論文の概要: Planning and Execution using Inaccurate Models with Provable Guarantees

• arxiv url: http://arxiv.org/abs/2003.04394v5
• Date: Thu, 15 Oct 2020 18:47:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 09:27:23.650553
• Title: Planning and Execution using Inaccurate Models with Provable Guarantees
• Title（参考訳）: 保証可能な不正確なモデルを用いた計画と実行
• Authors: Anirudh Vemula, Yash Oza, J. Andrew Bagnell, Maxim Likhachev
• Abstract要約: 計画と実行のインターリーブ手法としてCMAXを提案する。 CMAXは、実際の実行中に計画戦略をオンラインで適用し、計画中のダイナミクスの相違を考慮する。 提案した計画および実行フレームワークの完全性および効率性に関する証明可能な保証を提供する。
• 参考スコア（独自算出の注目度）: 23.733488427663396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Models used in modern planning problems to simulate outcomes of real world action executions are becoming increasingly complex, ranging from simulators that do physics-based reasoning to precomputed analytical motion primitives. However, robots operating in the real world often face situations not modeled by these models before execution. This imperfect modeling can lead to highly suboptimal or even incomplete behavior during execution. In this paper, we propose CMAX an approach for interleaving planning and execution. CMAX adapts its planning strategy online during real-world execution to account for any discrepancies in dynamics during planning, without requiring updates to the dynamics of the model. This is achieved by biasing the planner away from transitions whose dynamics are discovered to be inaccurately modeled, thereby leading to robot behavior that tries to complete the task despite having an inaccurate model. We provide provable guarantees on the completeness and efficiency of the proposed planning and execution framework under specific assumptions on the model, for both small and large state spaces. Our approach CMAX is shown to be efficient empirically in simulated robotic tasks including 4D planar pushing, and in real robotic experiments using PR2 involving a 3D pick-and-place task where the mass of the object is incorrectly modeled, and a 7D arm planning task where one of the joints is not operational leading to discrepancy in dynamics. The video of our physical robot experiments can be found at https://youtu.be/eQmAeWIhjO8
• Abstract（参考訳）: 現実の行動実行の結果をシミュレートするために現代の計画問題で使用されるモデルは、物理学に基づく推論を行うシミュレーターから、事前計算された解析運動プリミティブまで、ますます複雑になりつつある。 しかし、現実世界で動作しているロボットは、実行前にこれらのモデルによってモデル化されない状況に直面することが多い。 この不完全なモデリングは、実行中に非常に最適あるいは不完全な振る舞いを引き起こす可能性がある。 本稿では,計画と実行のインターリーブ手法としてCMAXを提案する。 cmaxは、実世界の実行中に計画戦略をオンラインで適用し、計画中のダイナミクスの相違を考慮し、モデルのダイナミクスのアップデートを必要としない。 これは、プランナーが不正確なモデル化がなされた遷移から逸脱し、不正確なモデルがあるにもかかわらずタスクを完了しようとするロボットの動作につながる。 我々は,提案する計画・実行フレームワークの完全性と効率性について,小規模かつ大規模な状態空間に対して,モデル上の特定の仮定の下で証明可能な保証を提供する。 提案手法は, 物体の質量が正しくモデル化されていない3次元ピック・アンド・プレイス・タスクと, 片方の関節が動作しない7次元アーム計画タスクを含む, PR2を用いた実動ロボット実験において, 4次元平面押下を含むシミュレーションロボット作業において有効であることが実証された。 私たちの物理ロボット実験のビデオはhttps://youtu.be/eQmAeWIhjO8で見ることができる。

関連論文リスト

• Closed-Loop Long-Horizon Robotic Planning via Equilibrium Sequence Modeling [23.62433580021779]
  我々は、均衡に達するまで計画案を反復的に洗練する自己精製スキームを提唱する。 効率的なクローズドループ計画のためのネスト型平衡系列モデリング手法を考案した。 提案手法はVirtualHome-Envベンチマークで評価され,性能が向上し,推論精度が向上した。
  論文  参考訳（メタデータ） (2024-10-02T11:42:49Z)
• Solving Motion Planning Tasks with a Scalable Generative Model [15.858076912795621]
  本稿では,運転シーンのダイナミクスを学習する生成モデルに基づく効率的な解を提案する。 我々の革新的なデザインは、モデルがフルオートレグレッシブモードとパーシャルオートレグレッシブモードの両方で動作できるようにする。 提案した生成モデルは,様々な動作計画タスクの基盤となる可能性がある。
  論文  参考訳（メタデータ） (2024-07-03T03:57:05Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
  Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。 我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
  論文  参考訳（メタデータ） (2024-05-30T00:32:51Z)
• A Control-Centric Benchmark for Video Prediction [69.22614362800692]
  本稿では,アクション条件付きビデオ予測のベンチマークを,制御ベンチマークの形式で提案する。 私たちのベンチマークには、11のタスクカテゴリと310のタスクインスタンス定義を備えたシミュレーション環境が含まれています。 次に、ベンチマークを活用して、スケールするモデルサイズ、トレーニングデータの量、モデルアンサンブルの影響を調査します。
  論文  参考訳（メタデータ） (2023-04-26T17:59:45Z)
• Obstacle Avoidance for Robotic Manipulator in Joint Space via Improved Proximal Policy Optimization [6.067589886362815]
  本稿では,6-DoFマニピュレータのタスク空間から関節空間にマップするために,改良されたPPOアルゴリズムを用いて深層ニューラルネットワークを訓練する。 実ロボットでそのようなタスクを訓練するのは時間を要するので、モデルを訓練するためのシミュレーション環境を開発する。 実験結果から,ロボットは非構造環境下で1つの目標をトラッキングしたり,複数の目標に到達することができた。
  論文  参考訳（メタデータ） (2022-10-03T10:21:57Z)
• Factored World Models for Zero-Shot Generalization in Robotic Manipulation [7.258229016768018]
  我々は、オブジェクト指向世界モデルを用いてロボットピック・アンド・プレイス・タスクを一般化することを学ぶ。 グラフニューラルネットワークの残差スタックを使用して、ノードとエッジの両方のニューラルネットワークにおいて、複数のレベルのアクション情報を受信する。 モデルアンサンブルを用いて、最大12個のピック・アンド・プレイス・アクションを含むタスクを検索で計画できることが示される。
  論文  参考訳（メタデータ） (2022-02-10T21:26:11Z)
• 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)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)
• CMAX++ : Leveraging Experience in Planning and Execution using Inaccurate Models [26.674062544226636]
  CMAX++は、実際の経験を活用して、ロボットタスクの連続的な繰り返しよりも、結果のプランの品質を改善するアプローチである。 繰り返し回数が増えるにつれて、CMAX++の完全性と収束性を最適なパスコストに保証する。 また、CMAX++は、トラック摩擦が誤ってモデル化された3D移動ロボットナビゲーションや、物体の質量が不明な7Dピック・アンド・プレイスタスクなど、シミュレーションされたロボットタスクのベースラインよりも優れている。
  論文  参考訳（メタデータ） (2020-09-21T14:59:31Z)

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。