論文の概要: Co-Evolution of Multi-Robot Controllers and Task Cues for Off-World Open
Pit Mining
- arxiv url: http://arxiv.org/abs/2009.09149v1
- Date: Sat, 19 Sep 2020 03:13:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 21:18:45.375176
- Title: Co-Evolution of Multi-Robot Controllers and Task Cues for Off-World Open
Pit Mining
- Title(参考訳): オフワールドオープンピットマイニングのためのマルチロボットコントローラとタスクキューの共進化
- Authors: Jekan Thangavelautham and Yinan Xu
- Abstract要約: 本稿では,マルチロボット掘削とサイト準備のシナリオにおいて,スケーラブルなコントローラを開発するための新しい手法を提案する。
コントローラは空白のスレートから始まり、人間による操作スクリプトや、掘削機の運動学や力学の詳細なモデリングを必要としない。
本稿では,テンプレートとタスクキューを用いてグループパフォーマンスをさらに向上し,アンタゴニティを最小化する方法について検討する。
- 参考スコア(独自算出の注目度): 0.6091702876917281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots are ideal for open-pit mining on the Moon as its a dull, dirty, and
dangerous task. The challenge is to scale up productivity with an
ever-increasing number of robots. This paper presents a novel method for
developing scalable controllers for use in multi-robot excavation and
site-preparation scenarios. The controller starts with a blank slate and does
not require human-authored operations scripts nor detailed modeling of the
kinematics and dynamics of the excavator. The 'Artificial Neural Tissue' (ANT)
architecture is used as a control system for autonomous robot teams to perform
resource gathering. This control architecture combines a variable-topology
neural-network structure with a coarse-coding strategy that permits specialized
areas to develop in the tissue. Our work in this field shows that fleets of
autonomous decentralized robots have an optimal operating density. Too few
robots result in insufficient labor, while too many robots cause antagonism,
where the robots undo each other's work and are stuck in gridlock. In this
paper, we explore the use of templates and task cues to improve group
performance further and minimize antagonism. Our results show light beacons and
task cues are effective in sparking new and innovative solutions at improving
robot performance when placed under stressful situations such as severe
time-constraint.
- Abstract(参考訳): ロボットは、月の露天掘りに理想的であり、鈍く、汚く、危険なタスクである。
課題は、ますます多くのロボットで生産性を高めることだ。
本稿では,マルチロボット探査や現場準備シナリオに使用するスケーラブルなコントローラを開発するための新しい手法を提案する。
コントローラは空白のスレートから始まり、人間による操作スクリプトや、掘削機の運動学とダイナミクスの詳細なモデリングを必要としない。
人工神経組織(ant)アーキテクチャは、自律ロボットチームがリソース収集を行うための制御システムとして使用される。
この制御アーキテクチャは、可変トポロジーの神経ネットワーク構造と粗いコード戦略を組み合わせることで、特定の領域を組織内で開発することができる。
この分野での我々の研究は、自律分散ロボットの群れが最適な運用密度を持っていることを示している。
ロボットが少なすぎると労働力が不足し、多くのロボットが敵意を抱き、ロボットがお互いの仕事を解き放ち、群れの中で立ち往生する。
本稿では,グループパフォーマンスをさらに向上させ,反抗を最小限に抑えるためのテンプレートとタスクの手がかりについて検討する。
本研究は,光ビーコンとタスクキューが,重度の時間制約などのストレス条件下でのロボット性能向上に有効であることを示す。
関連論文リスト
- 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 [64.51563634951394]
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) - Prompt a Robot to Walk with Large Language Models [19.89815242751014]
巨大な言語モデル(LLM)は、大規模なインターネットスケールのデータで事前訓練されている。
物理的環境から収集した数発のプロンプトを使用する新しいパラダイムを導入する。
様々なロボットと環境をまたいだ実験により、我々の手法がロボットに歩行を効果的に促すことが検証された。
論文 参考訳(メタデータ) (2023-09-18T17:50:17Z) - Hierarchical generative modelling for autonomous robots [8.023920215148486]
人型ロボットが、移動、操作、把握の全体的利用を必要とする複雑なタスクを自律的に完了できることを示します。
具体的には、箱を回収して輸送し、ドアを通り抜けて目的地に到達し、接近し、サッカーを蹴ることのできるヒューマノイドロボットの能力を示すとともに、身体の損傷や地面の不規則性の存在下で頑健な性能を示す。
論文 参考訳(メタデータ) (2023-08-15T13:51:03Z) - Exploring the effects of robotic design on learning and neural control [0.0]
論文は神経制御装置ではなく ロボット体の開発に焦点を当てています
私は、マルチタスク設定でニューラルネットワークが直面する現在の落とし穴の多くを克服できるように、ロボットを設計できることを発見しました。
論文 参考訳(メタデータ) (2023-06-06T15:17:34Z) - GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。
本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。
我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
論文 参考訳(メタデータ) (2022-09-12T15:14:32Z) - REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy
Transfer [57.045140028275036]
本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。
模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。
本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-10T18:50:25Z) - 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) - Large Scale Distributed Collaborative Unlabeled Motion Planning with
Graph Policy Gradients [122.85280150421175]
本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。
ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
論文 参考訳(メタデータ) (2021-02-11T21:57:43Z)
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。