“Resolv” introduce el aprendizaje por refuerzo de agentes duales para la estimación en tiempo real del movimiento del propio agente en sistemas autónomos.

Resolv ha desarrollado un marco de aprendizaje por refuerzo con dos agentes, con el objetivo de optimizar la estimación de la movilidad del sistema en tiempo real. Este marco reduce los costos computacionales, ya que activa selectivamente aquellos módulos que son más costosos, y integra datos de IMU y VO en el proceso de análisis. El método busca mejorar la eficiencia y precisión de los sistemas autónomos, evitando así cálculos innecesarios.

Resolv ha introducido un enfoque novedoso para la estimación de movimiento en tiempo real, utilizando un marco de aprendizaje por refuerzo con dos agentes. Este trabajo aborda el problema del equilibrio entre la eficiencia computacional y la precisión en los sistemas autónomos. El marco utilizado combina un estimador de sesgo de IMU con…Un sistema de programación y políticas de fusión basado en el aprendizaje por refuerzo..

El estimador de sesgo del IMU desempeña un papel crucial en la corrección de las mediciones inerciales, asegurando así que los datos de movimiento sean fiables. El “Select Agent”, entrenado mediante el aprendizaje por refuerzo, decide inteligentemente cuándo activar el módulo de odometría visual, que requiere una mayor cantidad de recursos computacionales. Esta estrategia evita la realización de operaciones redundantes.Reduzca la dependencia del ajuste del conjunto visual-inercial, que es un proceso computacionalmente costoso..

Cuando el pipeline de datos VO se activa, se estima una posición con alta precisión, pero aún así es una posición “esparsa”. Luego, esa información se escala para convertirla en valores métricos. El agente de fusión, a continuación, fusiona los datos del sensor IMU con las observaciones obtenidas por el sistema VO. De esta manera, se adapta el peso de los diferentes sensores en función de la incertidumbre y de la dinámica del movimiento. Este método permite…Evaluación de la movilidad del ego en tiempo real, de manera eficiente y precisa.En sistemas autónomos con recursos limitados.

¿De qué manera el framework reduce los costos de computación?

El Select Agent decide de manera inteligente cuándo activar el módulo Visual Odometry, que implica un alto costo de operación. Al basar esta decisión en los datos obtenidos únicamente a partir del IMU, el framework evita los cálculos redundantes que ocurrirían si el módulo Visual Odometry estuviera activo de forma continua. Esta activación selectiva es…Un factor clave para reducir la carga computacional general..

La capacidad del marco para evitar los cálculos innecesarios es especialmente importante en entornos con recursos limitados. Los sistemas autónomos, por lo general, operan con una potencia de procesamiento y energía limitadas; por lo tanto, el hecho de realizar cálculos de manera eficiente es un factor crítico para su rendimiento.Al minimizar el uso de módulos de alta costo.El marco de trabajo asegura que los recursos computacionales se utilicen de manera óptima.

¿Cuáles son las implicaciones para la eficiencia de los sistemas autónomos?

La integración de los datos de la unidad de medida inercial y de los datos vocales a través del agente de fusión mejora la precisión en la estimación del movimiento del cuerpo. Este proceso de fusión permite adaptar el peso de los datos de los sensores en función de la incertidumbre y las dinámicas del movimiento, lo que resulta en resultados más precisos y fiables.La capacidad de adaptación del marco es un avance importante.En el diseño de sistemas autónomos.

Al reducir la dependencia del proceso de ajuste del conjunto visual-inercial, que es computacionalmente costoso, el framework permite un procesamiento en tiempo real, sin sacrificar la precisión.Esta eficiencia es crucial para las aplicaciones.En aquellos casos en los que la toma de decisiones rápida y precisa es esencial, como ocurre en vehículos autónomos y en el área de la robótica.

El método propuesto tiene implicaciones más amplias para el campo de los sistemas autónomos. Establece un nuevo estándar en términos de precisión y eficiencia computacional, algo que sigue siendo un desafío constante en el desarrollo de tecnologías autónomas.El éxito de este marco podría influir en las futuras investigaciones.Y el desarrollo en esta área, lo que conduce a la creación de sistemas autónomos más eficientes y efectivos.