論文の概要: A Survey on Reinforcement Learning Applications in SLAM

• arxiv url: http://arxiv.org/abs/2408.14518v1
• Date: Mon, 26 Aug 2024 00:13:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 17:51:48.968843
• Title: A Survey on Reinforcement Learning Applications in SLAM
• Title（参考訳）: SLAMにおける強化学習応用に関する調査研究
• Authors: Mohammad Dehghani Tezerjani, Mohammad Khoshnazar, Mohammadhamed Tangestanizadeh, Qing Yang,
• Abstract要約: 本研究では、SLAMの文脈における強化学習の適用について検討する。 エージェント(ロボット)が環境からのフィードバックを反復的に受けられるようにすることで、強化学習はナビゲーションとマッピングのスキルの獲得を容易にする。 本研究は, SLAMにおける強化学習の利用状況について概説した。
• 参考スコア（独自算出の注目度）: 1.1682807230625691
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The emergence of mobile robotics, particularly in the automotive industry, introduces a promising era of enriched user experiences and adept handling of complex navigation challenges. The realization of these advancements necessitates a focused technological effort and the successful execution of numerous intricate tasks, particularly in the critical domain of Simultaneous Localization and Mapping (SLAM). Various artificial intelligence (AI) methodologies, such as deep learning and reinforcement learning, present viable solutions to address the challenges in SLAM. This study specifically explores the application of reinforcement learning in the context of SLAM. By enabling the agent (the robot) to iteratively interact with and receive feedback from its environment, reinforcement learning facilitates the acquisition of navigation and mapping skills, thereby enhancing the robot's decision-making capabilities. This approach offers several advantages, including improved navigation proficiency, increased resilience, reduced dependence on sensor precision, and refinement of the decision-making process. The findings of this study, which provide an overview of reinforcement learning's utilization in SLAM, reveal significant advancements in the field. The investigation also highlights the evolution and innovative integration of these techniques.
• Abstract（参考訳）: モバイルロボティクスの出現は、特に自動車産業において、豊かなユーザー体験と複雑なナビゲーション課題の適切な処理が期待できる時代をもたらした。 これらの進歩を実現するには、特にSLAM(同時局在マッピング)の重要な領域において、集中した技術的努力と多くの複雑なタスクの実行を成功させる必要がある。 ディープラーニングや強化学習などのさまざまな人工知能(AI)手法は、SLAMの課題に対処するための実行可能なソリューションを提供する。 本研究では,SLAMの文脈における強化学習の適用について検討する。 エージェント(ロボット)が環境からのフィードバックを反復的に受けられるようにすることで、強化学習はナビゲーションとマッピングのスキルの獲得を容易にし、ロボットの意思決定能力を高める。 このアプローチには,ナビゲーション能力の向上,レジリエンスの向上,センサ精度への依存の低減,意思決定プロセスの洗練など,いくつかのメリットがある。 本研究は, SLAMにおける強化学習の利用状況について概説した。 この調査はまた、これらの技術の進化と革新的な統合を強調している。

関連論文リスト

• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Comprehensive Overview of Reward Engineering and Shaping in Advancing Reinforcement Learning Applications [0.0]
  本稿では,強化学習アルゴリズムの効率性と有効性を高めるために,報酬工学と報酬形成の重要性を強調する。 強化学習の大幅な進歩にもかかわらず、いくつかの制限が続いた。 主要な課題の1つは、多くの現実世界のシナリオにおける報酬のまばらで遅れた性質である。 実世界の環境を正確にモデル化することの複雑さと強化学習アルゴリズムの計算要求は、依然としてかなりの障害である。
  論文  参考訳（メタデータ） (2024-07-22T09:28:12Z)
• WESE: Weak Exploration to Strong Exploitation for LLM Agents [95.6720931773781]
  本稿では,オープンワールド対話型タスクの解法において,LLMエージェントの強化を目的としたWeak Exploration to Strong Exploitation (WESE)を提案する。 WESEは、探究と搾取のプロセスを分離し、費用対効果の弱いエージェントを用いて世界的知識の探索を行う。 次に、獲得した知識を格納し、タスク関連知識を抽出する知識グラフベースの戦略を導入する。
  論文  参考訳（メタデータ） (2024-04-11T03:31:54Z)
• Toward enriched Cognitive Learning with XAI [44.99833362998488]
  本稿では,人工知能(AI)ツールによる認知学習のためのインテリジェントシステム(CL-XAI)を提案する。 CL-XAIの使用は、学習者が問題解決スキルを高めるために問題に取り組むゲームインスパイアされた仮想ユースケースで説明される。
  論文  参考訳（メタデータ） (2023-12-19T16:13:47Z)
• Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
  インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。 ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。 このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
  論文  参考訳（メタデータ） (2022-10-18T17:28:58Z)
• Rethinking Learning Dynamics in RL using Adversarial Networks [79.56118674435844]
  本稿では,スキル埋め込み空間を通じてパラメータ化された,密接に関連するスキルの強化学習のための学習機構を提案する。 本研究の主な貢献は、エントロピー規則化政策勾配定式化の助けを借りて、強化学習のための敵の訓練体制を定式化することである。
  論文  参考訳（メタデータ） (2022-01-27T19:51:09Z)
• Opportunities for Machine Learning to Accelerate Halide Perovskite Commercialization and Scale-Up [5.5532399751725]
  ハロゲン化ペロブスカイトの商業化を妨げる実用的課題を概観する。 機械学習(ML)ツールがどのように役立つかについて論じる。 MLツールを特定の業界のニーズに適応させる上で、業界と学術のパートナーシップがいかに役立つかを提案する。
  論文  参考訳（メタデータ） (2021-10-08T06:35:46Z)
• KnowRU: Knowledge Reusing via Knowledge Distillation in Multi-agent Reinforcement Learning [16.167201058368303]
  深層強化学習(RL)アルゴリズムはマルチエージェント領域において劇的に進歩している。 この問題を解決するには、歴史的経験の効率的な活用が不可欠です。 知識再利用のための「KnowRU」という手法を提案する。
  論文  参考訳（メタデータ） (2021-03-27T12:38:01Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)

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。