論文の概要: Map Prediction and Generative Entropy for Multi-Agent Exploration

• arxiv url: http://arxiv.org/abs/2501.13189v1
• Date: Wed, 22 Jan 2025 19:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:43.110669
• Title: Map Prediction and Generative Entropy for Multi-Agent Exploration
• Title（参考訳）: マルチエージェント探索のためのマップ予測と生成エントロピー
• Authors: Alexander Spinos, Bradley Woosley, Justin Rokisky, Christopher Korpela, John G. Rogers III, Brian A. Bittner,
• Abstract要約: 我々は,探索ミッション中に,未知空間を多エージェント2次元占有マップに描画する地図予測器を開発した。 予測において高い不確実性を示す領域を同定し, 生成エントロピーの概念を定式化する。 提案手法により,従来の情報誘導手法よりもはるかに高速に正確なシーンを予測できることを示す。
• 参考スコア（独自算出の注目度）: 37.938606877112
• License:
• Abstract: Traditionally, autonomous reconnaissance applications have acted on explicit sets of historical observations. Aided by recent breakthroughs in generative technologies, this work enables robot teams to act beyond what is currently known about the environment by inferring a distribution of reasonable interpretations of the scene. We developed a map predictor that inpaints the unknown space in a multi-agent 2D occupancy map during an exploration mission. From a comparison of several inpainting methods, we found that a fine-tuned latent diffusion inpainting model could provide rich and coherent interpretations of simulated urban environments with relatively little computation time. By iteratively inferring interpretations of the scene throughout an exploration run, we are able to identify areas that exhibit high uncertainty in the prediction, which we formalize with the concept of generative entropy. We prioritize tasks in regions of high generative entropy, hypothesizing that this will expedite convergence on an accurate predicted map of the scene. In our study we juxtapose this new paradigm of task ranking with the state of the art, which ranks regions to explore by those which maximize expected information recovery. We compare both of these methods in a simulated urban environment with three vehicles. Our results demonstrate that by using our new task ranking method, we can predict a correct scene significantly faster than with a traditional information-guided method.
• Abstract（参考訳）: 伝統的に、自律偵察の応用は、歴史的観測の明確なセットに作用してきた。 生成技術の最近の進歩にともなうこの研究により、ロボットチームは、シーンの合理的な解釈の分布を推定することによって、現在環境について知られていることを超えて行動することができる。 我々は、探索ミッション中に、未知空間をマルチエージェント2次元占有マップに描画するマップ予測器を開発した。 いくつかの塗布法との比較から, 微調整潜在拡散塗布モデルにより, 比較的少ない計算時間で, シミュレーションした都市環境のリッチで一貫性のある解釈が得られることがわかった。 探索走行を通してシーンの解釈を反復的に推測することにより,予測の不確実性が高い領域を同定し,生成エントロピーの概念を定式化することができる。 我々は,高生成エントロピー領域におけるタスクを優先順位付けし,それが正確な予測されたシーンの地図上で収束を早めるという仮説を立てた。 本研究では,このタスクランキングの新たなパラダイムを,期待される情報回復を最大化する領域で探索できる最先端のタスクランキングに設定する。 シミュレーションされた都市環境におけるこれらの手法と3台の車両を比較した。 提案手法により,従来の情報誘導手法よりもはるかに高速に正確なシーンを予測できることを示す。

関連論文リスト

• MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions [6.420382919565209]
  我々は、しばしば予測可能で繰り返しパターンから構成される、構造化された屋内環境を探索するロボットに焦点を当てる。 近年の研究では、深層学習技術を用いて地図の未知領域を予測し、これらの予測を情報ゲイン計算に利用している。 本研究では,予測地図を用いて情報ゲイン推定のための確率的センサモデルを構築する新しい探索フレームワークであるMapExを紹介する。
  論文  参考訳（メタデータ） (2024-09-23T22:48:04Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• SePaint: Semantic Map Inpainting via Multinomial Diffusion [12.217566404643033]
  生成的多項拡散に基づく意味データに対する着色モデルであるSePaintを提案する。 本稿では,ワンステップのルックバック操作を行う新しい,効率的な条件戦略であるLook-Back Condition(LB-Con)を提案する。 提案手法は,様々なロボットアプリケーションでよく用いられる手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-05T18:04:28Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Learning-Augmented Model-Based Planning for Visual Exploration [8.870188183999854]
  学習型モデルベースプランニングを用いた新しい探索手法を提案する。 室内シーンの視覚センシングとセマンティックマッピングの進歩が活用される。 提案手法は,2.1%,RLに基づく探査手法8.4%を網羅的に上回っている。
  論文  参考訳（メタデータ） (2022-11-15T04:53:35Z)
• Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning [60.599223456298915]
  本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。 本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。 最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
  論文  参考訳（メタデータ） (2022-08-17T14:19:33Z)
• MUSE-VAE: Multi-Scale VAE for Environment-Aware Long Term Trajectory Prediction [28.438787700968703]
  条件付きMUSEは、現在の最先端技術と比較して、多様かつ同時に正確な予測を提供する。 我々は、新しい合成データセットであるPFSDと同様に、nuScenesとSDDベンチマークに関する包括的な実験を通してこれらのアサーションを実証する。
  論文  参考訳（メタデータ） (2022-01-18T18:40:03Z)
• Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
  画像に基づく観察のための自己教師付き表現学習法を提案する。 我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
  論文  参考訳（メタデータ） (2020-10-05T19:47:04Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。