文献

J-GLOBAL ID：201702268332624340   整理番号：17A1641699

移動ロボットを用いた高速で信頼性の高い未知地形分類のための弱い分類器によるアンサンブル学習【Powered by NICT】

Ensemble Learning With Weak Classifiers for Fast and Reliable Unknown Terrain Classification Using Mobile Robots

著者 (2件)： Dutta Ayan (Department of Computer Science, University of Nebraska at Omaha, Omaha, USA) ,  Dasgupta Prithviraj (Department of Computer Science, University of Nebraska at Omaha, Omaha, USA)
資料名： IEEE Transactions on Systems, Man, and Cybernetics: Systems  (IEEE Transactions on Systems, Man, and Cybernetics: Systems)
巻： 47  号： 11  ページ： 2933-2944  発行年： 2017年 
JST資料番号： C0425D  ISSN： 2168-2216  CODEN： ITSMFE  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： は,ロボットがナビゲーションであることを知られていない地形の特徴を分類するための軽量かつ高速な学習アルゴリズムを提案した。移動ロボットによる未知の地形分類に関する既存研究の多くでは,レーザまたはカメラのような単一センサからのセンサデータを用いた地形を正しく特定できる単一強力な分類器に依存している。とは対照的に,この提案した方法は地形タイプを分類するためのセンシングデータと多重,弱いがより単純な分類器の複数のモダリティを用いた。分類器は,個々の分類器と比較して,アルゴリズムの訓練速度を改善するためのアンサンブル学習アルゴリズムを使用して組み合わされる。著者らのアルゴリズムは,煉瓦,草,岩石,砂,コンクリートを含む種々の地形上の,探査機と呼ばれる四輪自律ロボットを誘導することにより収集したデータを用いて試験した。著者らの結果は,単一センサからのセンサデータを用いたサポートベクトルマシン(SVM)に基づく学習技法と比較して筆者らが提案したアプローチは,いくつかの地域では63%まで良好な予測精度を有する優れた性能を持つことを示した。複数のクラシファイアを用いたにもかかわらず,著者らのアルゴリズムは,平均時間の一部のみ(1/65)を,SVM技術と比較した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： サポートベクトルマシン ,  *移動ロボット ,  *ロボット ,  *学習 ,  *信頼性 ,  学習アルゴリズム ,  アルゴリズム ,  *高速度 ,  自律ロボット ,  分級機 ,  センサ
準シソーラス用語： 予測精度 ,  センサデータ ,  *アンサンブル学習 ,  *地形分類 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  ロボットの運動・制御  (IC04012J)

タイトルに関連する用語 (4件)： 移動ロボット ,  地形分類 ,  分類器 ,  アンサンブル学習