ترجمه فارسی مقاله یادگیری محدودیت بدون برچسب مثبت (PUCL) برای استنتاج توابع محدودیت پیوسته غیرخطی از نمایش‌های تخصصی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Positive-Unlabeled Constraint Learning (PUCL) for Inferring Nonlinear Continuous Constraints Functions from Expert Demonstrations
عنوان مقاله به فارسی یادگیری محدودیت بدون برچسب مثبت (PUCL) برای استنتاج توابع محدودیت پیوسته غیرخطی از نمایش‌های تخصصی
نویسندگان Baiyu Peng, Aude Billard
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
دسته بندی موضوعات Robotics,Artificial Intelligence,Machine Learning,روباتیک , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 2 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 2 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 320,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Planning for a wide range of real-world robotic tasks necessitates to know and write all constraints. However, instances exist where these constraints are either unknown or challenging to specify accurately. A possible solution is to infer the unknown constraints from expert demonstration. This paper presents a novel Positive-Unlabeled Constraint Learning (PUCL) algorithm to infer a continuous arbitrary constraint function from demonstration, without requiring prior knowledge of the true constraint parameterization or environmental model as existing works. Within our framework, we treat all data in demonstrations as positive (feasible) data, and learn a control policy to generate potentially infeasible trajectories, which serve as unlabeled data. In each iteration, we first update the policy and then a two-step positive-unlabeled learning procedure is applied, where it first identifies reliable infeasible data using a distance metric, and secondly learns a binary feasibility classifier (i.e., constraint function) from the feasible demonstrations and reliable infeasible data. The proposed framework is flexible to learn complex-shaped constraint boundary and will not mistakenly classify demonstrations as infeasible as previous methods. The effectiveness of the proposed method is verified in three robotic tasks, using a networked policy or a dynamical system policy. It successfully infers and transfers the continuous nonlinear constraints and outperforms other baseline methods in terms of constraint accuracy and policy safety.

چکیده به فارسی (ترجمه ماشینی)

برنامه ریزی برای طیف گسترده ای از کارهای روباتیک در دنیای واقعی نیاز به دانستن و نوشتن همه محدودیت ها دارد.با این حال ، مواردی وجود دارد که این محدودیت ها ناشناخته یا چالش برانگیز هستند تا به طور دقیق مشخص شوند.یک راه حل ممکن برای استنباط محدودیت های ناشناخته از تظاهرات متخصص است.در این مقاله یک الگوریتم یادگیری محدودیت با محدودیت مثبت (PUCL) جدید ارائه شده است تا یک عملکرد محدودیت دلخواه مداوم از نمایش را استنباط کند ، بدون اینکه نیاز به دانش قبلی در مورد پارامتر سازی محدودیت واقعی یا الگوی محیط زیست به عنوان کارهای موجود داشته باشد.در چارچوب ما ، ما با تمام داده ها در تظاهرات به عنوان داده های مثبت (امکان پذیر) رفتار می کنیم و یک خط مشی کنترل را برای تولید مسیرهای بالقوه غیرقابل نفوذ ، که به عنوان داده های بدون برچسب خدمت می کنند ، می آموزیم.در هر تکرار ، ابتدا خط مشی را به روز می کنیم و سپس یک روش یادگیری بدون برچسب مثبت دو مرحله ای اعمال می شود ، جایی که ابتدا داده های قابل اعتماد قابل اعتماد را با استفاده از یک متریک از راه دور شناسایی می کند و دوم یک طبقه بندی کننده امکان سنجی باینری (یعنی عملکرد محدودیت) را از آنها می آموزد.تظاهرات امکان پذیر و داده های غیرقابل اطمینان قابل اعتماد.چارچوب پیشنهادی برای یادگیری مرز محدودیت به شکل پیچیده انعطاف پذیر است و به اشتباه تظاهرات را به عنوان روشهای قبلی غیر ممکن طبقه بندی نمی کند.اثربخشی روش پیشنهادی در سه کار روباتیک ، با استفاده از یک خط مشی شبکه یا یک خط مشی سیستم دینامیکی تأیید شده است.این با موفقیت محدودیت های مداوم غیرخطی را تحت الشعاع و انتقال قرار می دهد و از سایر روشهای پایه از نظر دقت محدودیت و ایمنی سیاست بهتر عمل می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.