論文の概要: Rearrangement: A Challenge for Embodied AI
- arxiv url: http://arxiv.org/abs/2011.01975v1
- Date: Tue, 3 Nov 2020 19:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 03:51:54.653981
- Title: Rearrangement: A Challenge for Embodied AI
- Title(参考訳): 再配置: 身体的AIへの挑戦
- Authors: Dhruv Batra, Angel X. Chang, Sonia Chernova, Andrew J. Davison, Jia
Deng, Vladlen Koltun, Sergey Levine, Jitendra Malik, Igor Mordatch, Roozbeh
Mottaghi, Manolis Savva, Hao Su
- Abstract要約: Embodied AIの研究と評価のためのフレームワークについて述べる。
我々の提案は正統的な課題である再配置に基づいている。
4つの異なるシミュレーション環境における再配置シナリオの実験的なテストベッドについて述べる。
- 参考スコア(独自算出の注目度): 229.8891614821016
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We describe a framework for research and evaluation in Embodied AI. Our
proposal is based on a canonical task: Rearrangement. A standard task can focus
the development of new techniques and serve as a source of trained models that
can be transferred to other settings. In the rearrangement task, the goal is to
bring a given physical environment into a specified state. The goal state can
be specified by object poses, by images, by a description in language, or by
letting the agent experience the environment in the goal state. We characterize
rearrangement scenarios along different axes and describe metrics for
benchmarking rearrangement performance. To facilitate research and exploration,
we present experimental testbeds of rearrangement scenarios in four different
simulation environments. We anticipate that other datasets will be released and
new simulation platforms will be built to support training of rearrangement
agents and their deployment on physical systems.
- Abstract(参考訳): Embodied AIの研究と評価のためのフレームワークについて述べる。
我々の提案は正統的な課題である再配置に基づいている。
標準タスクは、新しい技術の開発に集中し、他の設定に転送可能なトレーニングされたモデルのソースとして機能する。
再配置タスクでは、特定の物理的環境を特定の状態にすることを目的としている。
ゴール状態は、オブジェクトのポーズ、画像、言語による記述、あるいはエージェントにゴール状態の環境を体験させることによって指定することができる。
我々は、異なる軸に沿って再配置シナリオを特徴付け、再配置性能をベンチマークするためのメトリクスを記述する。
本研究では,4つの異なるシミュレーション環境における再配置シナリオの実験的なテストベッドを提案する。
我々は、他のデータセットがリリースされ、再配置エージェントのトレーニングと物理システムへのデプロイをサポートする新しいシミュレーションプラットフォームが構築されることを期待している。
関連論文リスト
- PISA: Point-cloud-based Instructed Scene Augmentation [7.843067454031]
本稿では,周辺環境に整合した点雲オブジェクトを生成可能な,最初のエンドツーエンドのマルチモーダルディープニューラルネットワークを提案する。
我々のモデルは、クエリとポイントクラウドの入力に基づいて、適切な位置で明らかにオブジェクトを生成します。
論文 参考訳(メタデータ) (2023-11-26T06:40:16Z) - Active Visual Localization for Multi-Agent Collaboration: A Data-Driven
Approach [51.75186763756072]
本研究は、視点変化の課題を克服するために、アクティブな視覚的ローカライゼーションをどのように利用できるかを検討する。
具体的には、与えられた場所における最適な視点を選択する問題に焦点をあてる。
その結果,既存の手法と比較して,データ駆動方式の方が優れた性能を示した。
論文 参考訳(メタデータ) (2023-10-04T08:18:30Z) - MANER: Multi-Agent Neural Rearrangement Planning of Objects in Cluttered
Environments [8.15681999722805]
本稿では,マルチエージェントオブジェクトアレンジメント計画のための学習ベースのフレームワークを提案する。
複雑な環境におけるタスクシークエンシングとパス計画の課題に対処する。
論文 参考訳(メタデータ) (2023-06-10T23:53:28Z) - Planning for Learning Object Properties [117.27898922118946]
我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。
トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。
シミュレーションと実環境の両方で実験的な評価を行う。
論文 参考訳(メタデータ) (2023-01-15T09:37:55Z) - SE(3)-Equivariant Relational Rearrangement with Neural Descriptor Fields [39.562247503513156]
本稿では,任意のポーズで新規オブジェクトインスタンス間の空間的関係を含むタスクを実行する手法を提案する。
私たちのフレームワークは、5-10のデモだけで新しいタスクを指定できるスケーラブルな方法を提供する。
本手法は,シミュレーションにおける3つのマルチオブジェクト再構成タスクと実ロボットを用いて試験を行う。
論文 参考訳(メタデータ) (2022-11-17T18:55:42Z) - Spot the Difference: A Novel Task for Embodied Agents in Changing
Environments [43.52107532692226]
Embodied AIは、環境の中で動き、操作できるインテリジェントなエージェントを作ることを目指している。
本研究では,エージェントが時代遅れの環境マップにアクセス可能なEmbodied AIのための新しいタスクであるSpot the differenceを提案する。
本研究では,環境に関する過去の知見を活かし,既存のエージェントよりも迅速かつ効果的に現場の変化を識別する探索政策を提案する。
論文 参考訳(メタデータ) (2022-04-18T18:30:56Z) - Improving Meta-learning for Low-resource Text Classification and
Generation via Memory Imitation [87.98063273826702]
本稿では,メモリ模倣メタラーニング(MemIML)手法を提案する。
本手法の有効性を証明するために理論的解析を行った。
論文 参考訳(メタデータ) (2022-03-22T12:41:55Z) - Predicting Stable Configurations for Semantic Placement of Novel Objects [37.18437299513799]
我々のゴールは、新しい環境における学習された意味的関係に従って、ロボットが未確認の物体を配置できるようにすることである。
我々は、未知のオブジェクトのセマンティック配置のための計画アルゴリズムと密に統合するために、モデルとトレーニングをゼロから構築する。
提案手法は,RGB-Dセンシングのみによる形状の異なるシーンにおける未知物体のセマンティック・アレンジメントのための動作計画を可能にする。
論文 参考訳(メタデータ) (2021-08-26T23:05:05Z) - FDMT: A Benchmark Dataset for Fine-grained Domain Adaptation in Machine
Translation [53.87731008029645]
機械翻訳(FDMT)における実世界のきめ細かいドメイン適応タスクを提案する。
FDMTデータセットは、自動運転車、AI教育、リアルタイムネットワーク、スマートフォンの4つのサブドメインで構成されている。
この新しい設定で定量的な実験と深い分析を行い、きめ細かいドメイン適応タスクをベンチマークします。
論文 参考訳(メタデータ) (2020-12-31T17:15:09Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z)
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。