論文の概要: Learning to Walk in the Real World with Minimal Human Effort
- arxiv url: http://arxiv.org/abs/2002.08550v3
- Date: Tue, 3 Nov 2020 05:46:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 07:18:19.091844
- Title: Learning to Walk in the Real World with Minimal Human Effort
- Title（参考訳）: 人間の最小の努力で現実世界を歩くことを学ぶ
- Authors: Sehoon Ha, Peng Xu, Zhenyu Tan, Sergey Levine, Jie Tan
- Abstract要約: 我々は,人間の努力を最小限に抑えて,現実世界の深いRLを用いた足の移動ポリシーを学習するシステムを開発した。
人間の介入がほとんどないミニチュアロボットにおいて,ロボットの移動スキルを自動的かつ効率的に学習することができる。
- 参考スコア（独自算出の注目度）: 80.7342153519654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable and stable locomotion has been one of the most fundamental
challenges for legged robots. Deep reinforcement learning (deep RL) has emerged
as a promising method for developing such control policies autonomously. In
this paper, we develop a system for learning legged locomotion policies with
deep RL in the real world with minimal human effort. The key difficulties for
on-robot learning systems are automatic data collection and safety. We overcome
these two challenges by developing a multi-task learning procedure and a
safety-constrained RL framework. We tested our system on the task of learning
to walk on three different terrains: flat ground, a soft mattress, and a
doormat with crevices. Our system can automatically and efficiently learn
locomotion skills on a Minitaur robot with little human intervention. The
supplemental video can be found at: \url{https://youtu.be/cwyiq6dCgOc}.
- Abstract（参考訳）: 信頼性が高く安定した移動は、脚のあるロボットにとって最も基本的な課題の1つだ。
深層強化学習(Deep RL)は、このような制御政策を自律的に開発するための有望な方法である。
本稿では,人間の努力を最小限に抑えた実世界における深部RLを用いた足歩行ポリシー学習システムを開発する。
オンロボット学習システムの主な課題は、自動データ収集と安全性である。
マルチタスク学習手法と安全制約付きRLフレームワークを開発することで,これらの2つの課題を克服する。
平たい地面、柔らかいマットレス、隙間のあるドアマットという3つの異なる地形を歩むことを学ぶというタスクでシステムをテストしました。
人間の介入がほとんどないミニチュアロボットにおいて,ロボットの移動スキルを自動的かつ効率的に学習することができる。
追加ビデオは \url{https://youtu.be/cwyiq6dcgoc} で見ることができる。
関連論文リスト
- SoloParkour: Constrained Reinforcement Learning for Visual Locomotion from Privileged Experience [19.817578964184147]
Parkourは、足のついたロボットにとって重要な課題であり、限られた感覚入力に基づいて、俊敏性と精度で複雑な環境をナビゲートする必要がある。
本稿では,深度画素からロボット制御コマンドに至るまでのエンドツーエンドの視覚ポリシーをトレーニングし,アジャイルで安全な四足歩行を実現するための新しい手法を提案する。
本研究では,実際のSolo-12ロボットにおいて,歩行,登山,跳躍,クロールなど,さまざまなパーキングスキルを実行する能力を示す。
論文 参考訳（メタデータ） (2024-09-20T17:39:20Z) - Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。
本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。
この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文 参考訳（メタデータ） (2024-01-30T10:48:43Z) - Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from
Offline Data [101.43350024175157]
自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。
我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。
コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
論文 参考訳（メタデータ） (2023-06-06T01:36:56Z) - A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free
Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。
機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文 参考訳（メタデータ） (2022-08-16T17:37:36Z) - Learning Bipedal Walking On Planned Footsteps For Humanoid Robots [5.127310126394387]
脚付きロボットのための深部強化学習(RL)ベースのコントローラーは、いくつかのロボットプラットフォームのために異なる環境を歩行する際、顕著な頑丈さを実証している。
ヒューマノイドロボットへのRLポリシーの適用を現実の環境で実現するためには,どのような方向にも堅牢な歩行を実現するシステムを構築することが不可欠である。
本稿では,あるステップシーケンスに従うポリシーを学習することで,この問題に対処する。
今後の2つのステップをポリシーに投入するだけで、一方向歩行、位置転換、立ち上がり、階段を登るのに十分であることを示す。
論文 参考訳（メタデータ） (2022-07-26T04:16:00Z) - Human-to-Robot Imitation in the Wild [50.49660984318492]
本研究では,第三者の視点からの学習を中心に,効率的なワンショットロボット学習アルゴリズムを提案する。
実世界における20種類の操作タスクを含む,ワンショットの一般化と成功を示す。
論文 参考訳（メタデータ） (2022-07-19T17:59:59Z) - Learning Control Policies for Fall prevention and safety in bipedal
locomotion [0.0]
本研究では,2種類のロボットに対して,プッシュリカバリ制御ポリシを合成可能な学習ベースアルゴリズムを開発した。
1)ヒューマノイドロボットの安全落下防止戦略の学習,2)ロボット支援装置を用いたヒトの転倒防止戦略の学習,である。
論文 参考訳（メタデータ） (2022-01-04T22:00:21Z) - Towards General and Autonomous Learning of Core Skills: A Case Study in
Locomotion [19.285099263193622]
我々は,足の広いロボットに対して,洗練された移動動作を学習できる学習フレームワークを開発した。
我々の学習フレームワークは、データ効率のよいマルチタスクRLアルゴリズムと、ロボット間で意味論的に同一の報酬関数のセットに依存している。
現実世界の四足ロボットを含む9種類のロボットに対して、同じアルゴリズムが、多種多様な再利用可能な運動スキルを迅速に学習できることを実証する。
論文 参考訳（メタデータ） (2020-08-06T08:23:55Z) - Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。
そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
論文 参考訳（メタデータ） (2020-04-02T02:56:16Z)
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。