論文の概要: MEXGEN: An Effective and Efficient Information Gain Approximation for Information Gathering Path Planning
- arxiv url: http://arxiv.org/abs/2405.02605v1
- Date: Sat, 4 May 2024 08:09:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 19:10:59.468101
- Title: MEXGEN: An Effective and Efficient Information Gain Approximation for Information Gathering Path Planning
- Title（参考訳）: MEXGEN:情報収集経路計画のための効果的かつ効率的な情報ゲイン近似
- Authors: Joshua Chesser, Thuraiappah Sathyan, Damith C. Ranasinghe,
- Abstract要約: 自律ロボットの計画アルゴリズムは、不確実性の下でのシーケンシャルな意思決定問題を解決する必要がある。
我々は,不確実な信念状態からセンサ計測を予測する難しい問題に対して,計算的に効率的かつ効果的に近似する手法を開発した。
マルチロータ型空中ロボットを用いた広範囲なシミュレーション・フィールド実験により, 電波源追尾と位置決め問題の性能向上を実証した。
- 参考スコア（独自算出の注目度）: 3.195234044113248
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Autonomous robots for gathering information on objects of interest has numerous real-world applications because of they improve efficiency, performance and safety. Realizing autonomy demands online planning algorithms to solve sequential decision making problems under uncertainty; because, objects of interest are often dynamic, object state, such as location is not directly observable and are obtained from noisy measurements. Such planning problems are notoriously difficult due to the combinatorial nature of predicting the future to make optimal decisions. For information theoretic planning algorithms, we develop a computationally efficient and effective approximation for the difficult problem of predicting the likely sensor measurements from uncertain belief states}. The approach more accurately predicts information gain from information gathering actions. Our theoretical analysis proves the proposed formulation achieves a lower prediction error than the current efficient-method. We demonstrate improved performance gains in radio-source tracking and localization problems using extensive simulated and field experiments with a multirotor aerial robot.
- Abstract（参考訳）: 対象物に関する情報を収集する自律ロボットは、効率、性能、安全性を向上させるため、多くの実世界の応用がある。
自律性を実現するには、不確実性の下でのシーケンシャルな意思決定問題を解決するためのオンライン計画アルゴリズムが必要である。
このような計画上の問題は、将来を予測して最適な決定を下すという組み合わせの性質のため、非常に難しい。
情報理論計画アルゴリズムでは,不確実な信念状態からセンサ計測の可能性を予測する難しい問題に対して,計算的に効率的かつ効果的な近似法を開発する。
この手法は情報収集行動から得られる情報をより正確に予測する。
我々の理論的解析は,提案法が現在の効率的な手法よりも予測誤差が低いことを証明している。
マルチロータ型空中ロボットを用いた広範囲なシミュレーション・フィールド実験により, 電波源追尾と位置決め問題の性能向上を実証した。
関連論文リスト
- RLER-TTE: An Efficient and Effective Framework for En Route Travel Time Estimation with Reinforcement Learning [5.4674463400564886]
En Route Travel Time Estimationは、走行経路から運転パターンを学習し、迅速かつ正確なリアルタイム予測を実現することを目的としている。
既存の手法は、実世界の交通システムの複雑さとダイナミズムを無視し、結果としてリアルタイムシナリオにおける効率と正確性に大きなギャップが生じる。
本稿では,ER-TTEの経路実装を再定義し,高効率かつ効率的な予測を行う新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-26T11:49:34Z) - Previous Knowledge Utilization In Online Anytime Belief Space Planning [8.403582577557918]
本研究では,現在の意思決定プロセスにおける過去の計画データを活用する,計算効率のよい新しい手法を提案する。
実験結果から,本手法は高い性能を維持しながら時間を大幅に短縮することが示された。
歴史的計画情報の統合は,不確実な環境下でのオンライン意思決定の効率を大幅に向上させる可能性が示唆された。
論文 参考訳（メタデータ） (2024-12-17T17:45:58Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳（メタデータ） (2023-08-02T23:39:24Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Adaptive Information Belief Space Planning [9.365993173260316]
我々は、不確実性に明示的に対処する報酬関数を使用して、情報決定を効率的に行うことに重点を置いている。
期待される情報理論の報奨関数と結果の値関数のバウンダリを導出する。
そこで我々は,計算時間のごく一部で同一の動作選択を実現するために集約を洗練させる手法を提案する。
論文 参考訳（メタデータ） (2022-01-14T21:12:00Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - A dynamic programming algorithm for informative measurements and
near-optimal path-planning [0.0]
情報的測定は、未知の状態に関する情報を得る最も効率的な方法である。
情報量列を返す汎用動的プログラミングアルゴリズムの第一原理を導出する。
このアルゴリズムは、自律エージェントやロボットが次に測定すべき場所を決定するために使用することができる。
論文 参考訳（メタデータ） (2021-09-24T08:40:06Z) - Deep Multi-Task Learning for Joint Localization, Perception, and
Prediction [68.50217234419922]
本稿では,ローカライズエラー下の最先端の自律性スタックで発生する問題について検討する。
我々は,認識,予測,局所化を共同で行うシステムの設計を行う。
本アーキテクチャでは,両タスク間の計算を再利用し,効率よくローカライズエラーを修正できる。
論文 参考訳（メタデータ） (2021-01-17T17:20:31Z) - MATS: An Interpretable Trajectory Forecasting Representation for
Planning and Control [46.86174832000696]
人間の動きに関する推論は、現代の人間ロボットの対話システムの中核的な構成要素である。
自律システムにおける行動予測の主な用途の1つは、ロボットの動作計画と制御を知らせることである。
本稿では,下流の計画や制御に適するトラジェクトリ予測のための新しい出力表現を提案する。
論文 参考訳（メタデータ） (2020-09-16T07:32:37Z) - Autonomous Exploration Under Uncertainty via Deep Reinforcement Learning
on Graphs [5.043563227694137]
本研究では,移動ロボットが事前の未知環境におけるランドマークの正確なマッピングをリアルタイムで効率的に行うという自律的な探索問題を考察する。
本稿では,グラフニューラルネットワーク(GNN)と深部強化学習(DRL)を併用した新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-24T16:50:41Z)
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。