論文の概要: TriFinger: An Open-Source Robot for Learning Dexterity
- arxiv url: http://arxiv.org/abs/2008.03596v2
- Date: Thu, 21 Jan 2021 20:00:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 12:23:16.161684
- Title: TriFinger: An Open-Source Robot for Learning Dexterity
- Title(参考訳): TriFinger: ディクスタリティを学習するオープンソースのロボット
- Authors: Manuel W\"uthrich, Felix Widmaier, Felix Grimminger, Joel Akpo, Shruti
Joshi, Vaibhav Agrawal, Bilal Hammoud, Majid Khadiv, Miroslav Bogdanovic,
Vincent Berenz, Julian Viereck, Maximilien Naveau, Ludovic Righetti, Bernhard
Sch\"olkopf, Stefan Bauer
- Abstract要約: 人間の監督なしに安全に操作できるオープンソースのロボットプラットフォームを提案する。
ハードウェアは安価だが、非常にダイナミックで堅牢で、外部オブジェクトとの複雑な相互作用が可能である。
提案プラットフォームの可能性について,リアルタイム最適制御,スクラッチからの深層強化学習,投球,ライティングなど,数多くの実験を通じて説明する。
- 参考スコア(独自算出の注目度): 33.26612195196921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dexterous object manipulation remains an open problem in robotics, despite
the rapid progress in machine learning during the past decade. We argue that a
hindrance is the high cost of experimentation on real systems, in terms of both
time and money. We address this problem by proposing an open-source robotic
platform which can safely operate without human supervision. The hardware is
inexpensive (about \SI{5000}[\$]{}) yet highly dynamic, robust, and capable of
complex interaction with external objects. The software operates at 1-kilohertz
and performs safety checks to prevent the hardware from breaking. The
easy-to-use front-end (in C++ and Python) is suitable for real-time control as
well as deep reinforcement learning. In addition, the software framework is
largely robot-agnostic and can hence be used independently of the hardware
proposed herein. Finally, we illustrate the potential of the proposed platform
through a number of experiments, including real-time optimal control, deep
reinforcement learning from scratch, throwing, and writing.
- Abstract(参考訳): 過去10年間の機械学習の急速な進歩にもかかわらず、デクサラスオブジェクト操作はロボット工学において未解決の問題のままである。
障害とは、時間とお金の両方の観点から、実システムにおける実験の高コストであると主張する。
我々は、人間の監督なしに安全に操作できるオープンソースのロボットプラットフォームを提案することで、この問題に対処する。
ハードウェアは安価で(約 \SI{5000}[\$]{})、非常に動的で堅牢で、外部オブジェクトとの複雑な相互作用が可能である。
ソフトウェアは1キロヘルツで動作し、ハードウェアが壊れないように安全チェックを行う。
使いやすいフロントエンド(C++とPython)は、リアルタイム制御と深い強化学習に適している。
加えて、ソフトウェアフレームワークはロボットに依存しないため、ここで提案されているハードウェアとは独立して使用できる。
最後に、提案プラットフォームの可能性について、リアルタイム最適制御、スクラッチからの深層強化学習、投球、書き込みなど、数多くの実験を通して説明する。
関連論文リスト
- Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。
現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。
本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
論文 参考訳(メタデータ) (2024-07-02T21:00:30Z) - Safe Reinforcement Learning on the Constraint Manifold: Theory and Applications [21.98309272057848]
本稿では,学習に基づくロボットシステムに対して,複雑な安全制約を原則的に課す方法について述べる。
我々のアプローチは、安全ロボット構成の集合を表すConstraint Manifoldの概念に基づいている。
実世界のロボットエアホッケータスクにおいて,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2024-04-13T20:55:15Z) - Learning Visual Tracking and Reaching with Deep Reinforcement Learning
on a UR10e Robotic Arm [2.2168889407389445]
強化学習アルゴリズムは、ロボットがそれらを再プログラミングすることなく、新しいタスクを完了するための最適な解を学習できる可能性を提供する。
強化学習における現在の最先端技術は、最適な性能を達成するために、高速なシミュレーションと並列化に依存している。
本稿では,産業用UR10eロボットへの深部強化学習の適用について概説する。
論文 参考訳(メタデータ) (2023-08-28T15:34:43Z) - RoboPianist: Dexterous Piano Playing with Deep Reinforcement Learning [61.10744686260994]
本稿では,150曲のピアノ作品の大規模なレパートリーをシミュレートして学習するシステムであるRoboPianistを紹介する。
また,オープンソース環境,タスクのベンチマーク,解釈可能な評価指標,今後の研究課題についても紹介する。
論文 参考訳(メタデータ) (2023-04-09T03:53:05Z) - Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement
Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。
本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。
ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文 参考訳(メタデータ) (2023-03-02T18:51:38Z) - ROS-PyBullet Interface: A Framework for Reliable Contact Simulation and
Human-Robot Interaction [17.093672006793984]
信頼性の高いコンタクト/インパクトシミュレータPyBulletとロボットオペレーティングシステム(ROS)のブリッジを提供するフレームワークであるROS-PyBullet Interfaceを提案する。
さらに,シミュレーション環境でのヒューマン・ロボット・インタラクション(HRI)を促進するために,新たなユーティリティを提供する。
論文 参考訳(メタデータ) (2022-10-13T10:31:36Z) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳(メタデータ) (2022-03-31T23:08:20Z) - Dual-Arm Adversarial Robot Learning [0.6091702876917281]
ロボット学習のためのプラットフォームとしてデュアルアーム設定を提案する。
このセットアップの潜在的なメリットと、追求できる課題と研究の方向性について論じる。
論文 参考訳(メタデータ) (2021-10-15T12:51:57Z) - 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)
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。