論文の概要: Learning to Play Soccer by Reinforcement and Applying Sim-to-Real to Compete in the Real World

• arxiv url: http://arxiv.org/abs/2003.11102v1
• Date: Tue, 24 Mar 2020 20:23:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 08:05:57.796311
• Title: Learning to Play Soccer by Reinforcement and Applying Sim-to-Real to Compete in the Real World
• Title（参考訳）: 強化と実世界競争へのsim-to-realの適用によるサッカーの学習
• Authors: Hansenclever F. Bassani, Renie A. Delgado, Jose Nilton de O. Lima Junior, Heitor R. Medeiros, Pedro H. M. Braga and Alain Tapp
• Abstract要約: 本研究は, IEEE Very Small Size Soccer (VSSS) における実サッカーロボットの完全制御のための強化学習(RL)の適用性を示す。 VSSSリーグでは、3つの小さなロボットの2つのチームが互いに対戦します。 本研究では、連続的または離散的な制御ポリシーを訓練できるシミュレーション環境と、得られたポリシーを用いて現実世界のロボットを制御できるようにするSim-to-Real法を提案する。
• 参考スコア（独自算出の注目度）: 1.3114165111679479
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work presents an application of Reinforcement Learning (RL) for the complete control of real soccer robots of the IEEE Very Small Size Soccer (VSSS), a traditional league in the Latin American Robotics Competition (LARC). In the VSSS league, two teams of three small robots play against each other. We propose a simulated environment in which continuous or discrete control policies can be trained, and a Sim-to-Real method to allow using the obtained policies to control a robot in the real world. The results show that the learned policies display a broad repertoire of behaviors that are difficult to specify by hand. This approach, called VSSS-RL, was able to beat the human-designed policy for the striker of the team ranked 3rd place in the 2018 LARC, in 1-vs-1 matches.
• Abstract（参考訳）: この研究は、ラテンアメリカロボティクスコンペティション(LARC)の伝統的なリーグであるIEEE Very Small Size Soccer(VSSS)の実際のサッカーロボットを完全に制御するための強化学習(RL)の応用を示す。 VSSSリーグでは、3つの小さなロボットの2つのチームが互いに対戦します。 そこで本研究では,連続的あるいは離散的な制御ポリシーを訓練できるシミュレーション環境と,得られたポリシーを用いて実世界のロボットを制御できるsim-to-real手法を提案する。 その結果,学習方針は手作業による特定が困難な行動の幅広いレパートリーを示すことがわかった。 このアプローチはVSSS-RLと呼ばれ、2018年のLARCでは1-vs-1で3位にランクインした。

関連論文リスト

• RobocupGym: A challenging continuous control benchmark in Robocup [7.926196208425107]
  本稿では,オープンソースのrcssserver3dサッカーサーバをベースとしたRobocupベースのRL環境を提案する。 各タスクでは、RLエージェントがシミュレートされたロボットを制御し、ボールや他のエージェントと対話することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:26:32Z)
• Kick-motion Training with DQN in AI Soccer Environment [2.464153570943062]
  本稿では,強化学習(RL)を用いて,AIサッカーでキックモーションを行うロボットを訓練する手法を提案する。 RLアルゴリズムをトレーニングする場合、状態の次元が高く、トレーニングデータの数が低い場合には、次元性の呪い(COD)と呼ばれる問題が発生する。 本稿では、絶対座標系(ACS)の代わりに、相対座標系(RCS)をロボットエージェントのキックモーションの訓練状態として利用する。
  論文  参考訳（メタデータ） (2022-12-01T09:35:36Z)
• Hierarchical Reinforcement Learning for Precise Soccer Shooting Skills using a Quadrupedal Robot [76.04391023228081]
  本研究では,四足歩行ロボットが実世界において,強化学習を用いて精度の高い射撃技術を実現できるという課題に対処する。 本研究では, 深層強化学習を活用して頑健な動作制御政策を訓練する階層的枠組みを提案する。 提案するフレームワークをA1四足歩行ロボットに展開し、実世界のランダムなターゲットに向けて正確にボールを発射できるようにする。
  論文  参考訳（メタデータ） (2022-08-01T22:34:51Z)
• How to Train Your Robot with Deep Reinforcement Learning; Lessons We've Learned [111.06812202454364]
  本稿では,ロボット深部RLのケーススタディをいくつか紹介する。 深部RLにおける一般的な課題と,それらの課題について論じる。 また、他の卓越した課題についても概説し、その多くが現実世界のロボティクスの設定に特有のものである。
  論文  参考訳（メタデータ） (2021-02-04T22:09:28Z)
• An analysis of Reinforcement Learning applied to Coach task in IEEE Very Small Size Soccer [2.5400028272658144]
  本稿では、強化学習(RL)に基づくコーチングタスクのエンドツーエンドアプローチを提案する。 シミュレーション環境では、3つの異なるチームに対して2つのRLポリシーをトレーニングしました。 結果はVSSSリーグのトップチームの1つに対して評価された。
  論文  参考訳（メタデータ） (2020-11-23T23:10:06Z)
• A Framework for Studying Reinforcement Learning and Sim-to-Real in Robot Soccer [1.1785354380793065]
  本稿では,ロボットサッカーにおける強化学習(Reinforcement Learning, RL)とsim-to-realを研究するための,VSSS-RLと呼ばれるオープンフレームワークを紹介する。 本研究では,サッカーエージェントの完全な動作を制御するために,連続的あるいは離散的な制御ポリシーを訓練できるシミュレーション環境を提案する。 本研究の結果から,手作り制御政策の実施が困難な行動の幅広いレパートリーを学習したことが示唆された。
  論文  参考訳（メタデータ） (2020-08-18T23:52:32Z)
• Learning to Play Table Tennis From Scratch using Muscular Robots [34.34824536814943]
  この研究は、(a)人為的ロボットアームを用いた安全クリティカルな動的タスクを初めて学習し、(b)PAM駆動システムで精度の高い要求問題を学び、(c)本物のボールなしで卓球をするようにロボットを訓練する。 ビデオとデータセットは muscleTT.embodied.ml で入手できる。
  論文  参考訳（メタデータ） (2020-06-10T16:43:27Z)
• Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera [58.720142291102135]
  シミュレーションを用いてペグホール挿入問題を学習し,学習したモデルを実ロボットに転送する。 本稿では,RGB-Dとジョイント情報(プロレセプション)のみを取り入れたトランスファーポリシーが,実際のロボットに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-05-29T05:58:54Z)
• Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
  本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。 エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
  論文  参考訳（メタデータ） (2020-04-29T18:00:22Z)
• Learning to Generalize Across Long-Horizon Tasks from Human Demonstrations [52.696205074092006]
  Generalization Through Imitation (GTI) は、2段階のオフライン模倣学習アルゴリズムである。 GTIは、状態空間の共通領域で異なるタスクの軌道を示す構造を利用する。 GTIの第1段階では,異なる実演軌跡から行動を構成する能力を持つために交差点を利用する政策を訓練する。 GTIの第2段階では、ゴール指向エージェントをトレーニングして、新しいスタートとゴールの設定を一般化する。
  論文  参考訳（メタデータ） (2020-03-13T02:25:28Z)
• Learning to Walk in the Real World with Minimal Human Effort [80.7342153519654]
  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。
  論文  参考訳（メタデータ） (2020-02-20T03:36:39Z)

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。