論文の概要: Maze Discovery using Multiple Robots via Federated Learning

• arxiv url: http://arxiv.org/abs/2407.01596v1
• Date: Tue, 25 Jun 2024 09:34:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-07 13:24:39.565131
• Title: Maze Discovery using Multiple Robots via Federated Learning
• Title（参考訳）: フェデレーションラーニングによる複数ロボットによる迷路発見
• Authors: Kalpana Ranasinghe, H. P. Madushanka, Rafaela Scaciota, Sumudu Samarakoon, Mehdi Bennis,
• Abstract要約: 本研究は,LiDARセンサ搭載ロボットを用いた迷路発見に応用したフェデレートラーニング(FL)のユースケースを提案する。 ここでのゴールは、不規則な形をした壁で作られた2つの異なる正方形の迷路内の格子領域の形状を正確に識別するための分類モデルを訓練することである。 この問題は、1つの迷路のみを探索するロボット間でFLフレームワークを採用することで解決される。
• 参考スコア（独自算出の注目度）: 29.030158705893058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a use case of federated learning (FL) applied to discovering a maze with LiDAR sensors-equipped robots. Goal here is to train classification models to accurately identify the shapes of grid areas within two different square mazes made up with irregular shaped walls. Due to the use of different shapes for the walls, a classification model trained in one maze that captures its structure does not generalize for the other. This issue is resolved by adopting FL framework between the robots that explore only one maze so that the collective knowledge allows them to operate accurately in the unseen maze. This illustrates the effectiveness of FL in real-world applications in terms of enhancing classification accuracy and robustness in maze discovery tasks.
• Abstract（参考訳）: 本研究は,LiDARセンサ搭載ロボットを用いた迷路発見に応用したフェデレートラーニング(FL)のユースケースを提案する。 ここでのゴールは、不規則な形をした壁で作られた2つの異なる正方形の迷路内の格子領域の形状を正確に識別するための分類モデルを訓練することである。 壁の形状が異なるため、その構造を捉えた1つの迷路で訓練された分類モデルは、他方では一般化しない。 この問題は、1つの迷路のみを探索するロボット間でFLフレームワークを採用することで解決される。 このことは、迷路発見タスクにおける分類精度とロバスト性の向上の観点から、実世界の応用におけるFLの有効性を示す。

関連論文リスト

• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• An Intent Modeling and Inference Framework for Autonomous and Remotely Piloted Aerial Systems [0.0]
  非許可飛行からジオフェンスを保護するための防衛計画を支援するために、インテントモデリングと推論の枠組みが提示される。 クリティカル・ウェイポイントとクリティカル・ウェイポイント・パターンの概念を導入し、意図を完全に特徴づける動作プロセスと関連付ける。 障害物のある2次元および3次元環境における自律的、半自律的、およびパイロットシステムに適用できる。
  論文  参考訳（メタデータ） (2024-09-13T01:57:37Z)
• Structural Credit Assignment with Coordinated Exploration [0.0]
  構造的信用割当の改善を目的とした方法は、一般的に2つのカテゴリに分類される。 本稿では,ボルツマンマシンやリカレントネットワークを協調探索に用いることを提案する。 実験結果から, 協調探査は訓練速度において, 独立探索をはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-07-25T04:55:45Z)
• Navigating to Objects in the Real World [76.1517654037993]
  本稿では,古典的,モジュール的,エンド・ツー・エンドの学習手法と比較した,意味的視覚ナビゲーション手法に関する大規模な実証的研究について述べる。 モジュラー学習は実世界ではうまく機能し、90%の成功率に達しています。 対照的に、エンド・ツー・エンドの学習は、シミュレーションと現実の間の画像領域の差が大きいため、77%のシミュレーションから23%の実際の成功率へと低下する。
  論文  参考訳（メタデータ） (2022-12-02T01:10:47Z)
• Contrastive Learning of Features between Images and LiDAR [18.211513930388417]
  この研究は、クロスモーダルな特徴を密接な対照的な学習問題として扱う。 優れた特徴を学習し、一般性を損なわないために、画像に広く使われているPointNet++アーキテクチャの亜種を開発した。 我々のモデルでは,特徴を可視化することで,画像とLiDARの両方から情報を学習できることが示されている。
  論文  参考訳（メタデータ） (2022-06-24T04:35:23Z)
• SSA: Semantic Structure Aware Inference for Weakly Pixel-Wise Dense Predictions without Cost [36.27226683586425]
  The semantic structure aware inference (SSA) was proposed to explore the semantic structure information hidden in different stage of the CNN-based network to generate high-quality CAM in the model inference。 提案手法はパラメータを含まない利点があり,訓練は不要である。したがって,弱教師付き画素ワイド予測タスクにも適用可能である。
  論文  参考訳（メタデータ） (2021-11-05T11:07:21Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• Differential Morphed Face Detection Using Deep Siamese Networks [23.632874831725665]
  本稿では,ディープ・シームズ・ネットワークを用いた新しいディファレンシャル・モーフィック・アタック検出フレームワークを提案する。 我々の知る限りでは、これはシームズネットワークアーキテクチャをモルヒネ攻撃検出に利用した最初の研究である。
  論文  参考訳（メタデータ） (2020-12-02T21:30:11Z)
• Kimera-Multi: a System for Distributed Multi-Robot Metric-Semantic Simultaneous Localization and Mapping [57.173793973480656]
  本稿では,高密度メカニカル・セマンティックSLAMのための完全分散マルチロボットシステムを提案する。 私たちのシステムはKimera-Multiと呼ばれ、視覚慣性センサーを備えたロボットチームによって実装されています。 Kimera-Multiは環境の3Dメッシュモデルをリアルタイムで構築し、メッシュの各面にセマンティックラベルをアノテートする。
  論文  参考訳（メタデータ） (2020-11-08T21:38:12Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。