論文の概要: DIPN: Deep Interaction Prediction Network with Application to Clutter
Removal
- arxiv url: http://arxiv.org/abs/2011.04692v2
- Date: Sun, 4 Apr 2021 04:56:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 01:53:44.684036
- Title: DIPN: Deep Interaction Prediction Network with Application to Clutter
Removal
- Title(参考訳): DIPN:ディープインタラクション予測ネットワークとクラッタ除去への応用
- Authors: Baichuan Huang, Shuai D. Han, Abdeslam Boularias, and Jingjin Yu
- Abstract要約: DIPNはプッシュアクションの効果を「想像」し、予測結果の正確な合成画像を生成する。
DIPNの高精度により、グリップネットワークと直接統合することができ、難解なクラッタ除去タスクを実行できるロボット操作システムが得られる。
- 参考スコア(独自算出の注目度): 21.004472166249776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a Deep Interaction Prediction Network (DIPN) for learning to
predict complex interactions that ensue as a robot end-effector pushes multiple
objects, whose physical properties, including size, shape, mass, and friction
coefficients may be unknown a priori. DIPN "imagines" the effect of a push
action and generates an accurate synthetic image of the predicted outcome. DIPN
is shown to be sample efficient when trained in simulation or with a real
robotic system. The high accuracy of DIPN allows direct integration with a
grasp network, yielding a robotic manipulation system capable of executing
challenging clutter removal tasks while being trained in a fully
self-supervised manner. The overall network demonstrates intelligent behavior
in selecting proper actions between push and grasp for completing clutter
removal tasks and significantly outperforms the previous state-of-the-art.
Remarkably, DIPN achieves even better performance on the real robotic hardware
system than in simulation. Videos, code, and experiments log are available at
https://github.com/rutgers-arc-lab/dipn.
- Abstract(参考訳): 本稿では,ロボットのエンドエフェクタが複数の物体を押し付ける際に生じる複雑な相互作用を予測するための深層相互作用予測ネットワーク(dipn)を提案する。
DIPNはプッシュアクションの効果を「想像」し、予測結果の正確な合成画像を生成する。
DIPNは、シミュレーションや実際のロボットシステムで訓練された場合、サンプル効率がよい。
DIPNの高精度により、グリップネットワークと直接統合することができ、完全に自己管理された方法で訓練しながら、難解なクラッタ除去タスクを実行するロボット操作システムが得られる。
全体のネットワークは、クラッタ除去タスクを完了するためのプッシュと把持の間の適切なアクションを選択するためのインテリジェントな振る舞いを示し、以前の最先端を著しく上回っている。
注目すべきは、DIPNはシミュレーションよりも実際のロボットハードウェアシステムでパフォーマンスが向上するということだ。
ビデオ、コード、実験のログはhttps://github.com/rutgers-arc-lab/dipn.comから入手できる。
関連論文リスト
- Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers [41.069074375686164]
本稿では、政策ニューラルネットワークのトランクを事前訓練してタスクを学習し、共有表現を具体化する異種事前学習トランスフォーマー(HPT)を提案する。
52データセットの範囲で,トレーニング対象のスケーリング行動を調べる実験を行った。
HPTはいくつかのベースラインを上回り、未確認タスクで20%以上の微調整されたポリシー性能を向上させる。
論文 参考訳(メタデータ) (2024-09-30T17:39:41Z) - Learning Manipulation by Predicting Interaction [85.57297574510507]
本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。
実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
論文 参考訳(メタデータ) (2024-06-01T13:28:31Z) - SparseProp: Efficient Event-Based Simulation and Training of Sparse
Recurrent Spiking Neural Networks [4.532517021515834]
Spiking Neural Networks(SNN)は、生物学的にインスパイアされたモデルであり、アクションポテンシャルのストリームで情報を処理できる。
SparsePropはスパースSNNをシミュレートし、訓練するための新しいイベントベースアルゴリズムである。
論文 参考訳(メタデータ) (2023-12-28T18:48:10Z) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳(メタデータ) (2023-06-16T17:58:10Z) - 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) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳(メタデータ) (2022-11-19T15:44:08Z) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T16:49:32Z) - SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection
for Autonomous Driving [0.0]
Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。
まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
論文 参考訳(メタデータ) (2022-06-06T20:05:17Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳(メタデータ) (2022-03-28T20:29:50Z) - DeepSym: Deep Symbol Generation and Rule Learning from Unsupervised
Continuous Robot Interaction for Planning [1.3854111346209868]
ロボットアームハンドシステムは、プッシュとスタックアクションから「ロータブル」、「インサータブル」、「ラーガー・サン」と解釈できるシンボルを学習する。
本システムは,ロボットアームハンドシステムにおいて,その動作から「回転可能」,「不可能」,「大きい」と解釈可能なシンボルを学習する物理に基づく3次元シミュレーション環境で検証する。
論文 参考訳(メタデータ) (2020-12-04T11:26:06Z)
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。