論文の概要: Research and Design on Intelligent Recognition of Unordered Targets for Robots Based on Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2503.07340v1
• Date: Mon, 10 Mar 2025 13:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:26.872758
• Title: Research and Design on Intelligent Recognition of Unordered Targets for Robots Based on Reinforcement Learning
• Title（参考訳）: 強化学習に基づくロボットの無秩序目標の知能認識に関する研究と設計
• Authors: Yiting Mao, Dajun Tao, Shengyuan Zhang, Tian Qi, Keqin Li,
• Abstract要約: 本研究では,強化学習を用いたAIに基づく知的ロボットの標的認識手法を提案する。 強化されたターゲットイメージは、トレーニングのための深層強化学習モデルに入力され、最終的にはAIベースのインテリジェントロボットが、混乱したターゲットを効率的に認識できるようにする。 実験結果から,提案手法は目標画像の品質を向上するだけでなく,AIをベースとした知能ロボットが,高効率かつ精度で障害対象の認識タスクを完了できることが示唆された。
• 参考スコア（独自算出の注目度）: 6.3630131513288966
• License:
• Abstract: In the field of robot target recognition research driven by artificial intelligence (AI), factors such as the disordered distribution of targets, the complexity of the environment, the massive scale of data, and noise interference have significantly restricted the improvement of target recognition accuracy. Against the backdrop of the continuous iteration and upgrading of current AI technologies, to meet the demand for accurate recognition of disordered targets by intelligent robots in complex and changeable scenarios, this study innovatively proposes an AI - based intelligent robot disordered target recognition method using reinforcement learning. This method processes the collected target images with the bilateral filtering algorithm, decomposing them into low - illumination images and reflection images. Subsequently, it adopts differentiated AI strategies, compressing the illumination images and enhancing the reflection images respectively, and then fuses the two parts of images to generate a new image. On this basis, this study deeply integrates deep learning, a core AI technology, with the reinforcement learning algorithm. The enhanced target images are input into a deep reinforcement learning model for training, ultimately enabling the AI - based intelligent robot to efficiently recognize disordered targets. Experimental results show that the proposed method can not only significantly improve the quality of target images but also enable the AI - based intelligent robot to complete the recognition task of disordered targets with higher efficiency and accuracy, demonstrating extremely high application value and broad development prospects in the field of AI robots.
• Abstract（参考訳）: 人工知能(AI)によって駆動されるロボット目標認識研究の分野では、目標の分散、環境の複雑さ、大規模データ、ノイズ干渉などの要因が、目標認識精度を著しく制限している。 継続的反復の背景と現在のAI技術のアップグレード、複雑で変更可能なシナリオにおけるインテリジェントロボットによる障害対象の正確な認識の需要を満たすため、この研究では、強化学習を用いたAIベースのインテリジェントロボット障害対象認識手法を革新的に提案する。 この方法は、収集した対象画像を両側フィルタリングアルゴリズムで処理し、低照度画像と反射画像に分解する。 その後、異なるAI戦略を採用し、照明画像を圧縮し、反射画像をそれぞれ強化し、画像の2つの部分を融合して新しい画像を生成する。 そこで本研究では,コアAI技術であるディープラーニングと強化学習アルゴリズムを深く統合する。 強化されたターゲットイメージは、トレーニングのための深層強化学習モデルに入力され、最終的にはAIベースのインテリジェントロボットが、混乱したターゲットを効率的に認識できるようにする。 実験の結果,提案手法は目標画像の品質を向上するだけでなく,AIをベースとした知的ロボットが,AIロボットの分野における極めて高い適用価値と幅広い開発可能性を示すとともに,障害対象の認識タスクを高い効率と精度で完了させることができることがわかった。

関連論文リスト

• Detecting Discrepancies Between AI-Generated and Natural Images Using Uncertainty [91.64626435585643]
  本稿では,誤用と関連するリスクを軽減するために,予測不確実性を利用してAI生成画像を検出する新しい手法を提案する。 この動機は、自然画像とAI生成画像の分布差に関する基本的な仮定から生じる。 本稿では,AI生成画像の検出スコアとして,大規模事前学習モデルを用いて不確実性を計算することを提案する。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• Deepfake Sentry: Harnessing Ensemble Intelligence for Resilient Detection and Generalisation [0.8796261172196743]
  本稿では,持続的かつ積極的なディープフェイクトレーニング強化ソリューションを提案する。 我々は、ディープフェイクジェネレータモデルによって導入されたアーティファクトの効果を模倣するオートエンコーダのプールを採用する。 実験の結果,提案するアンサンブル・オートエンコーダに基づくデータ拡張学習手法が一般化の点で改善されていることがわかった。
  論文  参考訳（メタデータ） (2024-03-29T19:09:08Z)
• Graphical Object-Centric Actor-Critic [55.2480439325792]
  本稿では,アクター批判とモデルに基づくアプローチを組み合わせたオブジェクト中心強化学習アルゴリズムを提案する。 変換器エンコーダを用いてオブジェクト表現とグラフニューラルネットワークを抽出し、環境のダイナミクスを近似する。 本アルゴリズムは,現状のモデルフリーアクター批判アルゴリズムよりも複雑な3次元ロボット環境と構成構造をもつ2次元環境において,より優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-26T06:05:12Z)
• Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from Offline Data [101.43350024175157]
  自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。 我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。 コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-06T01:36:56Z)
• Multi-Robot Collaborative Perception with Graph Neural Networks [6.383576104583731]
  汎用グラフニューラルネットワーク(GNN)を提案する。 提案手法は,単眼深度推定やセマンティックセグメンテーションなどの多視点視覚認識問題に対処できることを示す。
  論文  参考訳（メタデータ） (2022-01-05T18:47:07Z)
• AI Online Filters to Real World Image Recognition [4.874719076317905]
  本研究では,画像認識反射モデルに強化制御を加え,全体的な性能を向上させるための新しい手法について検討する。 環境検知とAIに基づく自己適応エージェントのモデリングを併用した共通インフラストラクチャに従って、我々は複数のタイプのAI制御エージェントを実装している。
  論文  参考訳（メタデータ） (2020-02-11T08:23:14Z)
• Real-Time Object Detection and Recognition on Low-Compute Humanoid Robots using Deep Learning [0.12599533416395764]
  本稿では、複数の低計算NAOロボットがカメラビューにおける物体のリアルタイム検出、認識、位置決めを行うことを可能にする新しいアーキテクチャについて述べる。 オブジェクト検出と局所化のためのアルゴリズムは,複数のシナリオにおける屋内実験に基づくYOLOv3の実証的な修正である。 このアーキテクチャは、カメラフィードからニューラルネットにリアルタイムフレームを供給し、その結果を使ってロボットを誘導する効果的なエンドツーエンドパイプラインも備えている。
  論文  参考訳（メタデータ） (2020-01-20T05:24:58Z)

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。