論文の概要: Robots of the Lost Arc: Self-Supervised Learning to Dynamically
Manipulate Fixed-Endpoint Cables
- arxiv url: http://arxiv.org/abs/2011.04840v2
- Date: Mon, 29 Mar 2021 15:17:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 08:00:06.426934
- Title: Robots of the Lost Arc: Self-Supervised Learning to Dynamically
Manipulate Fixed-Endpoint Cables
- Title(参考訳): 失われたアークのロボット: 固定端ケーブルを動的に操作する自己教師付き学習
- Authors: Harry Zhang, Jeffrey Ichnowski, Daniel Seita, Jonathan Wang, Huang
Huang, and Ken Goldberg
- Abstract要約: 高速ロボットアームの動きは、ケーブルを操作して障害物を乗り越えたり、台座から物体をノックしたり、障害物の間を織ったりすることができる。
本稿では、UR5ロボットがこれらの3つのタスクを実行できる自己教師型学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 27.59436593848714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore how high-speed robot arm motions can dynamically manipulate cables
to vault over obstacles, knock objects from pedestals, and weave between
obstacles. In this paper, we propose a self-supervised learning framework that
enables a UR5 robot to perform these three tasks. The framework finds a 3D apex
point for the robot arm, which, together with a task-specific trajectory
function, defines an arcing motion that dynamically manipulates the cable to
perform tasks with varying obstacle and target locations. The trajectory
function computes minimum-jerk motions that are constrained to remain within
joint limits and to travel through the 3D apex point by repeatedly solving
quadratic programs to find the shortest and fastest feasible motion. We
experiment with 5 physical cables with different thickness and mass and compare
performance against two baselines in which a human chooses the apex point.
Results suggest that a baseline with a fixed apex across the three tasks
achieves respective success rates of 51.7%, 36.7%, and 15.0%, and a baseline
with human-specified, task-specific apex points achieves 66.7%, 56.7%, and
15.0% success rate respectively, while the robot using the learned apex point
can achieve success rates of 81.7% in vaulting, 65.0% in knocking, and 60.0% in
weaving. Code, data, and supplementary materials are available at https:
//sites.google.com/berkeley.edu/dynrope/home.
- Abstract(参考訳): 高速ロボットアームの動きは、ケーブルを動的に操作して障害物を乗り越えたり、台座から物をノックしたり、障害物を織り込んだりすることができる。
本稿では,ur5ロボットがこれら3つのタスクを実行できる自己教師付き学習フレームワークを提案する。
このフレームワークは、ロボットアームの3D頂点点を見つけ、タスク固有の軌道関数とともに、ケーブルを動的に操作してさまざまな障害物や目標位置でタスクを実行するアーク動作を定義する。
軌道関数は、最大で最速の運動を見つけるために二次プログラムを繰り返し解いて、関節限界内にとどまり、3d頂点点を通過するように制約された最小ジェルク運動を計算する。
厚みと質量の異なる5本の物理的ケーブルを用いて実験を行い,ヒトが頂点点を選択する2つのベースラインとの比較を行った。
その結果、3つのタスクで固定された頂点を持つベースラインがそれぞれ51.7%、36.7%、15.0%の成功率、人間の特定されたタスク固有の頂点を持つベースラインが66.7%、56.7%、および15.0%の成功率を達成し、学習された頂点を用いたロボットは、跳躍で81.7%、ノックで65.0%、織りで60.0%となることが示唆された。
コード、データ、補足資料はhttps: //sites.google.com/berkeley.edu/dynrope/homeで入手できる。
関連論文リスト
- Grasping Trajectory Optimization with Point Clouds [6.99668622081089]
本稿では,ロボットとタスク空間のポイントクラウド表現に基づく,ロボットグルーピングのための新しい軌道最適化手法を提案する。
本手法では,ロボットはリンク面上の3Dポイントで表現され,ロボットのタスク空間は深度センサから得られる点雲で表現される。
論文 参考訳(メタデータ) (2024-03-08T17:29:51Z) - Auxiliary Tasks Benefit 3D Skeleton-based Human Motion Prediction [106.06256351200068]
本稿では,補助的なタスクを伴うモデル学習フレームワークを提案する。
補助作業では、部分体関節の座標はマスキングまたはノイズ付加によって損なわれる。
本稿では,不完全かつ破損した動作データを処理できる新しい補助適応変換器を提案する。
論文 参考訳(メタデータ) (2023-08-17T12:26:11Z) - Barkour: Benchmarking Animal-level Agility with Quadruped Robots [70.97471756305463]
脚付きロボットのアジリティを定量化するための障害物コースであるBarkourベンチマークを導入する。
犬の機敏性の競争に触発され、様々な障害と時間に基づくスコアリング機構から構成される。
ベンチマークに対処する2つの方法を提案する。
論文 参考訳(メタデータ) (2023-05-24T02:49:43Z) - Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。
学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文 参考訳(メタデータ) (2022-11-16T16:26:48Z) - Intercepting A Flying Target While Avoiding Moving Obstacles: A Unified
Control Framework With Deep Manifold Learning [1.5229257192293197]
ロボットアームによるロボットアームによるリアルタイムな物体の干渉は、反応時間に対してほんの数ミリ秒しか許さない。
本稿では,高次元時間情報を埋め込んだロボット経路計画の統一的枠組みを提案する。
本研究は,オンボードセンシングと計算のみを用いた自律型7-DoFロボットアームへのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-09-27T18:46:52Z) - 6N-DoF Pose Tracking for Tensegrity Robots [5.398092221687385]
引張ロボットは剛性圧縮要素(ロッド)と柔軟な引張要素(ケーブルなど)から構成される
この研究は、マーカーのない視覚に基づく方法で、緊張するロボットのポーズトラッキングに対処することを目的としている。
RGB-Dビデオから張力ロボットの各剛体要素の6-DoFポーズを反復的に推定するプロセスを提案する。
論文 参考訳(メタデータ) (2022-05-29T20:55:29Z) - Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic
Grasp Stability Metrics [70.65363356763598]
解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。
幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。
第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
論文 参考訳(メタデータ) (2021-09-23T09:20:19Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳(メタデータ) (2021-04-23T17:59:28Z) - AcinoSet: A 3D Pose Estimation Dataset and Baseline Models for Cheetahs
in the Wild [51.35013619649463]
我々はAcinoSetと呼ばれる野生のフリーランニングチーターの広範なデータセットを提示する。
データセットには、119,490フレームのマルチビュー同期高速ビデオ映像、カメラキャリブレーションファイル、7,588フレームが含まれている。
また、結果の3D軌道、人間チェックされた3D地上真実、およびデータを検査するインタラクティブツールも提供される。
論文 参考訳(メタデータ) (2021-03-24T15:54:11Z) - Multi-Agent Path Planning based on MPC and DDPG [14.793341914236166]
モデル予測制御(MPC)とDeep Deterministic Policy Gradient(DDPG)を組み合わせた新しいアルゴリズムを提案する。
ddpg with continuous action spaceは、ロボットに学習と自律的な意思決定機能を提供するように設計されている。
航空母艦デッキや四角形などの不確定な環境でのシミュレーション実験にunity 3dを用いる。
論文 参考訳(メタデータ) (2021-02-26T02:57:13Z) - Robust Quadruped Jumping via Deep Reinforcement Learning [10.095966161524043]
本稿では,騒音環境下での四足歩行ロボットのジャンプ距離と高さについて考察する。
本研究では,4重跳躍のための非線形軌道最適化の複雑な解を活用・拡張するディープ強化学習を用いたフレームワークを提案する。
体長2倍の体長をジャンプしながら、高さ最大6cmの足の障害の頑丈さ、あるいはロボットの名目立位の高さの33%を実証した。
論文 参考訳(メタデータ) (2020-11-13T19:04:24Z)
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。