論文の概要: Dimensionality Reduction of Movement Primitives in Parameter Space

• arxiv url: http://arxiv.org/abs/2003.02634v1
• Date: Wed, 26 Feb 2020 16:38:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 14:51:35.008433
• Title: Dimensionality Reduction of Movement Primitives in Parameter Space
• Title（参考訳）: パラメータ空間における運動プリミティブの次元化
• Authors: Samuele Tosatto, Jonas Stadtmueller, Jan Peters
• Abstract要約: 運動プリミティブは、現実世界のロボティクスにとって重要なポリシークラスである。 パラメトリゼーションの高次元性により、政策最適化はサンプルと計算の両方においてコストがかかる。 本稿では,パラメータ空間における次元減少の応用を提案し,主運動を同定する。
• 参考スコア（独自算出の注目度）: 34.16700176918835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Movement primitives are an important policy class for real-world robotics. However, the high dimensionality of their parametrization makes the policy optimization expensive both in terms of samples and computation. Enabling an efficient representation of movement primitives facilitates the application of machine learning techniques such as reinforcement on robotics. Motions, especially in highly redundant kinematic structures, exhibit high correlation in the configuration space. For these reasons, prior work has mainly focused on the application of dimensionality reduction techniques in the configuration space. In this paper, we investigate the application of dimensionality reduction in the parameter space, identifying principal movements. The resulting approach is enriched with a probabilistic treatment of the parameters, inheriting all the properties of the Probabilistic Movement Primitives. We test the proposed technique both on a real robotic task and on a database of complex human movements. The empirical analysis shows that the dimensionality reduction in parameter space is more effective than in configuration space, as it enables the representation of the movements with a significant reduction of parameters.
• Abstract（参考訳）: ムーブメントプリミティブは、現実世界のロボットにとって重要な政策クラスである。 しかし、パラメトリゼーションの高次元は、サンプルと計算の両面でポリシー最適化を高価にする。 移動プリミティブの効率的な表現の導入は、ロボット工学における強化のような機械学習技術の適用を促進する。 特に高冗長な運動構造では、運動は構成空間において高い相関を示す。 これらの理由から、先行研究は主に構成空間における次元性低減技術の適用に焦点が当てられている。 本稿では,パラメータ空間における次元減少の応用について検討し,主運動を同定する。 結果として得られるアプローチは、パラメータの確率的処理に富み、確率的運動原始体のすべての特性を継承する。 提案手法を実際のロボットタスクと複雑な人間の動きのデータベースの両方でテストした。 実験解析により,パラメータ空間の次元性低減は,パラメータの大幅な低減による動きの表現を可能にするため,構成空間よりも有効であることが示された。

関連論文リスト

• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。 単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• HACMan++: Spatially-Grounded Motion Primitives for Manipulation [28.411361363637006]
  本稿では,HACMan++における空間的パラメータ化動作プリミティブについて紹介する。 環境中の空間的位置にプリミティブを接地することで、オブジェクトの形状を効果的に一般化し、バリエーションを表現できる。 提案手法は既存の手法,特に高レベルシーケンシャル推論とオブジェクト一般化の両方を必要とする複雑なシナリオにおいて,優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-07-11T15:10:14Z)
• I-CTRL: Imitation to Control Humanoid Robots Through Constrained Reinforcement Learning [8.97654258232601]
  本研究では,ヒューマノイドロボット上での物理に基づく高品質な動作模倣を実現するために,制約付き強化学習アルゴリズムを提案する。 我々のフレームワークは4つのロボットにまたがる、シンプルでユニークな報酬によって、動きの模倣に優れています。
  論文  参考訳（メタデータ） (2024-05-14T16:12:27Z)
• QDP: Learning to Sequentially Optimise Quasi-Static and Dynamic Manipulation Primitives for Robotic Cloth Manipulation [9.469635938429645]
  Quasi-Dynamic isable (QDP) 法は運動速度などのパラメータを最適化する。 逐次強化学習(Sequential Reinforcement Learning)の枠組みを利用して、プリミティブを構成するパラメータを分離する。
  論文  参考訳（メタデータ） (2023-03-23T14:54:01Z)
• IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
  IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。 本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-01T20:03:56Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Geometry-aware Bayesian Optimization in Robotics using Riemannian Mat\'ern Kernels [64.62221198500467]
  ベイズ最適化のための幾何対応カーネルの実装方法を示す。 この技術は、ロボット工学における制御パラメータチューニング、パラメトリックポリシー適応、構造設計に利用できる。
  論文  参考訳（メタデータ） (2021-11-02T09:47:22Z)
• Intrinsic Dimensionality Explains the Effectiveness of Language Model Fine-Tuning [52.624194343095304]
  我々は、内在次元のレンズを通して微調整を分析することは、経験的および理論的直観をもたらすと論じる。 実験により、一般的な事前学習モデルは本質的な次元が極めて低いことを示す。
  論文  参考訳（メタデータ） (2020-12-22T07:42:30Z)
• Contextual Latent-Movements Off-Policy Optimization for Robotic Manipulation Skills [41.140532647789456]
  本稿では,低次元非線形潜在力学の獲得のために,実験軌道の扱いに関する新しい考え方を提案する。 LAAMPO (Latent-Movements Policy Optimization) と呼ばれる新しい文脈外RLアルゴリズムを導入する。 LAMPOは、文献における一般的なアプローチに対するサンプル効率のよいポリシーを提供する。
  論文  参考訳（メタデータ） (2020-10-26T17:53:30Z)
• IMU Preintegrated Features for Efficient Deep Inertial Odometry [0.0]
  慣性計測装置(IMU)は、様々なガジェットやロボットプラットフォームで、ユビキタスな固有受容運動測定装置として利用可能である。 これらのデータのみに基づく幾何学的変換やオードメトリの直接推論は難しい作業である。 本稿では, 深部慣性計測における生IMUデータの代替として, IMUプリインテグレーション機能を提案する。
  論文  参考訳（メタデータ） (2020-07-06T17:58:35Z)

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。