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

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Align Your Steps: Optimizing Sampling Schedules in Diffusion Models [63.927438959502226]
  拡散モデル(DM)は、視覚領域以降における最先端の生成モデリングアプローチとして確立されている。 DMの重大な欠点は、サンプリング速度の遅いことであり、大規模なニューラルネットワークによる多くのシーケンシャルな関数評価に依存している。 本稿では,DMのサンプリングスケジュールを高品質な出力に最適化する汎用的,原理的な手法を提案する。
  論文  参考訳（メタデータ） (2024-04-22T18:18:41Z)
• DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
  タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。 本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。 古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
  論文  参考訳（メタデータ） (2023-06-22T20:40:24Z)
• 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)
• 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)
• 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。