論文の概要: Learn and Transfer Knowledge of Preferred Assistance Strategies in Semi-autonomous Telemanipulation

• arxiv url: http://arxiv.org/abs/2003.03516v2
• Date: Sat, 19 Dec 2020 20:21:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 20:07:39.240902
• Title: Learn and Transfer Knowledge of Preferred Assistance Strategies in Semi-autonomous Telemanipulation
• Title（参考訳）: 半自律遠隔操作における優先支援戦略の学習と伝達知識
• Authors: Lingfeng Tao, Michael Bowman, Xu Zhou, Jiucai Zhang, Xiaoli Zhang
• Abstract要約: 我々は、新しい嗜好認識型知識学習アプローチを開発する。 補助選好モデルは、人間が好む援助を学習する。 また,異なるロボットハンド構造間で好みの知識を伝達する知識伝達手法を開発した。
• 参考スコア（独自算出の注目度）: 16.28164706104047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enabling robots to provide effective assistance yet still accommodating the operator's commands for telemanipulation of an object is very challenging because robot's assistive action is not always intuitive for human operators and human behaviors and preferences are sometimes ambiguous for the robot to interpret. Although various assistance approaches are being developed to improve the control quality from different optimization perspectives, the problem still remains in determining the appropriate approach that satisfies the fine motion constraints for the telemanipulation task and preference of the operator. To address these problems, we developed a novel preference-aware assistance knowledge learning approach. An assistance preference model learns what assistance is preferred by a human, and a stagewise model updating method ensures the learning stability while dealing with the ambiguity of human preference data. Such a preference-aware assistance knowledge enables a teleoperated robot hand to provide more active yet preferred assistance toward manipulation success. We also developed knowledge transfer methods to transfer the preference knowledge across different robot hand structures to avoid extensive robot-specific training. Experiments to telemanipulate a 3-finger hand and 2-finger hand, respectively, to use, move, and hand over a cup have been conducted. Results demonstrated that the methods enabled the robots to effectively learn the preference knowledge and allowed knowledge transfer between robots with less training effort.
• Abstract（参考訳）: ロボットを効果的に支援するための支援を行うには、ロボットの補助動作が必ずしも人間の操作者にとって直感的ではなく、人間の行動や嗜好がロボットの解釈に不明瞭であることから、操作者の指示による遠隔操作の操作は極めて困難である。 様々な最適化の観点から制御品質を改善するための様々な支援手法が開発されているが、テレマニピュレーションタスクの微妙な動作制約とオペレータの好みを満たす適切なアプローチを決定することは依然として課題である。 これらの問題に対処するため、我々は新しい選好支援知識学習アプローチを開発した。 補助選好モデルは、人間が好む援助を学習し、段階的モデル更新方法は、人間の選好データのあいまいさに対処しながら、学習安定性を確保する。 このような嗜好認識支援知識により、遠隔操作ロボットハンドは、操作の成功に対してより活発で望ましい支援を提供することができる。 また,ロボット固有の学習を避けるために,異なるロボットハンド構造にまたがる嗜好知識を伝達する知識伝達手法を開発した。 3フィンガーハンドと2フィンガーハンドをテレマニピュレートして、使用、移動、カップ上のハンドを遠隔操作する実験が行われている。 その結果,ロボットはロボットの選好知識を効果的に学習し,学習労力の少ないロボット間での知識伝達を可能にした。

関連論文リスト

• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 また、人間の操作者は、手動制御と自動制御のトレードオフを達成するために制御比率を調整できる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• MimicTouch: Learning Human's Control Strategy with Multi-Modal Tactile Feedback [2.8582031759986775]
  ミミックタッチ(MimicTouch)は、人間の触覚誘導制御戦略を模倣する新しいフレームワークである。 物理ロボットにオンライン強化学習を取り入れた。 この研究は、触覚誘導ロボットの幅広い分野への道を開くだろう。
  論文  参考訳（メタデータ） (2023-10-25T18:34:06Z)
• Dynamic Hand Gesture-Featured Human Motor Adaptation in Tool Delivery using Voice Recognition [5.13619372598999]
  本稿では,革新的なロボット協調フレームワークを提案する。 手の動きや動的動きの認識、音声認識、切り替え可能な制御適応戦略をシームレスに統合する。 ハンドジェスチャ認識における優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2023-09-20T14:51:09Z)
• "No, to the Right" -- Online Language Corrections for Robotic Manipulation via Shared Autonomy [70.45420918526926]
  LILACは、実行中に自然言語の修正をオンラインで実施し、適応するためのフレームワークである。 LILACは人間とロボットを個別にターンテイクする代わりに、人間とロボットの間にエージェンシーを分割する。 提案手法は,タスク完了率が高く,ユーザによって主観的に好まれることを示す。
  論文  参考訳（メタデータ） (2023-01-06T15:03:27Z)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
  我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。 学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
  論文  参考訳（メタデータ） (2022-11-16T16:26:48Z)
• Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
  近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。 本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
  論文  参考訳（メタデータ） (2022-04-15T08:12:15Z)
• 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)
• The State of Lifelong Learning in Service Robots: Current Bottlenecks in Object Perception and Manipulation [3.7858180627124463]
  State-of-the-artは、オブジェクトの知覚と操作を適切に結合するように改善を続けている。 ほとんどの場合、ロボットは様々な物体を認識でき、衝突のない軌道を素早く計画して対象物を把握できる。 このような環境下では、バッチ学習に使用するトレーニングデータがどれほど広範囲であっても、ロボットは常に新しいオブジェクトに直面する。 ロボットの自己学習とは別に、専門家でないユーザは、体験獲得のプロセスを対話的にガイドできる。
  論文  参考訳（メタデータ） (2020-03-18T11:00:55Z)

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。