング違反検索のための強化学習型遺伝的アルゴリズム
• Authors: Linfeng Liang, Yao Deng, Kye Morton, Valtteri Kallinen, Alice James, Avishkar Seth, Endrowednes Kuantama, Subhas Mukhopadhyay, Richard Han, Xi Zheng
• Abstract要約: 安全性を確保するために、実際の世界にデプロイする前に、自動ランディングシステムを完全にテストすることが重要です。 本稿では、強化学習(RL)拡張検索ベースのテストフレームワークであるRLaGAを提案する。 本手法は, 最大22.19%の違反事例を発生し, 発生した違反事例の多様性をほぼ2倍に向上させる。
• 参考スコア（独自算出の注目度）: 0.7709288517758135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated landing for Unmanned Aerial Vehicles (UAVs), like multirotor drones, requires intricate software encompassing control algorithms, obstacle avoidance, and machine vision, especially when landing markers assist. Failed landings can lead to significant costs from damaged drones or payloads and the time spent seeking alternative landing solutions. Therefore, it's important to fully test auto-landing systems through simulations before deploying them in the real-world to ensure safety. This paper proposes RLaGA, a reinforcement learning (RL) augmented search-based testing framework, which constructs diverse and real marker-based landing cases that involve safety violations. Specifically, RLaGA introduces a genetic algorithm (GA) to conservatively search for diverse static environment configurations offline and RL to aggressively manipulate dynamic objects' trajectories online to find potential vulnerabilities in the target deployment environment. Quantitative results reveal that our method generates up to 22.19% more violation cases and nearly doubles the diversity of generated violation cases compared to baseline methods. Qualitatively, our method can discover those corner cases which would be missed by state-of-the-art algorithms. We demonstrate that select types of these corner cases can be confirmed via real-world testing with drones in the field.
• Abstract（参考訳）: マルチロータードローンのような無人航空機(uav)の自動着陸には、制御アルゴリズム、障害物回避、および特に着陸マーカーが補助する機械ビジョンを含む複雑なソフトウェアが必要である。 着陸に失敗した場合、損傷したドローンやペイロードからかなりのコストがかかり、代替の着陸ソリューションを探すのに費やされる。 そのため,安全性を確保するために,シミュレーションを通じて自動着陸システムを完全にテストすることが重要である。 本稿では,RLaGAを提案する。RLaGAは,安全違反を含む多種多様なマーカーベースのランディングケースを構築する,強化学習(RL)拡張検索ベースのテストフレームワークである。 具体的には、RLaGAは、さまざまな静的環境構成をオフラインで保存的に検索する遺伝的アルゴリズム(GA)を導入し、RLは、動的オブジェクトの軌道をオンラインで積極的に操作して、ターゲットデプロイメント環境の潜在的な脆弱性を見つける。 定量的結果から,本手法では最大22.19%の違反事例が生成され,また,基準法と比較してほぼ2倍の多様性が得られた。 定性的に、この手法は最先端のアルゴリズムで見逃されるようなコーナーケースを発見できる。 これらのコーナーケースの特定のタイプは、現場のドローンによる実地テストによって確認可能であることを実証する。

関連論文リスト

• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• You Only Crash Once: Improved Object Detection for Real-Time, Sim-to-Real Hazardous Terrain Detection and Classification for Autonomous Planetary Landings [7.201292864036088]
  危険地を検出するための安価で効果的な方法は、視覚カメラを使用することである。 視覚的危険地形検出の伝統的な技術は、テンプレートマッチングと事前構築されたハザードマップへの登録に焦点を当てている。 深層学習に基づく視覚的危険地形検出と分類技術であるYou Only Crash Once (YOCO)を紹介した。
  論文  参考訳（メタデータ） (2023-03-08T21:11:51Z)
• Analyzing Robustness of the Deep Reinforcement Learning Algorithm in Ramp Metering Applications Considering False Data Injection Attack and Defense [0.0]
  ランプメータリング(英語: Ramp metering)は、高速道路の本線への車両の走行を制御する行為である。 深部Q-Learningアルゴリズムは,ループ検出情報のみを入力として利用する。 モデルは、道路のジオメトリーやレイアウトに関わらず、ほぼすべてのランプ計測サイトに応用できる。
  論文  参考訳（メタデータ） (2023-01-28T00:40:46Z)
• Globally Optimal Boresight Alignment of UAV-LiDAR Systems [0.0]
  空中光検出・測光システム(LiDAR)の故障は、不正確な3D点雲を引き起こす可能性がある。 本稿では,このミスアライメント問題をグローバルに解決できるMIQCQP(mixed-integer quadratally constrained Program)を提案する。 また,ネストした空間分岐とバウンド(nsBB)アルゴリズムを提案し,計算性能を向上する。
  論文  参考訳（メタデータ） (2022-02-28T01:48:10Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Reinforcement Learning for UAV Autonomous Navigation, Mapping and Target Detection [36.79380276028116]
  本研究では,無人航空機(UAV)に低高度レーダーを装備し,未知の環境下での飛行における共同検出・マッピング・ナビゲーション問題について検討する。 目的は、マッピング精度を最大化する目的で軌道を最適化することであり、目標検出の観点からは、測定が不十分な領域を避けることである。
  論文  参考訳（メタデータ） (2020-05-05T20:39:18Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。