Learning Optimal Topology for Ad-hoc Robot Networks

要約

この論文では、アドホック ロボット ネットワークの最適なトポロジを予測するデータ駆動型の手法を統合します。
この問題は、技術的にはマルチタスク分類問題です。
ただし、より効率的に解決できる複数クラスの分類問題のクラスに分割します。
この目的のために、まず、ロボット ネットワークのさまざまな構成に関連付けられたグラウンドトゥルースの最適なトポロジを作成するアルゴリズムを構成します。
このアルゴリズムには、学習モデルが正常に学習できる最適性基準の複雑なコレクションが組み込まれています。
このモデルはスタックされたアンサンブルであり、その出力は特定のロボットのトポロジ予測です。
スタックされた各アンサンブル インスタンスは 3 つの低レベル推定器を構成し、その出力は高レベルのブースティング ブレンダーによって集約されます。
私たちのモデルを 10 台のロボットのネットワークに適用すると、引用されたネットワークのさまざまな構成に対応する最適なトポロジの予測が 80% 以上の精度で示されます。

要約(オリジナル)

In this paper, we synthesize a data-driven method to predict the optimal topology of an ad-hoc robot network. This problem is technically a multi-task classification problem. However, we divide it into a class of multi-class classification problems that can be more efficiently solved. For this purpose, we first compose an algorithm to create ground-truth optimal topologies associated with various configurations of a robot network. This algorithm incorporates a complex collection of optimality criteria that our learning model successfully manages to learn. This model is an stacked ensemble whose output is the topology prediction for a particular robot. Each stacked ensemble instance constitutes three low-level estimators whose outputs will be aggregated by a high-level boosting blender. Applying our model to a network of 10 robots displays over 80% accuracy in the prediction of optimal topologies corresponding to various configurations of the cited network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google