論文の概要: Learning Sampling Distributions Using Local 3D Workspace Decompositions
for Motion Planning in High Dimensions
- arxiv url: http://arxiv.org/abs/2010.15335v3
- Date: Fri, 15 Oct 2021 14:27:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 22:25:34.853646
- Title: Learning Sampling Distributions Using Local 3D Workspace Decompositions
for Motion Planning in High Dimensions
- Title(参考訳): 高次元モーションプランニングのための局所3次元ワークスペース分解を用いた学習サンプリング分布
- Authors: Constantinos Chamzas, Zachary Kingston, Carlos Quintero-Pe\~na,
Anshumali Shrivastava, and Lydia E. Kavraki
- Abstract要約: 3次元環境における複雑なマニピュレータに適用可能なサンプリングベース計画のための2つの経験ベースフレームワークを提案する。
本研究では,FetchロボットにおけるSPARKとFLAMEの有効性を示す。
- 参考スコア(独自算出の注目度): 36.797567475027904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Earlier work has shown that reusing experience from prior motion planning
problems can improve the efficiency of similar, future motion planning queries.
However, for robots with many degrees-of-freedom, these methods exhibit poor
generalization across different environments and often require large datasets
that are impractical to gather. We present SPARK and FLAME , two
experience-based frameworks for sampling-based planning applicable to complex
manipulators in 3 D environments. Both combine samplers associated with
features from a workspace decomposition into a global biased sampling
distribution. SPARK decomposes the environment based on exact geometry while
FLAME is more general, and uses an octree-based decomposition obtained from
sensor data. We demonstrate the effectiveness of SPARK and FLAME on a Fetch
robot tasked with challenging pick-and-place manipulation problems. Our
approaches can be trained incrementally and significantly improve performance
with only a handful of examples, generalizing better over diverse tasks and
environments as compared to prior approaches.
- Abstract(参考訳): これまでの研究は、事前の動作計画問題の再利用により、同様の将来の動作計画クエリの効率が向上することを示した。
しかし、自由度が多いロボットの場合、これらの方法は異なる環境にまたがる一般化が貧弱であり、収集するには大きなデータセットを必要とすることが多い。
3次元環境における複雑なマニピュレータに適用可能なサンプリングベース計画のための2つの経験ベースフレームワークであるSPARKとFLAMEを提案する。
どちらもワークスペース分解の特徴に関連したサンプルをグローバルバイアスサンプリング分布に結合する。
SPARKは、FLAMEがより一般的である間に正確な幾何学に基づいて環境を分解し、センサデータから得られるオクツリーに基づく分解を使用する。
ピック・アンド・プレース操作課題に対処したフェッチロボットにおける火花と炎の効果を実証する。
当社のアプローチは,ごく少数の例で段階的に,大幅なパフォーマンス向上を実現しています。
関連論文リスト
- 360 Layout Estimation via Orthogonal Planes Disentanglement and
Multi-view Geometric Consistency Perception [60.23832277827669]
既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元する傾向がある。
水平深度と比表現に適した教師なし適応手法を提案する。
また,決定レベルのレイアウト解析のための最適化手法と,特徴レベルのマルチビューアグリゲーションのための1次元コストボリューム構築手法も導入する。
論文 参考訳(メタデータ) (2023-12-26T12:16:03Z) - RGM: A Robust Generalist Matching Model [53.223624323416914]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳(メタデータ) (2023-10-18T07:30:08Z) - Task-specific experimental design for treatment effect estimation [59.879567967089145]
因果推論の標準は大規模ランダム化試験(RCT)である。
近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。
実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
論文 参考訳(メタデータ) (2023-06-08T18:10:37Z) - Improving Few-Shot Generalization by Exploring and Exploiting Auxiliary
Data [100.33096338195723]
補助データを用いたFew-shot Learning(FLAD)に焦点を当てる。
FLADは、一般化を改善するために、数ショットの学習中に補助データへのアクセスを前提としている。
提案するアルゴリズムは EXP3-FLAD と UCB1-FLAD の2つである。
論文 参考訳(メタデータ) (2023-02-01T18:59:36Z) - Deep-Reinforcement-Learning-based Path Planning for Industrial Robots
using Distance Sensors as Observation [7.656633127636852]
本稿では,ロボットマニピュレータのための深部強化学習型モーションプランナを提案する。
いくつかの実験で、最先端のサンプリングベースプランナに対して、我々のモデルを評価した。
論文 参考訳(メタデータ) (2023-01-14T21:42:17Z) - Progressive Multi-view Human Mesh Recovery with Self-Supervision [68.60019434498703]
既存のソリューションは通常、新しい設定への一般化性能の低下に悩まされる。
マルチビューヒューマンメッシュリカバリのためのシミュレーションに基づく新しいトレーニングパイプラインを提案する。
論文 参考訳(メタデータ) (2022-12-10T06:28:29Z) - Deployment Optimization for Shared e-Mobility Systems with Multi-agent
Deep Neural Search [15.657420177295624]
共有e-mobilityサービスは世界中の都市で広くテストされ、試験運用されている。
本稿では,持続的な収益性を維持しつつ,ユーザに対してユビキタスなサービスを実現するための,空間的・時間的インフラストラクチャの展開と管理方法について検討する。
我々は,共有電子移動システムの主要動作詳細を粒度で抽象化した高忠実度シミュレーション環境を設計することで,この問題に対処する。
論文 参考訳(メタデータ) (2021-11-03T11:37:11Z) - Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。
メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
論文 参考訳(メタデータ) (2021-08-09T18:16:08Z) - Learning to Plan Optimally with Flow-based Motion Planner [29.124322674133]
従来の経験から学習した条件付き正規化フローに基づく分布を導入し,これらの手法のサンプリングを改善する。
我々の分布は現在のイシューインスタンスで条件付けでき、将来性のある領域内の構成をサンプリングするための情報的事前情報を提供することができる。
フローベースの正規化ディストリビューションを使用することで、より高速にソリューションを見つけることができ、より少ないサンプルと全体的な実行時のパフォーマンスが向上します。
論文 参考訳(メタデータ) (2020-10-21T21:46:08Z) - Meta Adaptation using Importance Weighted Demonstrations [19.37671674146514]
エージェントが新しいタスクを推測することが困難である場合も少なくない。
本稿では,特定のタスクの集合に関する事前知識を活用することで,関連するタスクを一般化する新しいアルゴリズムを提案する。
環境タスクの多様性からロボットを訓練し、目に見えない環境に適応できる実験を行った。
論文 参考訳(メタデータ) (2019-11-23T07:22:32Z)
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。