文献

J-GLOBAL ID：202002280820696784   整理番号：20A2500233

ニューラルネットワーク予測制御(自己駆動車)学習のためのメンタルシミュレーションアプローチ【JST・京大機械翻訳】

A Mental Simulation Approach for Learning Neural-Network Predictive Control (in Self-Driving Cars)

著者 (5件)： Da Lio Mauro (Department of Industrial Engineering, University of Trento, Trento, Italy) ,  Dona Riccardo (Department of Industrial Engineering, University of Trento, Trento, Italy) ,  Papini Gastone Pietro Rosati (Department of Industrial Engineering, University of Trento, Trento, Italy) ,  Biral Francesco (Department of Industrial Engineering, University of Trento, Trento, Italy) ,  Svensson Henrik (Interaction Laboratory, University of Skoevde, Skoevde, Sweden)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 192041-192064  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  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： 本論文では,”メンタルシミュレーション”による予測運動制御を学習するための新しいアプローチを示した。自然認知における精神画像による学習によって触発された方法は,2つの相で発展する:最初に,環境との相互作用で記録されたデータに基づく予測モデルの学習;次に,オフラインエピソードシミュレーションによる逆モデルの合成を行った。人間工学制御理論的ワークフローとの並列性(数学的モデリングに続く最適制御反転)を確立した。後者の人間指向合成と比較して,精神的シミュレーション手法は自律性を増加させる:ロボットエージェントは予測モデルを学習し,大きな独立性を持つ逆変換を合成できる。人間モデリングはまだ必要であるが,前方および逆ニューラルネットワークおよび少数の他の指令のための効率的なテンプレートの提供に限定されている。1つは,これらのテンプレートを効率的な脳ネットワーク類型として考慮し,進化が迅速かつ効率的に学習できるように進化した。ニューラルネットワークの構造化は,前方と逆の両方とも,小脳組織に従う解釈可能な「局所モデル」で作られ,それは,小脳組織(また,文献で知られている局所モデルアプローチと類似)に従う。横方向車両動力学に対する一次モデル(モデル予測制御と対比)の学習を示した。次に,著者らは,前方/逆のニューラルモデルが著しく改善される第二の学習反復法を示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *シミュレーション ,  相互作用 ,  *学習 ,  最適制御 ,  人間工学 ,  *ネットワーク ,  逐次近似 ,  *ニューラルネットワーク ,  逆変換 ,  予測制御 ,  ワークフロー ,  予測モデル
準シソーラス用語： 神経回路網モデル ,  逆モデル ,  オフライン , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： ニューラルネットワーク ,  予測制御 ,  自己 ,  学習