End-to-end imitation learning of lane following policies using sum-product networks (2019)
- Authors:
- USP affiliated authors: MAUÁ, DENIS DERATANI - IME ; GEH, RENATO LUI - IME
- Unidade: IME
- DOI: 10.5753/eniac.2019.9292
- Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZAGEM PROFUNDA
- Keywords: intelligent robotics
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher: SBC
- Publisher place: Porto Alegre
- Date published: 2019
- Source:
- Título: Anais
- Conference titles: Brazilian Conference on Intelligent Systems - BRACIS
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
GEH, Renato Lui e MAUÁ, Denis Deratani. End-to-end imitation learning of lane following policies using sum-product networks. 2019, Anais.. Porto Alegre: SBC, 2019. Disponível em: https://doi.org/10.5753/eniac.2019.9292. Acesso em: 07 maio 2026. -
APA
Geh, R. L., & Mauá, D. D. (2019). End-to-end imitation learning of lane following policies using sum-product networks. In Anais. Porto Alegre: SBC. doi:10.5753/eniac.2019.9292 -
NLM
Geh RL, Mauá DD. End-to-end imitation learning of lane following policies using sum-product networks [Internet]. Anais. 2019 ;[citado 2026 maio 07 ] Available from: https://doi.org/10.5753/eniac.2019.9292 -
Vancouver
Geh RL, Mauá DD. End-to-end imitation learning of lane following policies using sum-product networks [Internet]. Anais. 2019 ;[citado 2026 maio 07 ] Available from: https://doi.org/10.5753/eniac.2019.9292 - Fast and accurate learning of probabilistic circuits by random projections
- Learning probabilistic sentential decision diagrams under logic constraints by sampling and averaging
- Scalable learning of probabilistic circuits
- Learning probabilistic sentential decision diagrams by sampling
- Scalable learning of probabilistic circuits
- International Journal of Approximate Reasoning
- Early classification of time series by Hidden Markov Models with set-valued parameters
- Hidden Markov models with set-valued parameters
- Equivalences between maximum a posteriori inference in Bayesian networks and maximum expected utility computation in influence diagrams
- Time robust trees: using temporal invariance to improve generalization
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3000442.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
