論文の概要: Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera
- arxiv url: http://arxiv.org/abs/2005.14401v1
- Date: Fri, 29 May 2020 05:58:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 00:07:30.955512
- Title: Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera
- Title（参考訳）: 眼球カメラを用いたペグホール挿入のためのSim2Real
- Authors: Damian Bogunowicz, Aleksandr Rybnikov, Komal Vendidandi and Fedor
Chervinskii
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Even though the peg-hole insertion is one of the well-studied problems in
robotics, it still remains a challenge for robots, especially when it comes to
flexibility and the ability to generalize. Successful completion of the task
requires combining several modalities to cope with the complexity of the real
world. In our work, we focus on the visual aspect of the problem and employ the
strategy of learning an insertion task in a simulator. We use Deep
Reinforcement Learning to learn the policy end-to-end and then transfer the
learned model to the real robot, without any additional fine-tuning. We show
that the transferred policy, which only takes RGB-D and joint information
(proprioception) can perform well on the real robot.
- Abstract（参考訳）: ペグホールの挿入はロボティクスでよく研究されている問題だが、柔軟性と一般化能力に関しては、ロボットにとっては依然として課題だ。
タスクの完了には、現実世界の複雑さに対処するためにいくつかのモダリティを組み合わせる必要がある。
本研究では,問題の視覚的な側面に着目し,シミュレータ内で挿入タスクを学習する手法を採用する。
我々は、Deep Reinforcement Learningを使用して、エンドツーエンドのポリシーを学習し、学習したモデルを追加の微調整なしで実際のロボットに転送する。
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は,実際のロボットにおいて良好に動作可能であることを示す。
関連論文リスト
- $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。
我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
論文 参考訳（メタデータ） (2024-10-31T17:22:30Z) - VITAL: Visual Teleoperation to Enhance Robot Learning through Human-in-the-Loop Corrections [10.49712834719005]
本稿では,VITAL と呼ばれる双方向操作作業のための低コストな視覚遠隔操作システムを提案する。
われわれのアプローチは、安価なハードウェアとビジュアル処理技術を利用してデモを収集する。
実環境と模擬環境の両方を活用することにより,学習方針の一般化性と堅牢性を高める。
論文 参考訳（メタデータ） (2024-07-30T23:29:47Z) - RH20T: A Comprehensive Robotic Dataset for Learning Diverse Skills in
One-Shot [56.130215236125224]
オープンドメインでのロボット操作における重要な課題は、ロボットの多様性と一般化可能なスキルの獲得方法である。
単発模倣学習の最近の研究は、訓練されたポリシーを実証に基づく新しいタスクに移行する可能性を示唆している。
本稿では,エージェントがマルチモーダルな知覚で数百の現実世界のスキルを一般化する可能性を解き放つことを目的とする。
論文 参考訳（メタデータ） (2023-07-02T15:33:31Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳（メタデータ） (2021-09-19T18:00:51Z) - Low Dimensional State Representation Learning with Robotics Priors in
Continuous Action Spaces [8.692025477306212]
強化学習アルゴリズムは、エンドツーエンドで複雑なロボティクスタスクを解くことができることが証明されている。
本稿では,ロボットの生の知覚情報から得られる高次元の観察から,低次元状態表現の学習と最適ポリシーの学習を組み合わせた枠組みを提案する。
論文 参考訳（メタデータ） (2021-07-04T15:42:01Z) - 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) - The Ingredients of Real-World Robotic Reinforcement Learning [71.92831985295163]
実世界で収集されたデータによって継続的に自律的に改善できるロボット学習システムに必要な要素について論じる。
本稿では,このようなシステムの特異なインスタンス化を事例として,デクスタラスな操作を事例として提案する。
我々は人間の介入なしに学習できることを実証し、現実世界の3本指の手で様々な視覚ベースのスキルを習得する。
論文 参考訳（メタデータ） (2020-04-27T03:36:10Z) - SQUIRL: Robust and Efficient Learning from Video Demonstration of
Long-Horizon Robotic Manipulation Tasks [8.756012472587601]
深層強化学習(RL)は複雑な操作タスクを学習するために用いられる。
RLは、ロボットが大量の現実世界の経験を収集する必要がある。
SQUIRLは、単一のビデオデモしか持たない、新しいが関連するロングホライゾンタスクを実行する。
論文 参考訳（メタデータ） (2020-03-10T20:26:26Z)
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。