東華大學圖書館 |

語系: 繁體中文

說明(常見問題)

回圖書館首頁

手機版館藏查詢

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

FindBook

Google Book

Amazon

博客來

Understanding Natural Language Directions for Robotic Indoor Navigation.

紀錄類型:	書目-電子資源 : Monograph/item
正題名/作者:	Understanding Natural Language Directions for Robotic Indoor Navigation./
作者:	Mardini, Patricio Cerda.
面頁冊數:	1 online resource (68 pages)
附註:	Source: Masters Abstracts International, Volume: 83-06.
Contained By:	Masters Abstracts International83-06.
標題:	Computers. -
電子資源:	http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=28848900click for full text (PQDT)
ISBN:	9798759929901

Understanding Natural Language Directions for Robotic Indoor Navigation.
Mardini, Patricio Cerda.

Understanding Natural Language Directions for Robotic Indoor Navigation. - 1 online resource (68 pages)

Source: Masters Abstracts International, Volume: 83-06.

Thesis (M.Sc.)--Pontificia Universidad Catolica de Chile (Chile), 2021.

Includes bibliographical references

Los robots inteligentes son cada vez mas necesarios en ambientes industriales, caseros, ´y de servicio. Una habilidad clave para su utilidad general es la de poder navegar en espacios de interior cotidianos segun les sea instruido. Sin embargo, este es un problema ´ aun no resuelto en la rob ´otica. Gracias a la revoluci ´on del aprendizaje profundo, las solu- ´ciones actuales utilizan redes neuronales profundas para aprovechar la informacion multi- ´modal que un robot conoce de antemano, o que percibe mediante sensores. Los mapas, en particular, sirven para que un robot interprete correctamente instrucciones en lenguaje natural para navegar por un ambiente de interior, pues el mapa posee informacion´ util de ´la topolog´ia del ambiente.Esta tesis propone modificaciones a una arquitectura de aprendizaje de maquina su- ´pervisado que traduce la instruccion de libre sintaxis -usando la topolog ´del mapa- a una secuencia de comportamientos predefinidos de "alto nivel" semantico que el robot ´ejecutara. En particular, exploramos las h ´multi-head attention y graph attention networks para lograr una mejor generalizacion sobre ambientes desconocidos comparado ´linea de base neuronal de tipo encoder-decoder. Nuestros experimentos demuestran que s´i es posible mejorar las traducciones en ambientes nuevos, pero a expensas del desempeno en ambientes conocidos al entrenar. Se concluye que una regularizaci ˜ one- structural puede ser util como precedente, y se plantea como trabajo futuro mantener esta ´mejora sin disminuir el desempeno en ambientes conocidos.

Electronic reproduction.
Ann Arbor, Mich. :
ProQuest,
2023

Mode of access: World Wide Web

ISBN: 9798759929901Subjects--Topical Terms:

544777
Computers.
Index Terms--Genre/Form:

542853
Electronic books.

Understanding Natural Language Directions for Robotic Indoor Navigation.
LDR:04623nmm a2200445K 4500 001 2354084
005 20230324111154.5
006 m o d
007 cr mn ---uuuuu
008 241011s2021 xx obm 000 0 eng d
020 $a 9798759929901
035 $a (MiAaPQ)AAI28848900
035 $a (MiAaPQ)PontificiaChile_1153462512
035 $a AAI28848900
040 $a MiAaPQ $b eng $c MiAaPQ $d NTU
100 1 $a Mardini, Patricio Cerda. $3 3694428
245 1 0 $a Understanding Natural Language Directions for Robotic Indoor Navigation.
264 0 $c 2021
300 $a 1 online resource (68 pages)
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
500 $a Source: Masters Abstracts International, Volume: 83-06.
500 $a Advisor: Arriaza, Alvaro Soto.
502 $a Thesis (M.Sc.)--Pontificia Universidad Catolica de Chile (Chile), 2021.
504 $a Includes bibliographical references
520 $a Los robots inteligentes son cada vez mas necesarios en ambientes industriales, caseros, ´y de servicio. Una habilidad clave para su utilidad general es la de poder navegar en espacios de interior cotidianos segun les sea instruido. Sin embargo, este es un problema ´ aun no resuelto en la rob ´otica. Gracias a la revoluci ´on del aprendizaje profundo, las solu- ´ciones actuales utilizan redes neuronales profundas para aprovechar la informacion multi- ´modal que un robot conoce de antemano, o que percibe mediante sensores. Los mapas, en particular, sirven para que un robot interprete correctamente instrucciones en lenguaje natural para navegar por un ambiente de interior, pues el mapa posee informacion´ util de ´la topolog´ia del ambiente.Esta tesis propone modificaciones a una arquitectura de aprendizaje de maquina su- ´pervisado que traduce la instruccion de libre sintaxis -usando la topolog ´del mapa- a una secuencia de comportamientos predefinidos de "alto nivel" semantico que el robot ´ejecutara. En particular, exploramos las h ´multi-head attention y graph attention networks para lograr una mejor generalizacion sobre ambientes desconocidos comparado ´linea de base neuronal de tipo encoder-decoder. Nuestros experimentos demuestran que s´i es posible mejorar las traducciones en ambientes nuevos, pero a expensas del desempeno en ambientes conocidos al entrenar. Se concluye que una regularizaci ˜ one- structural puede ser util como precedente, y se plantea como trabajo futuro mantener esta ´mejora sin disminuir el desempeno en ambientes conocidos.
520 $a Smart robots in industrial, service and household environments are increasingly present in modern society. One necessary skill for their general usefulness is that of being able to navigate as instructed by a person through the same physical indoor spaces that humans use. However, this is a hard problem that is considered unsolved by the robotics community at large. With the advent of deep learning, current approaches use deep neural networks in various ways, leveraging multiple types of information that the robot either perceives or knows, such as vision, topological maps, or sound. Maps, in particular, are key when challenging a robot to interpret natural language directions for indoor navigation, as a map contains valuable insights with respect to the environment topology, something that humans normally consider.This document explores augmentations to a supervised machine learning architecture that translates an unconstrained natural language direction "aligning" it with the topological information to a sequence of pre-defined, semantically meaningful behaviors that the robot will execute according to the directions. In particular, we analyze multi-head attention and graph attention networks to improve generalization in unseen maps as compared to a neural encoder-decoder baseline. We confirm that unseen map generalization can be improved, albeit with a performance hit for maps that are seen during training. This implies that an appropriate structural prior over the architecture can be helpful, and leaves room for future work to minimize the performance hit in seen environments.
533 $a Electronic reproduction. $b Ann Arbor, Mich. : $c ProQuest, $d 2023
538 $a Mode of access: World Wide Web
650 4 $a Computers. $3 544777
650 4 $a Deep learning. $3 3554982
650 4 $a Computer science. $3 523869
650 4 $a Human performance. $3 3562051
650 4 $a Memory. $3 522110
650 4 $a Artificial intelligence. $3 516317
650 4 $a Language instruction. $3 3686602
650 4 $a Neural networks. $3 677449
650 4 $a Robots. $3 529507
650 4 $a Natural language processing. $3 1073412
650 4 $a Algorithms. $3 536374
650 4 $a Time series. $3 3561811
650 4 $a Ablation. $3 3562462
650 4 $a Probability distribution. $3 3562293
650 4 $a Cognition & reasoning. $3 3556293
650 4 $a Robotics. $3 519753
650 4 $a Cognitive psychology. $3 523881
650 4 $a Language. $3 643551
650 4 $a Mathematics. $3 515831
650 4 $a Psychology. $3 519075
650 4 $a Statistics. $3 517247
655 7 $a Electronic books. $2 lcsh $3 542853
690 $a 0771
690 $a 0984
690 $a 0800
690 $a 0729
690 $a 0633
690 $a 0679
690 $a 0338
690 $a 0405
690 $a 0621
690 $a 0463
710 2 $a ProQuest Information and Learning Co. $3 783688
710 2 $a Pontificia Universidad Catolica de Chile (Chile). $3 3550823
773 0 $t Masters Abstracts International $g 83-06.
856 4 0 $u http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=28848900 $z click for full text (PQDT)