論文の概要: A Development Cycle for Automated Self-Exploration of Robot Behaviors
- arxiv url: http://arxiv.org/abs/2007.14928v2
- Date: Sun, 21 Mar 2021 00:33:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 20:35:30.478339
- Title: A Development Cycle for Automated Self-Exploration of Robot Behaviors
- Title(参考訳): ロボット行動の自動自己爆発のための開発サイクル
- Authors: Thomas M. Roehr, Daniel Harnack, Hendrik W\"ohrle, Felix Wiebe, Moritz
Schilling, Oscar Lima, Malte Langosz, Shivesh Kumar, Sirko Straube, Frank
Kirchner
- Abstract要約: Q-Rockは、自動的な自己探索とロボットの振る舞いの資格のための開発サイクルである。
Q-Rockは、ロボットシステムの設計における複雑さの増加に対応するために、いくつかの機械学習と推論技術を組み合わせている。
- 参考スコア(独自算出の注目度): 4.449139319395159
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we introduce Q-Rock, a development cycle for the automated
self-exploration and qualification of robot behaviors. With Q-Rock, we suggest
a novel, integrative approach to automate robot development processes. Q-Rock
combines several machine learning and reasoning techniques to deal with the
increasing complexity in the design of robotic systems. The Q-Rock development
cycle consists of three complementary processes: (1) automated exploration of
capabilities that a given robotic hardware provides, (2) classification and
semantic annotation of these capabilities to generate more complex behaviors,
and (3) mapping between application requirements and available behaviors. These
processes are based on a graph-based representation of a robot's structure,
including hardware and software components. A central, scalable knowledge base
enables collaboration of robot designers including mechanical, electrical and
systems engineers, software developers and machine learning experts. In this
paper we formalize Q-Rock's integrative development cycle and highlight its
benefits with a proof-of-concept implementation and a use case demonstration.
- Abstract(参考訳): 本稿では,ロボット行動の自動自己探索と資格評価のための開発サイクルであるq-rockを提案する。
Q-Rockでは,ロボット開発プロセスを自動化する新しい統合的アプローチを提案する。
q-rockは、ロボットシステムの設計における複雑さの増加に対処するために、いくつかの機械学習と推論技術を組み合わせる。
Q-Rock開発サイクルは,(1)ロボットハードウェアが提供する機能の自動探索,(2)より複雑な動作を生成する能力の分類と意味アノテーション,(3)アプリケーション要件と利用可能な動作のマッピングの3つの補完プロセスから構成される。
これらのプロセスは、ハードウェアやソフトウェアコンポーネントを含む、ロボットの構造のグラフベースの表現に基づいている。
中央的でスケーラブルな知識ベースは、機械、電気、システムエンジニア、ソフトウェア開発者、機械学習の専門家を含むロボットデザイナーのコラボレーションを可能にする。
本稿では,Q-Rockのインテグレーティブ開発サイクルを形式化し,概念実証実装とユースケース実証でその利点を明らかにする。
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) - 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) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳(メタデータ) (2023-11-02T17:59:21Z) - SkiROS2: A skill-based Robot Control Platform for ROS [1.4502611532302039]
ROS上でのスキルベースのロボット制御プラットフォームであるSkiROS2を紹介する。
SkiROS2は、自動タスク計画とリアクティブ実行のための階層化されたハイブリッドコントロール構造を提案する。
本研究では,SkiROS2を現場に関連付け,タスク計画,推論,多感覚入力,製造実行システムの統合,強化学習の3つの事例を概説する。
論文 参考訳(メタデータ) (2023-06-29T15:25:51Z) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T16:49:32Z) - The Need for a Meta-Architecture for Robot Autonomy [0.0]
ロボットシステムの長期的な自律性には、障害や振る舞いの問題、知識の欠如に対処できるプラットフォームが暗黙的に必要である。
我々は,自律型ロボットエージェントの認知アーキテクチャの生成モデルとして,モデルベース工学の原則と認証可能な信頼性を前提としたケースを提起した。
論文 参考訳(メタデータ) (2022-07-20T07:27:23Z) - Behavior coordination for self-adaptive robots using constraint-based
configuration [0.0]
本稿では,自己適応型ロボットの制御アーキテクチャを動的に構成するアルゴリズムを提案する。
このアルゴリズムは制約に基づく構成アプローチを用いて、反応イベントと熟考イベントの両方に対応して、どの基本的なロボット動作をアクティベートするかを決定する。
このソリューションは、ROSとオープンソースをベースとした、Behavior Coordinator CBCと呼ばれるソフトウェア開発ツールとして実装されている。
論文 参考訳(メタデータ) (2021-03-24T12:09:44Z) - Combining Planning and Learning of Behavior Trees for Robotic Assembly [0.9262157005505219]
遺伝的プログラミングアルゴリズムを用いて行動木を生成する手法を提案する。
このタイプの高レベルな行動木学習は,さらなる学習をすることなく実システムへ移行できることを示す。
論文 参考訳(メタデータ) (2021-03-16T13:11:39Z) - Machine Learning-Based Automated Design Space Exploration for Autonomous
Aerial Robots [55.056709056795206]
自律飛行ロボットのためのドメイン固有のアーキテクチャの構築は、オンボードコンピューティングを設計するための体系的な方法論が欠如しているため、難しい。
F-1ルーフラインと呼ばれる新しいパフォーマンスモデルを導入し、アーキテクトがバランスの取れたコンピューティングシステムを構築する方法を理解するのを助ける。
サイバー物理設計空間を自動でナビゲートするために、AutoPilotを導入します。
論文 参考訳(メタデータ) (2021-02-05T03:50:54Z) - Integrated Benchmarking and Design for Reproducible and Accessible
Evaluation of Robotic Agents [61.36681529571202]
本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。
このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。
本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
論文 参考訳(メタデータ) (2020-09-09T15:31:29Z)
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。