論文の概要: Predicting Sample Collision with Neural Networks
- arxiv url: http://arxiv.org/abs/2006.16868v1
- Date: Tue, 30 Jun 2020 14:56:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:40:32.944562
- Title: Predicting Sample Collision with Neural Networks
- Title(参考訳): ニューラルネットワークによるサンプル衝突予測
- Authors: Tuan Tran, Jory Denny, Chinwe Ekenna
- Abstract要約: 本稿では,サンプリングベース動作計画における高価なプリミティブ操作のコストに対処する枠組みを提案する。
我々は,2次元および3次元の作業空間における多様なロボットによる複数計画問題の枠組みを評価する。
- 参考スコア(独自算出の注目度): 5.713670854553366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many state-of-art robotics applications require fast and efficient motion
planning algorithms. Existing motion planning methods become less effective as
the dimensionality of the robot and its workspace increases, especially the
computational cost of collision detection routines. In this work, we present a
framework to address the cost of expensive primitive operations in
sampling-based motion planning. This framework determines the validity of a
sample robot configuration through a novel combination of a Contractive
AutoEncoder (CAE), which captures a occupancy grids representation of the
robot's workspace, and a Multilayer Perceptron, which efficiently predicts the
collision state of the robot from the CAE and the robot's configuration. We
evaluate our framework on multiple planning problems with a variety of robots
in 2D and 3D workspaces. The results show that (1) the framework is
computationally efficient in all investigated problems, and (2) the framework
generalizes well to new workspaces.
- Abstract(参考訳): 多くの最先端ロボットアプリケーションは高速かつ効率的な動き計画アルゴリズムを必要とする。
既存の動き計画手法は、ロボットの寸法や作業空間、特に衝突検出ルーチンの計算コストが増加するにつれて効果が低下する。
本研究では,サンプリングベース動作計画における高価なプリミティブ操作のコストに対処する枠組みを提案する。
本フレームワークは、ロボットのワークスペースの占有グリッド表現をキャプチャする契約型オートエンコーダ(CAE)と、CAEとロボットの構成からロボットの衝突状態を効率的に予測する多層パーセプトロンとを新たに組み合わせて、サンプルロボット構成の有効性を決定する。
各種ロボットを用いた2次元・3次元作業空間における複数計画問題の枠組みを評価する。
その結果,(1)フレームワークはすべての問題において計算効率が高く,(2)新しいワークスペースによく一般化できることがわかった。
関連論文リスト
- $\textbf{EMOS}$: $\textbf{E}$mbodiment-aware Heterogeneous $\textbf{M}$ulti-robot $\textbf{O}$perating $\textbf{S}$ystem with LLM Agents [33.77674812074215]
異種ロボット間の効果的な協調を実現するための新しいマルチエージェントフレームワークを提案する。
エージェントがロボットURDFファイルを理解し、ロボットキネマティクスツールを呼び出し、その物理能力の記述を生成する。
Habitat-MASベンチマークは、マルチエージェントフレームワークがエンボディメント認識推論を必要とするタスクをどのように処理するかを評価するように設計されている。
論文 参考訳(メタデータ) (2024-10-30T03:20:01Z) - COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。
提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。
実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2024-09-23T15:53:41Z) - Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳(メタデータ) (2024-08-29T20:22:22Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳(メタデータ) (2024-08-11T14:57:57Z) - Neural Implicit Swept Volume Models for Fast Collision Detection [0.0]
本稿では,深層学習に基づく符号付き距離計算の高速化と幾何衝突チェッカーの精度保証を併用したアルゴリズムを提案する。
シミュレーションおよび実世界のロボット実験において、我々のアプローチを検証するとともに、商用ビンピッキングアプリケーションを高速化できることを実証する。
論文 参考訳(メタデータ) (2024-02-23T12:06:48Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳(メタデータ) (2024-02-22T15:12:00Z) - Contribution \`a l'Optimisation d'un Comportement Collectif pour un
Groupe de Robots Autonomes [0.0]
この論文は集団ロボット工学の分野、特にマルチロボットシステムの最適化問題を研究している。
最初の貢献は、未知領域探索問題の解決にButterfly Algorithm Optimization (BOA) を用いることである。
第2の貢献は、ロボット工学における動的増分問題をベンチマークするための新しいシミュレーションフレームワークの開発である。
論文 参考訳(メタデータ) (2023-06-10T21:49:08Z) - 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) - Show Me What You Can Do: Capability Calibration on Reachable Workspace
for Human-Robot Collaboration [83.4081612443128]
本稿では,REMPを用いた短時間キャリブレーションにより,ロボットが到達できると考える非専門家と地道とのギャップを効果的に埋めることができることを示す。
この校正手順は,ユーザ認識の向上だけでなく,人間とロボットのコラボレーションの効率化にも寄与することを示す。
論文 参考訳(メタデータ) (2021-03-06T09:14:30Z) - An advantage actor-critic algorithm for robotic motion planning in dense
and dynamic scenarios [0.8594140167290099]
本稿では,既存のアクター批判アルゴリズムを改良し,複雑な動作計画に適合する。
ロボットが目標を達成するまでの処理時間を短縮し、動き計画においてより高い成功率を達成する。
論文 参考訳(メタデータ) (2021-02-05T12:30:23Z)
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。