論文の概要: Catch the Ball: Accurate High-Speed Motions for Mobile Manipulators via Inverse Dynamics Learning

• arxiv url: http://arxiv.org/abs/2003.07489v1
• Date: Tue, 17 Mar 2020 01:33:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:57:35.863227
• Title: Catch the Ball: Accurate High-Speed Motions for Mobile Manipulators via Inverse Dynamics Learning
• Title（参考訳）: catch the ball: 逆ダイナミクス学習による移動マニピュレータの高精度高速動作
• Authors: Ke Dong, Karime Pereida, Florian Shkurti, Angela P. Schoellig
• Abstract要約: 移動マニピュレータは、スローモーションコラボレーティブロボットシナリオにデプロイされる。 本稿では,高精度な高速動作を必要とするシナリオについて考察する。 2つの主要コンポーネントを含むこのタスク体制のためのフレームワークを導入する。
• 参考スコア（独自算出の注目度）: 20.655003319777368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile manipulators consist of a mobile platform equipped with one or more robot arms and are of interest for a wide array of challenging tasks because of their extended workspace and dexterity. Typically, mobile manipulators are deployed in slow-motion collaborative robot scenarios. In this paper, we consider scenarios where accurate high-speed motions are required. We introduce a framework for this regime of tasks including two main components: (i) a bi-level motion optimization algorithm for real-time trajectory generation, which relies on Sequential Quadratic Programming (SQP) and Quadratic Programming (QP), respectively; and (ii) a learning-based controller optimized for precise tracking of high-speed motions via a learned inverse dynamics model. We evaluate our framework with a mobile manipulator platform through numerous high-speed ball catching experiments, where we show a success rate of 85.33%. To the best of our knowledge, this success rate exceeds the reported performance of existing related systems and sets a new state of the art.
• Abstract（参考訳）: 移動マニピュレータは1つ以上のロボットアームを備えたモバイルプラットフォームで構成されており、ワークスペースと器用さが拡張されているため、幅広い課題を抱える。 通常、移動マニピュレータはスローモーションコラボレーティブロボットのシナリオに展開される。 本稿では,高精度な高速動作が要求されるシナリオについて考察する。 2つの主要なコンポーネントを含むこのタスク体制のためのフレームワークを導入する。 (i)逐次擬似計画法(SQP)と擬似計画法(QP)に依存した実時間軌道生成のための二段階運動最適化アルゴリズム (II)学習逆ダイナミクスモデルによる高速動作の正確な追跡に最適化された学習ベースコントローラ。 我々は,多数の高速球捕り実験を通じて移動マニピュレータプラットフォームによるフレームワークの評価を行い,85.33%の成功率を示した。 私たちの知る限りでは、この成功率は既存の関連するシステムの報告されたパフォーマンスを上回り、新しい技術状態を設定します。

関連論文リスト

• Self-Supervised Learning of Grasping Arbitrary Objects On-the-Move [8.445514342786579]
  本研究では3つの完全畳み込みニューラルネットワーク(FCN)モデルを導入し,視覚入力から静的グリッププリミティブ,動的グリッププリミティブ,残留移動速度誤差を予測する。 提案手法は高い把握精度とピック・アンド・プレイス効率を実現した。
  論文  参考訳（メタデータ） (2024-11-15T02:59:16Z)
• Learning to enhance multi-legged robot on rugged landscapes [7.956679144631909]
  多足ロボットは、頑丈な風景をナビゲートするための有望なソリューションを提供する。 近年の研究では、線形制御器が挑戦的な地形上で信頼性の高い移動性を確保することが示されている。 我々は,このロボットプラットフォームに適した MuJoCo ベースのシミュレータを開発し,シミュレーションを用いて強化学習に基づく制御フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-09-14T15:53:08Z)
• Guided Decoding for Robot On-line Motion Generation and Adaption [44.959409835754634]
  本稿では,ロボットアームに高い自由度を持つ新たな動作生成手法を提案する。 本研究では,実演として使用する擬似軌道の大規模データセットに基づいて,条件付き変分オートエンコーダに基づくトランスフォーマーアーキテクチャを訓練する。 本モデルでは, 異なる初期点と目標点からの運動をうまく生成し, 異なるロボットプラットフォームを横断する複雑なタスクをナビゲートする軌道を生成可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-22T14:32:27Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
  本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。 提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
  論文  参考訳（メタデータ） (2023-04-19T17:37:54Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• Consolidating Kinematic Models to Promote Coordinated Mobile Manipulations [96.03270112422514]
  我々は,移動体ベース,アーム,移動体操作で操作する物体の運動学を統合する仮想キネマティックチェイン(VKC)を構築した。 移動操作タスクは、構築されたVKCの状態を変更して表現され、移動計画問題に変換することができる。
  論文  参考訳（メタデータ） (2021-08-03T02:59:41Z)
• Success Weighted by Completion Time: A Dynamics-Aware Evaluation Criteria for Embodied Navigation [42.978177196888225]
  我々は,移動ロボットのナビゲーション性能を評価するための新しい指標であるCompletion Time (SCT) により,Successを重み付けした。 RRT*-ユニサイクル(RRT*-Unicycle)も提案する。
  論文  参考訳（メタデータ） (2021-03-14T20:13:06Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。