292070記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. $\text{T}^3$OMVP: 都市エリアでの観察制約付きマルチビークル追跡のためのトランスフォーマーベースの時間とチーム強化学習スキーム
3 分で読了
0 views

$\text{T}^3$OMVP: 都市エリアでの観察制約付きマルチビークル追跡のためのトランスフォーマーベースの時間とチーム強化学習スキーム

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

ケントくん

ねぇ、博士。この前テレビでロボットが街で追いかけっこしてる映像を見たんだけど、あれってどうやって動いてるの？

マカセロ博士

おお、ケントくん、それは面白い質問じゃ。実はその背後には人工知能の技術が潜んでおる。具体的にはトランスフォーマーという技術を使った強化学習スキームが使われることがあるんじゃよ。

ケントくん

トランスフォーマー？それって変形ロボットのこと？

マカセロ博士

はは、違うんじゃ。ここで言うトランスフォーマーはAIのモデルの一種で、データの中から重要な部分を捉えて学習する力があるんじゃ。今回の論文ではそれを使って、観察制約がある環境でも複数の車両が協力して目標を追跡する方法を提案しているんじゃよ。

ケントくん

なるほどね！複数の車両が協力するって、まるでチームプレーみたいだね。

論文概要

本論文では、都市環境における観察制約のある状況下で、複数の車両が目標を追跡するための新しい強化学習スキーム「$\text{T}^3$OMVP」を紹介します。このスキームは、時間的およびチームによる強化学習を組み合わせたもので、トランスフォーマーモデルを活用し、リアルタイムの環境を考慮しながら効率的に目標を追跡する方法を探ります。特に、視野制約や観察の不確実性がある場合のパフォーマンスを向上させるための工夫がなされています。

引用情報

著者: 著者名群
論文名: $\text{T}^3$OMVP: A Transformer-based Time and Team Reinforcement Learning Scheme for Observation-constrained Multi-Vehicle Pursuit in Urban Area
ジャーナル名: 論文が掲載されたジャーナル名
出版年: 出版年

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
分布不一致を考慮した画像分類のセミ教師あり深層学習
（Semi-supervised Deep Learning for Image Classification with Distribution Mismatch）
次の記事
AIが誤動作する原因：技術補足
(AI Gone Astray: Technical Supplement)
関連記事
順序的意思決定環境における動的教授法
（Dynamic Teaching in Sequential Decision Making Environments）
YOLOPose V2：Transformerベースの6Dポーズ推定の理解と改善
（YOLOPose V2: Understanding and Improving Transformer-based 6D Pose Estimation）
大規模実験における混合量子状態の学習
（Learning mixed quantum states in large-scale experiments）
マルチモーダル深層学習のC++ライブラリ
（A C++ library for Multimodal Deep Learning）
初期化と学習中に指数的に多くの線形領域を示すように誘導するReLUネットワーク
（Compelling ReLU Networks to Exhibit Exponentially Many Linear Regions at Initialization and During Training）
教育におけるLLMの機会と課題：自然言語処理の視点
（Opportunities and Challenges of LLMs in Education: An NLP Perspective）
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
ドメイン外依存構文解析のための半教師あり手法
（SEMI-SUPERVISED METHODS FOR OUT-OF-DOMAIN DEPENDENCY PARSING）
  • 論文研究
マルチリンガルSeq2Seq音声認識の転移学習と言語モデルの効果
（MULTILINGUAL SEQUENCE-TO-SEQUENCE SPEECH RECOGNITION: ARCHITECTURE, TRANSFER LEARNING, AND LANGUAGE MODELING）
  • 論文研究
DeepNISによる非線形電磁逆散乱の新展開
（DeepNIS: Deep Neural Network for Nonlinear Electromagnetic Inverse Scattering）
  • 論文研究
画像から動画へ――アドバーサリアルなピクセルレベルドメイン適応による動画物体検出の学習
（Unsupervised Adversarial Visual Level Domain Adaptation for Learning Video Object Detectors from Images）
  • 論文研究
ドメイン間での物理運動転移によるニューラル慣性追跡
（Transferring Physical Motion Between Domains for Neural Inertial Tracking）
  • 論文研究
グラフのグラフに対する二重畳み込みニューラルネットワーク
（Dual Convolutional Neural Network for Graph of Graphs Link Prediction）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む