Traversability Transfer Learning Between Robots with Different Cost Assessment Policies
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F22%3A00359490" target="_blank" >RIV/68407700:21230/22:00359490 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-030-98260-7_21" target="_blank" >https://doi.org/10.1007/978-3-030-98260-7_21</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-98260-7_21" target="_blank" >10.1007/978-3-030-98260-7_21</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Traversability Transfer Learning Between Robots with Different Cost Assessment Policies
Popis výsledku v původním jazyce
Predicting mobile robots' traversability over terrains is crucial to select safe and efficient paths through rough and unstructured environments. In multi-robot missions, knowledge transfer techniques can enable learning terrain traversability assessment the robots did not experience individually. The knowledge can be incrementally aggregated for homogeneous robots since they can treat foreign knowledge as their own. However, robots with different perceptions might experience the same terrain differently, so it is impossible to aggregate the shared knowledge directly. In this paper, we show how to learn a model that transfers the experience between heterogeneous robots, enabling each robot to use the whole sum of the experience of the multi-robot team. The proposed approach uses correlation to combine individual neural networks that assess the traversability of individual robots. The presented method has been verified in a real-world deployment of multi-legged walking robots with different cost assessment policies.
Název v anglickém jazyce
Traversability Transfer Learning Between Robots with Different Cost Assessment Policies
Popis výsledku anglicky
Predicting mobile robots' traversability over terrains is crucial to select safe and efficient paths through rough and unstructured environments. In multi-robot missions, knowledge transfer techniques can enable learning terrain traversability assessment the robots did not experience individually. The knowledge can be incrementally aggregated for homogeneous robots since they can treat foreign knowledge as their own. However, robots with different perceptions might experience the same terrain differently, so it is impossible to aggregate the shared knowledge directly. In this paper, we show how to learn a model that transfers the experience between heterogeneous robots, enabling each robot to use the whole sum of the experience of the multi-robot team. The proposed approach uses correlation to combine individual neural networks that assess the traversability of individual robots. The presented method has been verified in a real-world deployment of multi-legged walking robots with different cost assessment policies.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Modelling and Simulation for Autonomus Systems
ISBN
978-3-030-98259-1
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
12
Strana od-do
333-344
Název nakladatele
Springer-Verlag
Místo vydání
Berlin
Místo konání akce
Virtual
Datum konání akce
20. 10. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000787774900021