論文の概要: TopoNav: Topological Navigation for Efficient Exploration in Sparse Reward Environments

• arxiv url: http://arxiv.org/abs/2402.04061v1
• Date: Tue, 6 Feb 2024 15:05:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 14:32:41.875969
• Title: TopoNav: Topological Navigation for Efficient Exploration in Sparse Reward Environments
• Title（参考訳）: TopoNav:スパースリワード環境における効率的な探索のためのトポロジカルナビゲーション
• Authors: Jumman Hossain, Abu-Zaher Faridee, Nirmalya Roy, Jade Freeman, Timothy Gregory, Theron T. Trout
• Abstract要約: TopoNavは、ロボットに効率的で適応性があり、目標指向の探索を実現するための、新しいフレームワークである。 TopoNavのビルディングブロックは、アクティブなトポロジカルマッピング、本質的な報酬機構、階層的客観的優先順位付けである。 その結果, 探索効率, 航法精度, 予期せぬ障害物への適応性に有意な改善が認められた。
• 参考スコア（独自算出の注目度）: 0.6990493129893111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous robots exploring unknown areas face a significant challenge -- navigating effectively without prior maps and with limited external feedback. This challenge intensifies in sparse reward environments, where traditional exploration techniques often fail. In this paper, we introduce TopoNav, a novel framework that empowers robots to overcome these constraints and achieve efficient, adaptable, and goal-oriented exploration. TopoNav's fundamental building blocks are active topological mapping, intrinsic reward mechanisms, and hierarchical objective prioritization. Throughout its exploration, TopoNav constructs a dynamic topological map that captures key locations and pathways. It utilizes intrinsic rewards to guide the robot towards designated sub-goals within this map, fostering structured exploration even in sparse reward settings. To ensure efficient navigation, TopoNav employs the Hierarchical Objective-Driven Active Topologies framework, enabling the robot to prioritize immediate tasks like obstacle avoidance while maintaining focus on the overall goal. We demonstrate TopoNav's effectiveness in simulated environments that replicate real-world conditions. Our results reveal significant improvements in exploration efficiency, navigational accuracy, and adaptability to unforeseen obstacles, showcasing its potential to revolutionize autonomous exploration in a wide range of applications, including search and rescue, environmental monitoring, and planetary exploration.
• Abstract（参考訳）: 未知の領域を探索する自律ロボットは、重要な課題に直面している。 この課題は、伝統的な探査技術がしばしば失敗するスパース報酬環境を強化する。 本稿では,ロボットがこれらの制約を克服し,効率,適応性,目標志向の探索を実現するための新しいフレームワークであるTopoNavを紹介する。 TopoNavの基本的なビルディングブロックは、アクティブトポロジカルマッピング、本質的な報酬機構、階層的客観的優先順位付けである。 調査を通じて、TopoNavは重要な場所と経路をキャプチャする動的トポロジカルマップを構築している。 内在的な報酬を利用して、このマップ内の指定されたサブゴールに向かってロボットを誘導し、スパースな報酬設定でも構造化された探索を促進する。 効率的なナビゲーションを確保するため、TopoNavは階層的オブジェクト指向アクティブトポロジフレームワークを採用しており、ロボットは全体的な目標に集中しながら障害物回避のような緊急タスクを優先順位付けすることができる。 実環境を再現するシミュレーション環境におけるTopoNavの有効性を示す。 その結果, 探索効率, 航法精度, 予期せぬ障害物への適応性が大幅に向上し, 探索・救助, 環境モニタリング, 惑星探査など, 幅広い応用分野における自律探査に革命をもたらす可能性が示された。

関連論文リスト

• Long-distance Geomagnetic Navigation in GNSS-denied Environments with Deep Reinforcement Learning [62.186340267690824]
  既存の地磁気航法の研究は、事前保存された地図や広範囲な探索に依存しており、探索されていない地域での適用性や航法効率の低下に繋がる。 本稿では,特に長距離地磁気航法における深部強化学習(DRL)に基づくメカニズムについて述べる。 設計されたメカニズムは、プリストアドマップや広範囲で高価な探索アプローチではなく、地磁気ナビゲーションのための磁気受容能力を学ぶようにエージェントを訓練する。
  論文  参考訳（メタデータ） (2024-10-21T09:57:42Z)
• TOP-Nav: Legged Navigation Integrating Terrain, Obstacle and Proprioception Estimation [5.484041860401147]
  TOP-Navは、包括的パスプランナーとTerran認識、Obstacle回避、クローズループプロプライオセプションを統合した、新しい脚付きナビゲーションフレームワークである。 そこで,TOP-Navは,従来の知識の分布を超えた地形や乱れをロボットが扱えるように,オープンワールドナビゲーションを実現する。
  論文  参考訳（メタデータ） (2024-04-23T17:42:45Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Long-HOT: A Modular Hierarchical Approach for Long-Horizon Object Transport [83.06265788137443]
  我々は、時間的拡張ナビゲーションのための新しいオブジェクトトランスポートタスクと新しいモジュラーフレームワークを提案することで、長距離探査と航法を具現化する上で重要な課題に対処する。 私たちの最初の貢献は、深層探査と長期計画に焦点を当てた新しいLong-HOT環境の設計である。 重み付けされたフロンティアの助けを借りて探索を行うために,シーンのトポロジカルグラフを構築するモジュラー階層輸送ポリシー(HTP)を提案する。
  論文  参考訳（メタデータ） (2022-10-28T05:30:49Z)
• Uncertainty-driven Planner for Exploration and Navigation [36.933903274373336]
  未確認環境における探索とポイントゴールナビゲーションの問題点を考察する。 本論では,屋内マップよりも先進的な学習が,これらの問題に対処する上で大きなメリットをもたらすと論じている。 本稿では、まず、エージェントの視野を超えた占有マップを生成することを学習する新しい計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-24T05:25:31Z)
• Augmented reality navigation system for visual prosthesis [67.09251544230744]
  反応ナビゲーションと経路計画のソフトウェアを組み込んだ視覚補綴用拡張現実ナビゲーションシステムを提案する。 対象を地図上に配置し、対象の軌道を計画し、対象に示し、障害なく再計画する。 その結果,目標を達成するための時間と距離を減らし,障害物衝突の回数を大幅に減らし,航法性能の向上を図っている。
  論文  参考訳（メタデータ） (2021-09-30T09:41:40Z)
• Deep Reinforcement Learning for Adaptive Exploration of Unknown Environments [6.90777229452271]
  私達はUAVのための1つのステップで調査および搾取間のトレードオフに適応的な調査のアプローチを開発します。 提案手法では, 環境マップを小型でトラクタブルな地図に分解するために, マップセグメンテーション手法を用いる。 その結果,本提案手法は,ランダムに生成された環境をナビゲートし,ベースラインと比較してAoIを短時間でカバーできることが示された。
  論文  参考訳（メタデータ） (2021-05-04T16:29:44Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)
• Active Visual Information Gathering for Vision-Language Navigation [115.40768457718325]
  視覚言語ナビゲーション(VLN)は、エージェントがフォトリアリスティックな環境の中でナビゲーションの指示を行うためのタスクである。 VLNの重要な課題の1つは、曖昧な指示による不確実性を緩和し、環境の観察を不十分にすることで、堅牢なナビゲーションを行う方法である。 この研究は、人間のナビゲーション行動からインスピレーションを得て、よりインテリジェントなVLNポリシーのためのアクティブな情報収集能力を持つエージェントを提供する。
  論文  参考訳（メタデータ） (2020-07-15T23:54:20Z)

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。