論文の概要: DEQ-MCL: Discrete-Event Queue-based Monte-Carlo Localization

• arxiv url: http://arxiv.org/abs/2404.13973v1
• Date: Mon, 22 Apr 2024 08:29:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 14:45:41.425992
• Title: DEQ-MCL: Discrete-Event Queue-based Monte-Carlo Localization
• Title（参考訳）: DEQ-MCL: 離散イベントキューベースのモンテカルロローカライゼーション
• Authors: Akira Taniguchi, Ayako Fukawa, Hiroshi Yamakawa,
• Abstract要約: 本稿では,離散イベントキュー仮説に基づく自己局所化手法DEQ-MCLを提案する。 提案手法は,屋内環境における自己局在化性能の向上に有効であることを示す。
• 参考スコア（独自算出の注目度）: 2.280359339174839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial cognition in hippocampal formation is posited to play a crucial role in the development of self-localization techniques for robots. In this paper, we propose a self-localization approach, DEQ-MCL, based on the discrete event queue hypothesis associated with phase precession within the hippocampal formation. Our method effectively estimates the posterior distribution of states, encompassing both past, present, and future states that are organized as a queue. This approach enables the smoothing of the posterior distribution of past states using current observations and the weighting of the joint distribution by considering the feasibility of future states. Our findings indicate that the proposed method holds promise for augmenting self-localization performance in indoor environments.
• Abstract（参考訳）: 海馬形成における空間認知は,ロボットの自己局在化技術の発展において重要な役割を担っていると考えられる。 本稿では,海馬形成における位相偏差に伴う離散イベントキュー仮説に基づく自己局在化手法DEQ-MCLを提案する。 本手法は,待ち行列として整理された過去,現在,将来の状態の両方を含む状態の後方分布を効果的に推定する。 このアプローチにより,過去の状態の後部分布の平滑化と将来の状態の実現可能性を考慮した共同分布の重み付けが可能となる。 提案手法は,屋内環境における自己局在化性能の向上に有効であることを示す。

関連論文リスト

• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• Importance sampling for online variational learning [0.0]
  本稿では,状態空間モデルにおけるオンライン変動推定について述べる。 我々は,モンテカルロの重要サンプリングとともに変動的アプローチを用いて,スムージング分布,すなわち観測された潜在状態の連立分布の学習に焦点をあてる。
  論文  参考訳（メタデータ） (2024-02-05T10:18:47Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• Ensemble weather forecast post-processing with a flexible probabilistic neural network approach [0.0]
  そこで我々は,すべての位置の予測とリードタイムを共同で生成する,ニューラルネットワークに基づく新しい手法を提案する。 本手法の有効性を,EUPPBenchベンチマークの文脈で示す。
  論文  参考訳（メタデータ） (2023-03-29T15:18:00Z)
• An Explanation of In-context Learning as Implicit Bayesian Inference [117.19809377740188]
  In-context Learning の出現における事前学習分布の役割について検討した。 本研究では,潜在概念のベイズ的推論を通じて,文脈内学習が暗黙的に起こることを証明した。 我々は,事前学習損失が同じであっても,スケーリングモデルのサイズがコンテキスト内精度を向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-11-03T09:12:33Z)
• On Incorporating Forecasts into Linear State Space Model Markov Decision Processes [9.079538097500517]
  線形力学を用いた拡張状態空間モデルの定式化を導入する。 予測情報は、基礎となる状態変数の進化とともに動的に明らかにされる。 この論文は、トラクタビリティを維持するMDP製剤内での整合性要件を初めて実施するものです。
  論文  参考訳（メタデータ） (2021-03-12T21:21:09Z)
• C-Learning: Learning to Achieve Goals via Recursive Classification [163.7610618571879]
  自律エージェントの将来の状態分布を予測・制御する問題について検討する。 我々の研究は、密度推定としてゴール条件付きRLの基礎を定めている。
  論文  参考訳（メタデータ） (2020-11-17T19:58:56Z)
• A Kernel-Based Approach to Non-Stationary Reinforcement Learning in Metric Spaces [53.47210316424326]
  KeRNSは、非定常マルコフ決定過程におけるエピソード強化学習のためのアルゴリズムである。 我々は、状態-作用空間の被覆次元と時間とともにMDPの総変動にスケールする後悔境界を証明した。
  論文  参考訳（メタデータ） (2020-07-09T21:37:13Z)
• Discrete Variational Attention Models for Language Generation [51.88612022940496]
  本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。 離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
  論文  参考訳（メタデータ） (2020-04-21T05:49:04Z)
• Batch Stationary Distribution Estimation [98.18201132095066]
  サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。 与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
  論文  参考訳（メタデータ） (2020-03-02T09:10:01Z)

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。