論文の概要: What can robotics research learn from computer vision research?

• arxiv url: http://arxiv.org/abs/2001.02366v2
• Date: Fri, 12 Jun 2020 01:04:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 12:47:15.220052
• Title: What can robotics research learn from computer vision research?
• Title（参考訳）: ロボット工学研究はコンピュータビジョン研究から何が学べるのか?
• Authors: Peter Corke and Feras Dayoub and David Hall and John Skinner and Niko S\"underhauf
• Abstract要約: 近年、ビッグデータ、GPUコンピューティング、新しい学習アルゴリズム、効果的な研究手法によってコンピュータビジョンの進歩がターボチャージャー化されている。 コンピュータビジョンの進歩は、研究方法論(実験に対する厳格な制約による評価、大胆な数字対ビデオ)によるものだと我々は主張する。
• 参考スコア（独自算出の注目度）: 10.390240230534701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The computer vision and robotics research communities are each strong. However progress in computer vision has become turbo-charged in recent years due to big data, GPU computing, novel learning algorithms and a very effective research methodology. By comparison, progress in robotics seems slower. It is true that robotics came later to exploring the potential of learning -- the advantages over the well-established body of knowledge in dynamics, kinematics, planning and control is still being debated, although reinforcement learning seems to offer real potential. However, the rapid development of computer vision compared to robotics cannot be only attributed to the former's adoption of deep learning. In this paper, we argue that the gains in computer vision are due to research methodology -- evaluation under strict constraints versus experiments; bold numbers versus videos.
• Abstract（参考訳）: コンピュータビジョンとロボット研究のコミュニティはそれぞれ強い。 しかし、近年、ビッグデータ、GPUコンピューティング、新しい学習アルゴリズム、そして非常に効果的な研究手法により、コンピュータビジョンの進歩はターボチャージされている。 比較すると、ロボティクスの進歩は遅いようだ。 ロボティクスが後に学習の可能性を探るためにやってきたことは事実であり -- 力学、キネマティクス、計画、制御の確立した知識に対する利点はいまだ議論されているが、強化学習は本当の可能性を秘めているように思われる。 しかし、ロボット工学と比較してコンピュータビジョンの急速な発展は、前者のディープラーニングの採用によるものではない。 本稿では,コンピュータビジョンの成果は,厳格な制約と実験による評価,大胆な数値とビデオによる評価の方法論によるものであると論じる。

関連論文リスト

• Towards Generalist Robot Learning from Internet Video: A Survey [56.621902345314645]
  本稿では,LfV(Learning from Videos)の新たな分野について概説する。 LfVは、従来のロボットデータを大規模なインターネットビデオデータで強化することで、ロボットデータのボトルネックに対処することを目指している。 本稿では、大規模インターネットビデオから知識を抽出し、LfVにおける重要な課題に対処し、映像データを用いて下流ロボットと強化学習を促進するための現在の手法についてレビューする。
  論文  参考訳（メタデータ） (2024-04-30T15:57:41Z)
• HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
  そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。 その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T17:45:44Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• DayDreamer: World Models for Physical Robot Learning [142.11031132529524]
  深層強化学習はロボット学習の一般的なアプローチであるが、学習するには大量の試行錯誤が必要となる。 ロボット学習の多くの進歩はシミュレータに依存している。 本稿では,Dreamerを4つのロボットに適用し,シミュレータを使わずに,オンラインおよび実世界で直接学習する。
  論文  参考訳（メタデータ） (2022-06-28T17:44:48Z)
• Back to Reality for Imitation Learning [8.57914821832517]
  模倣学習と一般のロボット学習は、ロボット工学のブレークスルーではなく、機械学習のブレークスルーによって生まれた。 私たちは、現実世界のロボット学習のより良い指標は時間効率であり、人間の真のコストをモデル化するものだと考えています。
  論文  参考訳（メタデータ） (2021-11-25T02:03:52Z)
• Residual Quantity in Percentage of Factory Machines Using ComputerVision and Mathematical Methods [5.393664305233901]
  AI開発が推し進めて以来、コンピュータービジョンは繁栄している。 ディープラーニング技術は、コンピュータ科学者が解決策を考え出した最も一般的な方法だ。 しかし、ディープラーニング技術は手動処理よりも性能が低い傾向にある。
  論文  参考訳（メタデータ） (2021-11-09T12:26:57Z)
• Teaching Continuity in Robotics Labs in the Age of Covid and Beyond [0.0]
  本稿では,コンピュータサイエンス部門における未来のロボット技術者とロボティクスエンジニアの育成には,実際のロボットによる広範な直接的な作業が必要であることを論じる。 これはまさに、Covidパンデミックの始まりである2020年初頭にロボティクス研究所が遭遇した問題だ。 結論のエキサイティングな洞察は、パンデミックによって奨励され、引き起こされた作業は、長期的利益に非常に肯定的なものだ、ということです。
  論文  参考訳（メタデータ） (2021-05-18T21:38:26Z)
• Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing [25.16076541420544]
  機械学習は、特にディープラーニングの形で、人工知能の最近の基本的な発展のほとんどを駆動している。 ディープラーニングは、オブジェクト/パターン認識、音声と自然言語処理、自動運転車、インテリジェントな自己診断ツール、自律ロボット、知識に富んだパーソナルアシスタント、監視といった分野に成功している。 本稿では、電力効率の高いインメモリコンピューティング、ディープラーニングアクセラレーター、スパイクニューラルネットワークの実装のための潜在的なソリューションとして、CMOSハードウェア技術、memristorsを超越した小説をレビューする。
  論文  参考訳（メタデータ） (2020-04-30T16:49:03Z)
• A Survey of Behavior Learning Applications in Robotics -- State of the Art and Perspectives [44.45953630612019]
  最近の多くの領域での機械学習の成功は圧倒的に多い。 実際のロボットで学んだり使ったりした行動について、幅広い概要を述べます。
  論文  参考訳（メタデータ） (2019-06-05T07:54:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。