論文の概要: Learning Collective Dynamics of Multi-Agent Systems using Event-based Vision

• arxiv url: http://arxiv.org/abs/2411.07039v1
• Date: Mon, 11 Nov 2024 14:45:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:07:59.419798
• Title: Learning Collective Dynamics of Multi-Agent Systems using Event-based Vision
• Title（参考訳）: イベントベースビジョンを用いたマルチエージェントシステムの学習集団ダイナミクス
• Authors: Minah Lee, Uday Kamal, Saibal Mukhopadhyay,
• Abstract要約: 本稿では,マルチエージェントシステムの集合力学を学習し,予測するための視覚に基づく認識という,新しい問題を提案する。 私たちは、フレームやイベントとしてキャプチャされた視覚データから、集合的ダイナミクスを直接予測するディープラーニングモデルに焦点を当てています。 我々は,これらの集合行動を予測する上で,従来のフレームベース手法に対するイベントベース表現の有効性を実証的に実証した。
• 参考スコア（独自算出の注目度）: 15.26086907502649
• License:
• Abstract: This paper proposes a novel problem: vision-based perception to learn and predict the collective dynamics of multi-agent systems, specifically focusing on interaction strength and convergence time. Multi-agent systems are defined as collections of more than ten interacting agents that exhibit complex group behaviors. Unlike prior studies that assume knowledge of agent positions, we focus on deep learning models to directly predict collective dynamics from visual data, captured as frames or events. Due to the lack of relevant datasets, we create a simulated dataset using a state-of-the-art flocking simulator, coupled with a vision-to-event conversion framework. We empirically demonstrate the effectiveness of event-based representation over traditional frame-based methods in predicting these collective behaviors. Based on our analysis, we present event-based vision for Multi-Agent dynamic Prediction (evMAP), a deep learning architecture designed for real-time, accurate understanding of interaction strength and collective behavior emergence in multi-agent systems.
• Abstract（参考訳）: 本稿では,多エージェントシステムの集合的ダイナミクスを学習し,予測するための視覚に基づく認識という,新しい問題を提案する。 マルチエージェントシステムは、複雑なグループ動作を示す10以上の相互作用エージェントの集合として定義される。 エージェントの位置の知識を仮定する以前の研究とは異なり、私たちは、フレームやイベントとしてキャプチャされた視覚データから集合的ダイナミクスを直接予測するディープラーニングモデルに焦点を当てている。 関連するデータセットがないため、最先端のフロッキングシミュレータを使ってシミュレーションデータセットを作成し、ビジョンからイベントへの変換フレームワークと組み合わせる。 我々は,これらの集合行動を予測する上で,従来のフレームベース手法に対するイベントベース表現の有効性を実証的に実証した。 本稿では,マルチエージェントシステムにおける相互作用強度と集団行動のリアルタイム的理解を目的としたディープラーニングアーキテクチャである,マルチエージェント動的予測(evMAP)に関するイベントベースビジョンを提案する。

関連論文リスト

• Learning System Dynamics without Forgetting [60.08612207170659]
  未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。 本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。 生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity [15.295157876811066]
  本稿では, 関連系・異種系系の集合において, 成分間の顆粒・因果関係を共同で学習する変分オートエンコーダに基づくフレームワークを提案する。 提案するフレームワークの性能は,複数の合成データ設定に基づいて評価し,個別のシステム学習用に設計された既存手法と比較した。
  論文  参考訳（メタデータ） (2024-02-25T16:11:32Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Predictive Experience Replay for Continual Visual Control and Forecasting [62.06183102362871]
  視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。 まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。 我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
  本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。 チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-10-17T07:16:44Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• GATSBI: Generative Agent-centric Spatio-temporal Object Interaction [9.328991021103294]
  GAT SBIは生観測の系列を構造化表現に変換する生成モデルである。 GAT SBIはシーン分解や映像予測において最先端技術に比べて優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-09T09:45:00Z)
• Deep learning reveals hidden interactions in complex systems [0.0]
  AgentNetは、複雑なシステムに隠されたインタラクションを明らかにするために、ディープニューラルネットワークで構成されるモデルフリーのデータ駆動フレームワークである。 鳥の群れから得られた実証データにより、AgentNetは本物の鳥が提示する隠れた相互作用範囲を特定できることを示した。
  論文  参考訳（メタデータ） (2020-01-03T02:25:50Z)
• Improved Structural Discovery and Representation Learning of Multi-Agent Data [5.40729975786985]
  本稿では,構造化マルチエージェントデータのロバストな順序付けを行う動的アライメント手法を提案する。 プロリーグからの大量のサッカー追跡データを用いて,このアプローチの価値を実証する。
  論文  参考訳（メタデータ） (2019-12-30T22:49:55Z)

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。