論文の概要: DeepRacer on Physical Track: Parameters Exploration and Performance Evaluation

• arxiv url: http://arxiv.org/abs/2406.03769v1
• Date: Thu, 6 Jun 2024 06:17:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 18:15:59.959987
• Title: DeepRacer on Physical Track: Parameters Exploration and Performance Evaluation
• Title（参考訳）: DeepRacer on Physical Track:パラメータ探索と性能評価
• Authors: Sinan Koparan, Bahman Javadi,
• Abstract要約: 本稿では、AWS DeepRacerの物理的なレーストラック機能に焦点を当てる。 シミュレーション環境では,勾配降下バッチサイズが高いモデルの方が勾配降下バッチサイズが低いモデルよりも優れた性能を示した。 シミュレーション環境でのオブジェクトの回避は効果的であるように見えるが、これらのモデルを物理的環境に持ち込む際には、オブジェクトを避けることが顕著な課題であった。
• 参考スコア（独自算出の注目度）: 2.194575078433007
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper focuses on the physical racetrack capabilities of AWS DeepRacer. Two separate experiments were conducted. The first experiment (Experiment I) focused on evaluating the impact of hyperparameters on the physical environment. Hyperparameters such as gradient descent batch size and loss type were changed systematically as well as training time settings. The second experiment (Experiment II) focused on exploring AWS DeepRacer object avoidance in the physical environment. It was uncovered that in the simulated environment, models with a higher gradient descent batch size had better performance than models with a lower gradient descent batch size. Alternatively, in the physical environment, a gradient descent batch size of 128 appears to be preferable. It was found that models using the loss type of Huber outperformed models that used the loss type of MSE in both the simulated and physical environments. Finally, object avoidance in the simulated environment appeared to be effective; however, when bringing these models to the physical environment, there was a pronounced challenge to avoid objects. Therefore, object avoidance in the physical environment remains an open challenge.
• Abstract（参考訳）: 本稿では、AWS DeepRacerの物理的なレーストラック機能に焦点を当てる。 2つの実験が行われた。 最初の実験(実験I)は、ハイパーパラメータが物理的環境に与える影響を評価することに焦点を当てた。 勾配降下バッチサイズや損失タイプなどのハイパーパラメータは、トレーニング時間設定と同様に体系的に変更された。 第2の実験(Experiment II)では、物理的環境におけるAWS DeepRacerオブジェクトの回避について調査した。 シミュレーション環境では,勾配降下バッチサイズが高いモデルの方が勾配降下バッチサイズが低いモデルよりも優れた性能を示した。 また、物理的環境においては、勾配降下バッチサイズが128であることが好ましい。 その結果、ハマーの損失型を用いたモデルは、シミュレーションと物理環境の両方でMSEの損失型を用いたモデルよりも優れていた。 最後に、シミュレーション環境でのオブジェクトの回避は効果的であるように見えるが、これらのモデルを物理的環境に持ち込む際には、オブジェクトを避けることが顕著な課題であった。 したがって、物理的環境における物体の回避は依然としてオープンな課題である。

関連論文リスト

• Post-Hoc Reversal: Are We Selecting Models Prematurely? [13.910702424593797]
  ポストホック変換を適用した後に性能傾向が逆転するポストホック逆転現象を示す。 予備的な分析は、これらの変換が、誤ラベルされた例の影響を抑えることによって、逆転を引き起こすことを示唆している。 ポストホック選択(post-hoc selection)は、ポストホックメトリクスがモデル開発決定を通知するシンプルな手法である。
  論文  参考訳（メタデータ） (2024-04-11T14:58:19Z)
• Filtered Partial Differential Equations: a robust surrogate constraint in physics-informed deep learning framework [1.220743263007369]
  そこで本研究では,従来の物理方程式のサロゲート制約(フィルタPDE,FPDE,略してFPDE)を提案し,ノイズおよびスパース観測データの影響を低減した。 ノイズ・スパシティ実験では、提案したFPDEモデルは従来のPDEモデルよりも堅牢性が高い。 実世界の実験データを物理インフォームドトレーニングに組み込むためには,提案したFPDE制約が有用である。
  論文  参考訳（メタデータ） (2023-11-07T07:38:23Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)
• Could Giant Pretrained Image Models Extract Universal Representations? [94.97056702288317]
  本稿では,多種多様なコンピュータビジョンタスクに適用した凍結事前学習モデルについて述べる。 私たちの研究は、この凍結した設定にどのような事前学習タスクが最適か、凍結した設定を様々な下流タスクに柔軟にする方法、より大きなモデルサイズの影響について、質問に答えています。
  論文  参考訳（メタデータ） (2022-11-03T17:57:10Z)
• Predicting Physical Object Properties from Video [28.19031441659854]
  本稿では,映像から物体の物理的特性を推定する手法を提案する。 提案手法は物理エンジンと補正推定器から構成される。 いくつかのシミュレーション2次元シナリオにおいて,学習した手法のより高速でより堅牢な収束を実証する。
  論文  参考訳（メタデータ） (2022-06-02T08:46:22Z)
• Continual Predictive Learning from Videos [100.27176974654559]
  本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。 本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。 我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
  論文  参考訳（メタデータ） (2022-04-12T08:32:26Z)
• {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
  Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。 本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T17:59:57Z)
• ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object Manipulation [135.10594078615952]
  本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。 ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。 我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-03-14T04:56:55Z)
• Interactron: Embodied Adaptive Object Detection [18.644357684104662]
  インタラクティブな環境下での適応オブジェクト検出手法であるInteractronを提案する。 私たちの考えは、推論中のトレーニングを継続し、環境との対話を通じて明確な監督なしに、テスト時にモデルを適応させることです。
  論文  参考訳（メタデータ） (2022-02-01T18:56:14Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。