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/2011.04840v3
- Date: Thu, 2 May 2024 00:26:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 22:58:28.206646
- 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, 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）: 31.103646278125318
- 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）: ロボットアームの高速動作は、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。
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、2次プログラムを繰り返し解き、最も短く最も速く実行可能な運動を見つけることで、関節の限界内に留まることと、3D頂点点を通ることを制約された最小のジェット運動を計算する。
厚みと質量の異なる5本の物理的ケーブルを実験し, 頂点点を選択する2本のベースラインと比較した。
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) - 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) - Untangling Dense Non-Planar Knots by Learning Manipulation Features and
Recovery Policies [28.75186178614213]
本稿では,ロキとスペンダーマンという,ロバストなケーブルアンタングリングを実現する2つのアルゴリズムを提案する。
HULK, LOKI, SPiDERManの組み合わせは, 濃密なオーバーハンド, フィギュアエイト, ダブルオーバーハンド, 正方形, ボウリング, グラニー, ステベドール, トリプルオーバーハンドの結び目を解き放つことができる。
論文 参考訳（メタデータ） (2021-06-29T04:13:14Z) - 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。