論文の概要: Multiagent Copilot Approach for Shared Autonomy between Human EEG and TD3 Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2312.14458v1
• Date: Fri, 22 Dec 2023 06:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-12-25 16:04:47.240670
• Title: Multiagent Copilot Approach for Shared Autonomy between Human EEG and TD3 Deep Reinforcement Learning
• Title（参考訳）: ヒト脳波とTD3深部強化学習における共有自律性のためのマルチエージェントコパイロットアプローチ
• Abstract要約: 人体の脳波(EEG)からデコードされた作用指令と、与えられた環境に対する双発遅延DDPG(TD3)エージェントから生成された作用との間には、共有自律性が認められた。 提案手法は,EEG(EEG-NB)やTD3(TD3制御)よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 1.6627862444646657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning (RL) algorithms enable the development of fully autonomous agents that can interact with the environment. Brain-computer interface (BCI) systems decipher human implicit brain signals regardless of the explicit environment. In this study, we integrated deep RL and BCI to improve beneficial human interventions in autonomous systems and the performance in decoding brain activities by considering environmental factors. Shared autonomy was allowed between the action command decoded from the electroencephalography (EEG) of the human agent and the action generated from the twin delayed DDPG (TD3) agent for a given environment. Our proposed copilot control scheme with a full blocker (Co-FB) significantly outperformed the individual EEG (EEG-NB) or TD3 control. The Co-FB model achieved a higher target approaching score, lower failure rate, and lower human workload than the EEG-NB model. The Co-FB control scheme had a higher invisible target score and level of allowed human intervention than the TD3 model. We also proposed a disparity d-index to evaluate the effect of contradicting agent decisions on the control accuracy and authority of the copilot model. We found a significant correlation between the control authority of the TD3 agent and the performance improvement of human EEG classification with respect to the d-index. We also observed that shifting control authority to the TD3 agent improved performance when BCI decoding was not optimal. These findings indicate that the copilot system can effectively handle complex environments and that BCI performance can be improved by considering environmental factors. Future work should employ continuous action space and different multi-agent approaches to evaluate copilot performance.
• Abstract（参考訳）: 深層強化学習(RL)アルゴリズムは、環境と対話できる完全自律エージェントの開発を可能にする。 脳コンピュータインタフェース(BCI)システムは、明示的な環境に関係なく人間の暗黙の脳信号を解読する。 本研究では,deep rlとbciを統合し,環境要因を考慮し,自律系における有益なヒューマン介入と脳活動のデコード性能を向上させる。 人体の脳波(EEG)からデコードされた作用指令と、与えられた環境に対する双発遅延DDPG(TD3)エージェントから生成された作用との間には、共有自律性が認められた。 提案手法は,EEG(EEG-NB)やTD3(TD3制御)よりも有意に優れていた。 co-fbモデルは、eeg-nbモデルよりも高い目標接近スコア、低い故障率、低いヒューマンワークロードを達成した。 Co-FB制御方式はTD3モデルよりも目に見える目標スコアと人間の介入のレベルが高い。 また,エージェント決定の矛盾が副操縦士モデルの制御精度と権限に与える影響を評価するために,差分d-インデックスを提案した。 我々は,TD3エージェントの制御権限と,d-インデックスに対するヒト脳波分類の性能改善との間に有意な相関が認められた。 また,制御権限をtd3エージェントに移行することで,bci復号が最適でない場合の性能が向上した。 これらの結果から, コンピロシステムは複雑な環境を効果的に扱えること, 環境要因を考慮したBCI性能の向上が期待できることがわかった。 今後の作業は、協調動作の性能を評価するために、連続的な行動空間と異なるマルチエージェントアプローチを採用するべきである。

関連論文リスト

• Scaling Behavior Foundation Model for Humanoid Robots [77.31115920959364]
  行動基礎モデル(BFM)は、大規模な行動データを活用することで課題に対処する有望なソリューションとして登場した。 提案手法は制御忠実度とタスク一般化の大幅な改善をもたらすことを示す。 これらの結果は、BFMをスケーラブルで汎用的なヒューマノイド制御の原則的かつ効果的な基盤として確立する。
  論文  参考訳（メタデータ） (2026-07-16T16:08:27Z)
• High-Precision Formation Control for Heterogeneous Multi-Robot Systems via Hierarchical Hybrid Physics-Informed Deep Reinforcement Learning [10.865402396881416]
  本稿では,階層型ハイブリッド物理インフォームド深部強化学習(HHy-PIDRL)フレームワークを提案する。 異種多ロボットシステムのための高精度で応答性の高い生成制御を実現することを目的としている。 実験の結果, 上位階層の自律航法政策網とHM-DRLに基づく構成制御網の成功率は100%に達することがわかった。
  論文  参考訳（メタデータ） (2026-07-03T17:38:17Z)
• Generative Multi-Robot Motion Planning via Diffusion Modeling with Multi-Agent Reinforcement Learning Guidance [0.45030648826819175]
  本稿では,協調型マルチロボット動作計画のためのフレームワークを提案する。 分散生成軌道計画とマルチエージェント強化学習(MARL)に基づく協調を組み合わせる。 その結果, 提案した拡散計画により, エージェント間干渉率を55.4%から41.8%に低下させることがわかった。
  論文  参考訳（メタデータ） (2026-05-30T23:54:04Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• MILD: Mediator Agent System with Bidirectional Perception and Multi-Layered Alignment for Human-Vehicle Collaboration [10.683140163408858]
  エージェントシステムアーキテクチャに基づくMILD(Mediator-in-the-Loop-Driving)システムを導入する。 MILDは、共同キャビンとアウト・オブ・キャビンの理解のための知覚エージェントと、コンプライアンスと説明可能なアクション提案を生成する軽量な戦略エージェントを統合する。 ECPOは自動検証器を利用して、エージェントを正確であるだけでなく、構造的にも完全であり、証拠によって裏付けられ、制約違反のない行動に向けて操る。
  論文  参考訳（メタデータ） (2026-05-02T15:56:59Z)
• CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation [48.85772216740915]
  "Code-as-Policy" は、実行可能コードがデータ集約型のVision-Language-Actionメソッドを補完する方法について考察している。 ロボット操作におけるCode-as-PolicyエージェントのオープンアクセスフレームワークであるCaP-Xを提案する。
  論文  参考訳（メタデータ） (2026-03-23T18:08:10Z)
• Cognition to Control - Multi-Agent Learning for Human-Humanoid Collaborative Transport [36.304887250687536]
  本稿では,3層階層構造である認知制御(C2C)について述べる。 協調操作タスクの実験は、単一エージェントとエンドツーエンドのベースラインよりも成功と堅牢性を示す。
  論文  参考訳（メタデータ） (2026-03-04T06:24:55Z)
• Harnessing Implicit Cooperation: A Multi-Agent Reinforcement Learning Approach Towards Decentralized Local Energy Markets [41.99844472131922]
  分散エージェントは、明示的なピアツーピア通信なしで、ローカルエネルギー市場における最適調整を近似することができる。 スティグマイシンシグナリングは複雑なグリッドコーディネートに十分なコンテキストを提供し、高価な集中型通信インフラに代わる堅牢でプライバシー保護の代替を提供する。
  論文  参考訳（メタデータ） (2026-02-17T22:22:32Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Adaptive Reinforcement and Model Predictive Control Switching for Safe Human-Robot Cooperative Navigation [10.614812216110673]
  本稿では,近接制御と安全制約の同時実施による移動ロボットの人間誘導ナビゲーションの課題について論じる。 本稿では,ハイブリッド学習制御フレームワークであるAdaptive Reinforcement and Model Predictive Control Switching (ARMS)を紹介する。 乱雑な環境でARMSが82.5パーセントの成功率を達成することを示す。
  論文  参考訳（メタデータ） (2026-01-23T12:02:18Z)
• Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback [51.22403664895878]
  Agent2Worldは、強力な推論時ワールドモデル生成を実現するツール拡張マルチエージェントフレームワークである。 また、マルチエージェントフィードバックの生成を基盤にすることで、教師付き微調整のためのデータエンジンとしても機能する。
  論文  参考訳（メタデータ） (2025-12-26T18:54:14Z)
• Explainable AI-Enhanced Supervisory Control for Robust Multi-Agent Robotic Systems [0.0]
  マルチエージェントロボットのためのAI強化型監視制御フレームワークを提案する。 我々は、このアプローチを、宇宙船形成飛行と自律水中車両の2つの対照的な領域で検証した。
  論文  参考訳（メタデータ） (2025-09-18T23:59:13Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 我々は、中程度のレベルの情報共有でも、環境固有のエラーを著しく軽減できることを示した。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Aerial Secure Collaborative Communications under Eavesdropper Collusion in Low-altitude Economy: A Generative Swarm Intelligent Approach [84.20358039333756]
  本研究では,AAV群に分散コラボレーティブビームフォーミング(DCB)を導入し,対応する信号分布を制御して盗聴者の共謀を処理した。 両方向の秘密保持能力と最大サイドローブレベルを最小化して、未知の盗聴者からの情報漏洩を回避する。 本稿では,より少ないオーバーヘッドで問題を解決するために,新しいジェネレーティブ・スウォーム・インテリジェンス(GenSI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-02T04:02:58Z)
• Error-related Potential driven Reinforcement Learning for adaptive Brain-Computer Interfaces [0.0]
  本研究では、強化学習(RL)を用いた適応型ErrPベースのBCI手法を提案する。 ErrPと運動画像を組み合わせたRL駆動適応フレームワークの実現可能性を示す。 RLエージェントはユーザインタラクションからコントロールポリシを学び、データセット間で堅牢なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-25T19:27:51Z)
• Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
  低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。 本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:17:33Z)
• Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs [20.239554619810935]
  ABATは、敵の訓練の前にEEGデータアライメントを実行する。 データアライメントは、異なるドメインからのEEGトライアルを調整して、分散の相違を減らす。 敵の訓練は 分類境界をさらに強固にする
  論文  参考訳（メタデータ） (2024-11-04T13:56:54Z)
• Human-compatible driving partners through data-regularized self-play reinforcement learning [3.9682126792844583]
  HR-PPO(Human-Regularized PPO)は、エージェントが人間の参照ポリシーから逸脱する小さなペナルティで自己プレイを通じて訓練されるマルチエージェントアルゴリズムである。 その結果,HR-PPOは93%,オフロード率3.5%,衝突率3%の目標達成に極めて有効であることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T17:56:56Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• Low-Rank Modular Reinforcement Learning via Muscle Synergy [25.120547719120765]
  モジュール強化学習(RL)は、アクチュエータごとに学習ポリシーを学習することで、多関節ロボットの制御を分散化する。 ロボット制御におけるDoFの冗長性を利用したSOLAR(Synergy-Oriented LeARning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-26T16:01:31Z)
• An adaptive admittance controller for collaborative drilling with a robot based on subtask classification via deep learning [2.7823969627873986]
  pHRIタスクには, アイドル, ドライビング, コンタクトという3つのサブタスクがある。 この分類に基づいて、人間とロボットの相互作用を制御するアクセタンスコントローラのパラメータをリアルタイムで適応的に調整する。 実験結果から、ANNモデルは、12人の被験者に対して98%の精度で、異なるアクセント制御条件下でサブタスクを検出することができることがわかった。
  論文  参考訳（メタデータ） (2022-05-28T15:28:12Z)
• Distributed Multi-Agent Deep Reinforcement Learning for Robust Coordination against Noise [2.741266294612776]
  マルチエージェントシステム(DA3-X)のための多機能アクターアーキテクチャモデルを提案する。 我々は,DA3-Xのエージェントが雑音環境を選択的に学習し,協調して行動できることを実証した。 我々は,DA3-Xの有効性を実験的に評価し,DA3-Xのエージェントがベースラインエージェントよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-19T17:18:51Z)
• Centralizing State-Values in Dueling Networks for Multi-Robot Reinforcement Learning Mapless Navigation [87.85646257351212]
  本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。 この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。 我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:47:00Z)
• Optimizing Mixed Autonomy Traffic Flow With Decentralized Autonomous Vehicles and Multi-Agent RL [63.52264764099532]
  本研究では、完全分散制御方式を用いて、混合自律環境でのボトルネックのスループットを向上させる自動運転車の能力について検討する。 この問題にマルチエージェント強化アルゴリズムを適用し、5%の浸透速度で20%から40%の浸透速度で33%までのボトルネックスループットの大幅な改善が達成できることを実証した。
  論文  参考訳（メタデータ） (2020-10-30T22:06:05Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)
• FACMAC: Factored Multi-Agent Centralised Policy Gradients [103.30380537282517]
  FACtored Multi-Agent Centralized Policy gradients (FACMAC)を提案する。 離散的および連続的な行動空間における協調的マルチエージェント強化学習のための新しい手法である。 我々は,マルチエージェント粒子環境の変動に対するFACMAC,新しいマルチエージェント MuJoCo ベンチマーク,およびStarCraft II マイクロマネジメントタスクの挑戦的セットについて評価した。
  論文  参考訳（メタデータ） (2020-03-14T21:29:09Z)

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。