論文の概要: Decentralized Deep Reinforcement Learning for a Distributed and Adaptive
Locomotion Controller of a Hexapod Robot
- arxiv url: http://arxiv.org/abs/2005.11164v1
- Date: Thu, 21 May 2020 11:40:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 22:54:23.939149
- Title: Decentralized Deep Reinforcement Learning for a Distributed and Adaptive
Locomotion Controller of a Hexapod Robot
- Title（参考訳）: ヘキサポッドロボットの分散・適応ロコモーション制御のための分散型深部強化学習
- Authors: Malte Schilling, Kai Konen, Frank W. Ohl, Timo Korthals
- Abstract要約: 昆虫運動制御において,異なる脚の協調のための分散型組織を提案する。
同時的な局所構造は、歩行行動を改善することができる。
- 参考スコア（独自算出の注目度）: 0.6193838300896449
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Locomotion is a prime example for adaptive behavior in animals and biological
control principles have inspired control architectures for legged robots. While
machine learning has been successfully applied to many tasks in recent years,
Deep Reinforcement Learning approaches still appear to struggle when applied to
real world robots in continuous control tasks and in particular do not appear
as robust solutions that can handle uncertainties well. Therefore, there is a
new interest in incorporating biological principles into such learning
architectures. While inducing a hierarchical organization as found in motor
control has shown already some success, we here propose a decentralized
organization as found in insect motor control for coordination of different
legs. A decentralized and distributed architecture is introduced on a simulated
hexapod robot and the details of the controller are learned through Deep
Reinforcement Learning. We first show that such a concurrent local structure is
able to learn better walking behavior. Secondly, that the simpler organization
is learned faster compared to holistic approaches.
- Abstract（参考訳）: locomotionは動物の適応行動の典型例であり、生物制御の原則は脚付きロボットの制御アーキテクチャに影響を与えた。
近年、機械学習が多くのタスクに適用されているが、Deep Reinforcement Learning(深層強化学習)のアプローチは、継続的な制御タスクにおいて現実世界のロボットに適用した場合、特に不確実性に対処できる堅牢なソリューションとして現れていない。
したがって、このような学習アーキテクチャに生物学的原理を組み込むことに新たな関心がある。
運動制御にみられる階層的な組織を誘導することは既に成功しているものの、本論文では異なる脚の協調のために昆虫の運動制御にみられる分散組織を提案する。
シミュレートされたヘキサポッドロボットには分散分散アーキテクチャが導入され、コントローラの詳細は深層強化学習によって学習される。
まず,このような同時的局所構造が歩行行動の学習に有効であることを示す。
第二に、より単純な組織は全体論的アプローチよりも速く学習されるということです。
関連論文リスト
- One Policy to Run Them All: an End-to-end Learning Approach to Multi-Embodiment Locomotion [18.556470359899855]
統一ロボット形態学アーキテクチャであるURMAを紹介する。
我々のフレームワークは、脚のあるロボットの領域にエンドツーエンドのマルチタスク強化学習アプローチをもたらす。
URMAはロボットプラットフォームに容易に移動可能な複数の実施形態の移動ポリシーを学習できることを示す。
論文 参考訳（メタデータ） (2024-09-10T09:44:15Z) - Hierarchical learning control for autonomous robots inspired by central nervous system [7.227887302864789]
本稿では,中枢神経系の階層構造を模倣した新しい階層型学習制御フレームワークを提案する。
このフレームワークは、アクティブな制御システムとパッシブな制御システムを組み合わせて、制御システムの柔軟性と信頼性の両方を改善する。
本研究は,中枢神経系における自律行動を支配する原理を明らかにし,階層的制御手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-08-07T03:24:59Z) - Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。
本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。
この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文 参考訳（メタデータ） (2024-01-30T10:48:43Z) - Decentralized Motor Skill Learning for Complex Robotic Systems [5.669790037378093]
本稿では,分散モータスキル(DEMOS)学習アルゴリズムを提案する。
本手法は, 性能を犠牲にすることなく, 政策の堅牢性と一般化を向上する。
四足歩行ロボットとヒューマノイドロボットの実験は、学習方針が局所的な運動障害に対して堅牢であり、新しいタスクに移行できることを示した。
論文 参考訳（メタデータ） (2023-06-30T05:55:34Z) - 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) - Hierarchical Decentralized Deep Reinforcement Learning Architecture for
a Simulated Four-Legged Agent [0.0]
自然界では、運動の制御は階層的で分散的な方法で起こる。
そこで本研究では,シミュレートされた脚型エージェントを制御するための,分散型階層型アーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-21T07:55:33Z) - A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free
Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。
機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文 参考訳（メタデータ） (2022-08-16T17:37:36Z) - Versatile modular neural locomotion control with fast learning [6.85316573653194]
脚のついたロボットは、高度に非構造的な環境で動作する大きな可能性を秘めている。
現在、コントローラは、特定のロボットのために手動で設計するか、機械学習メソッドで自動的に設計されなければならない。
高速な学習が可能な,単純かつ多目的なモジュール型ニューラルコントロール構造を提案する。
論文 参考訳（メタデータ） (2021-07-16T12:12:28Z) - Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。
軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。
NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文 参考訳（メタデータ） (2020-12-04T18:59:32Z) - Thinking While Moving: Deep Reinforcement Learning with Concurrent
Control [122.49572467292293]
本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。
人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
論文 参考訳（メタデータ） (2020-04-13T17:49:29Z) - 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)
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。