論文の概要: PACER: Preference-conditioned All-terrain Costmap Generation

• arxiv url: http://arxiv.org/abs/2410.23488v1
• Date: Wed, 30 Oct 2024 22:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:00:45.082423
• Title: PACER: Preference-conditioned All-terrain Costmap Generation
• Title（参考訳）: PACER: 優先条件の全テランのコストマップ生成
• Authors: Luisa Mao, Garrett Warnell, Peter Stone, Joydeep Biswas,
• Abstract要約: 本研究では,周辺地域の単一鳥眼ビュー(BEV)イメージを入力として受け入れるコストマップ生成の新しいアプローチであるPACERを紹介し,研究する。 PACERは、新しいユーザの好みに迅速に適応できると同時に、新しい地形へのより良い一般化を示すことができる。
• 参考スコア（独自算出の注目度）: 44.602114536463716
• License:
• Abstract: In autonomous robot navigation, terrain cost assignment is typically performed using a semantics-based paradigm in which terrain is first labeled using a pre-trained semantic classifier and costs are then assigned according to a user-defined mapping between label and cost. While this approach is rapidly adaptable to changing user preferences, only preferences over the types of terrain that are already known by the semantic classifier can be expressed. In this paper, we hypothesize that a machine-learning-based alternative to the semantics-based paradigm above will allow for rapid cost assignment adaptation to preferences expressed over new terrains at deployment time without the need for additional training. To investigate this hypothesis, we introduce and study PACER, a novel approach to costmap generation that accepts as input a single birds-eye view (BEV) image of the surrounding area along with a user-specified preference context and generates a corresponding BEV costmap that aligns with the preference context. Using both real and synthetic data along with a combination of proposed training tasks, we find that PACER is able to adapt quickly to new user preferences while also exhibiting better generalization to novel terrains compared to both semantics-based and representation-learning approaches.
• Abstract（参考訳）: 自律型ロボットナビゲーションにおいて、地形のコスト割当は通常、事前に訓練された意味分類器を用いて地形をラベル付けするセマンティックスに基づくパラダイムを用いて行われ、その後、利用者が定義したラベルとコストのマッピングに従ってコストが割り当てられる。 このアプローチは、ユーザの好みの変化に迅速に適応するが、セマンティック分類器で既に知られている地形のタイプよりも好みを表現できる。 本稿では、上記のセマンティクスに基づくパラダイムに代わる機械学習ベースの代替手法により、追加のトレーニングを必要とせず、デプロイ時に新しい地形に表現された好みに迅速にコストを割り当てることが可能になると仮定する。 この仮説を考察するために、PACERは、ユーザが指定した嗜好コンテキストとともに、周辺地域の単一鳥眼ビュー(BEV)イメージを入力として受け入れるコストマップ生成の新しいアプローチを導入、研究し、それに対応するBEVコストマップを生成する。 実データと合成データと、提案したトレーニングタスクを組み合わせることで、PACERは新しいユーザの好みに迅速に適応できると同時に、セマンティクスベースと表現学習の両方のアプローチと比較して、新しい地形へのより良い一般化が期待できる。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• Mapping the Unseen: Unified Promptable Panoptic Mapping with Dynamic Labeling using Foundation Models [3.127265144073288]
  本稿では,UPPM法について述べる。 UPPMは、従来のパン光学マッピング技術に動的ラベリング戦略を取り入れている。 その結果、UPPMは、リッチなセマンティックラベルを生成しながら、シーンやセグメントオブジェクトを正確に再構築できることがわかった。
  論文  参考訳（メタデータ） (2024-05-03T15:08:39Z)
• Visual-Language Navigation Pretraining via Prompt-based Environmental Self-exploration [83.96729205383501]
  本稿では,言語埋め込みの高速適応を実現するために,プロンプトベースの学習を導入する。 我々のモデルは、VLNやREVERIEを含む多様な視覚言語ナビゲーションタスクに適応することができる。
  論文  参考訳（メタデータ） (2022-03-08T11:01:24Z)
• Unified Instance and Knowledge Alignment Pretraining for Aspect-based Sentiment Analysis [96.53859361560505]
  Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。 事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。 我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
  論文  参考訳（メタデータ） (2021-10-26T04:03:45Z)
• Self-supervised Augmentation Consistency for Adapting Semantic Segmentation [56.91850268635183]
  本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。 私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。 適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
  論文  参考訳（メタデータ） (2021-04-30T21:32:40Z)
• Efficient Semantic Image Synthesis via Class-Adaptive Normalization [116.63715955932174]
  クラス適応正規化(CLADE)は、セマンティッククラスにのみ適応する軽量かつ等価なバリアントである。 セマンティクスレイアウトから計算したクラス内位置マップエンコーディングを導入し,cladeの正規化パラメータを変調する。 提案されたCLADEは異なるSPADEベースのメソッドに一般化し、SPADEと比較して同等の生成品質を達成できる。
  論文  参考訳（メタデータ） (2020-12-08T18:59:32Z)

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。