AirCapRL:深層強化学習を用いた自律空中人間モーションキャプチャ【JST・京大機械翻訳】

Tallamraju Rahul; Saini Nitin; Bonetto Elia; Pabst Michael; Liu Yu Tang; Black Michael J.; Ahmad Aamir

プレプリント

J-GLOBAL ID：202202201478648871 整理番号：22P0170292

AirCapRL:深層強化学習を用いた自律空中人間モーションキャプチャ【JST・京大機械翻訳】

AirCapRL: Autonomous Aerial Human Motion Capture using Deep Reinforcement Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年07月13日プレプリントサーバーでの情報更新日： 2020年08月01日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本レターでは,自律空中人間運動捕捉(MoCap)のタスクのための,深い強化学習(RL)ベースのマルチロボット形成制御装置を導入した。視覚ベースのMoCapに焦点を当て,ここでは,複数のマイクロ航空機を用いて,物体姿勢の軌跡と単一移動者の形状を推定することを目的とした。この問題に対する最先端の解決策は,手作業システムと観測モデルに依存する古典的制御法に基づいている。そのようなモデルは,異なるシステムを通して導出し,一般化するのが難しい。さらに,これらのモデルの非線形性と非凸性は準最適制御につながる。本研究では,視覚ベースモーションキャプチャ目的を達成する逐次意思決定タスクとしてこの問題を定式化し,それを深層ニューラルネットワークベースRL法を用いて解く。生成制御のための確率的分散制御ポリシーを訓練するために,近位政策最適化(PPO)を利用した。ニューラルネットワークを,合成環境における並列設定において訓練した。このアプローチを検証するために,広範なシミュレーション実験を行った。最後に,実際のロボット実験は,著者らの政策が実世界条件に一般化することを示した。ビデオリンク:https://bit.ly/38SJfjo補足:https://bit.ly/3evfo1O。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , ロボットの運動・制御

, , ,

前のページに戻る