論文の概要: Learning to Play Cup-and-Ball with Noisy Camera Observations

• arxiv url: http://arxiv.org/abs/2007.09562v1
• Date: Sun, 19 Jul 2020 02:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:50:51.624752
• Title: Learning to Play Cup-and-Ball with Noisy Camera Observations
• Title（参考訳）: 騒々しいカメラ観測によるカップ・アンド・ボールの学習
• Authors: Monimoy Bujarbaruah, Tony Zheng, Akhil Shetty, Martin Sehr, Francesco Borrelli
• Abstract要約: 球技に対する学習モデルに基づく制御戦略を提案する。 Universal Robots UR5eのマニピュレータアームは、ケンダマのカップの1つでボールをキャッチすることを学ぶ。
• 参考スコア（独自算出の注目度）: 2.6931502677545947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Playing the cup-and-ball game is an intriguing task for robotics research since it abstracts important problem characteristics including system nonlinearity, contact forces and precise positioning as terminal goal. In this paper, we present a learning model based control strategy for the cup-and-ball game, where a Universal Robots UR5e manipulator arm learns to catch a ball in one of the cups on a Kendama. Our control problem is divided into two sub-tasks, namely $(i)$ swinging the ball up in a constrained motion, and $(ii)$ catching the free-falling ball. The swing-up trajectory is computed offline, and applied in open-loop to the arm. Subsequently, a convex optimization problem is solved online during the ball's free-fall to control the manipulator and catch the ball. The controller utilizes noisy position feedback of the ball from an Intel RealSense D435 depth camera. We propose a novel iterative framework, where data is used to learn the support of the camera noise distribution iteratively in order to update the control policy. The probability of a catch with a fixed policy is computed empirically with a user specified number of roll-outs. Our design guarantees that probability of the catch increases in the limit, as the learned support nears the true support of the camera noise distribution. High-fidelity Mujoco simulations and preliminary experimental results support our theoretical analysis.
• Abstract（参考訳）: ロボット工学研究において,システム非線形性,接触力,正確な位置決めなどの重要な課題を終端ゴールとして抽象化するため,カップ・アンド・ボールゲームは興味深い課題である。 本稿では,ユニバーサルロボットUR5eマニピュレータアームが,ケダマのカップの1つでボールをキャッチすることを学習する,カップ・アンド・ボールゲームのための学習モデルに基づく制御戦略を提案する。 我々の制御問題は2つのサブタスク、すなわち$に分けられる。 (i)$制限された動作でボールを振り上げると$ (ii)フリーフォールボールをキャッチする。 スイングアップ軌道はオフラインで計算され、アームにオープンループで適用される。 その後、ボールの自由落下中に凸最適化問題をオンラインに解き、マニピュレータを制御してボールをキャッチする。 コントローラは、intel realsense d435深度カメラからのボールのノイズ位置フィードバックを利用する。 そこで本研究では,カメラのノイズ分布を反復的に学習し,制御方針を更新するための新しい反復的フレームワークを提案する。 固定ポリシー付きキャッチの確率は、ユーザが指定したロールアウト回数で経験的に計算される。 本設計は,学習支援がカメラノイズ分布の真のサポートに近づくにつれて,キャッチの確率が限界値に増加することを保証している。 高忠実度ムジョコシミュレーションと予備実験結果は理論解析を支持する。

関連論文リスト

• Table tennis ball spin estimation with an event camera [11.735290341808064]
  卓球では、高速とスピンの組み合わせは従来の低フレームレートカメラが不十分である。 本稿では,イベントカメラを用いたテーブルテニススピン推定法を提案する。 我々は、スピン等級平均誤差が10.7 pm 17.3$ rps、スピン軸平均誤差が32.9 pm 38.2deg$をリアルタイムで空飛ぶボールに対して達成する。
  論文  参考訳（メタデータ） (2024-04-15T15:36:38Z)
• Ball Trajectory Inference from Multi-Agent Sports Contexts Using Set Transformer and Hierarchical Bi-LSTM [18.884300680050316]
  本稿では,ボールトラッキングに代わる費用対効果として,選手軌道からの球軌道推定フレームワークを提案する。 実験の結果,本モデルでは,自然かつ正確な軌道と,許容可能な球の保持を同時に行うことができることがわかった。 提案するフレームワークの実用的応用には,トラジェクティブ・インプットの欠如,半自動パスアノテーション,マッチブロードキャストのための自動ズームイン,保持可能な性能指標の算出などがある。
  論文  参考訳（メタデータ） (2023-06-14T02:19:59Z)
• EV-Catcher: High-Speed Object Catching Using Low-latency Event-based Neural Networks [107.62975594230687]
  イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。 イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。 計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
  論文  参考訳（メタデータ） (2023-04-14T15:23:28Z)
• DribbleBot: Dynamic Legged Manipulation in the Wild [10.29780236909404]
  DribbleBotは、人間と同じ現実の条件下でサッカーボールをドリブルするロボットシステムだ。 我々は、強化学習を用いたシミュレーションにおける訓練方針のパラダイムを採用し、それらを現実世界に伝達する。
  論文  参考訳（メタデータ） (2023-04-03T17:26:09Z)
• Deep-Learning-Based Computer Vision Approach For The Segmentation Of Ball Deliveries And Tracking In Cricket [4.021584094339975]
  本稿では,ボールのみを届ける映像を分割抽出する手法を提案する。 オブジェクト検出モデルを適用して,映像を正確に抽出する手法を提案する。 これらのビデオショットにおけるボール追跡は、提案したデータセットの有用性のサンプルとして、別のRetinaNetモデルを使用して行われる。
  論文  参考訳（メタデータ） (2022-11-22T04:55:58Z)
• 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)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Ball 3D localization from a single calibrated image [1.2891210250935146]
  本研究では,画素内の球径を推定し,実球径の知識をメートル単位で利用することにより,単一画像上の課題に対処することを提案する。 このアプローチは、ボールが(部分的にも)見えるようなあらゆるゲーム状況に適しています。 3つのバスケットボールデータセットの検証により,我々のモデルがボール3Dのローカライゼーションに顕著な予測を与えることが明らかとなった。
  論文  参考訳（メタデータ） (2022-03-30T19:38:14Z)
• Monocular Visual Analysis for Electronic Line Calling of Tennis Games [57.14812636359967]
  エレクトロニックラインコール(Electronic Line Calling)は、双眼ビジョン技術に基づくテニスの試合に使用される補助審判システムである。 本稿では,モノクルビジョン技術を用いたLCC法を提案する。 球のバウンス点が2次元画像におけるバウンス点とコート側線との相対的な位置に応じて境界外であるか否かを調べる。
  論文  参考訳（メタデータ） (2021-07-20T04:23:11Z)
• Goal-Auxiliary Actor-Critic for 6D Robotic Grasping with Point Clouds [62.013872787987054]
  6次元グルーピングのためのクローズドループ制御ポリシーを学習するための新しい手法を提案する。 本ポリシーでは,エゴセントリックカメラからの物体のセグメント化点雲を入力とし,ロボットグリップの連続した6次元制御動作を出力し,物体をつかむ。
  論文  参考訳（メタデータ） (2020-10-02T07:42:00Z)
• Disentangling Controllable Object through Video Prediction Improves Visual Reinforcement Learning [82.25034245150582]
  多くの視覚に基づく強化学習問題において、エージェントは視野内の可動物体を制御する。 制御可能なオブジェクトを観測信号から切り離すためのエンドツーエンド学習フレームワークを提案する。 不整合表現は、RLがエージェントに追加の観察チャネルとして有用であることが示されている。
  論文  参考訳（メタデータ） (2020-02-21T05:43:34Z)

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。