Fugu-MT 論文翻訳(概要): Reinforcement Learning with Time-dependent Goals for Robotic Musicians

論文の概要: Reinforcement Learning with Time-dependent Goals for Robotic Musicians

arxiv url: http://arxiv.org/abs/2011.05715v1
Date: Wed, 11 Nov 2020 11:37:36 GMT
ステータス: 処理完了
システム内更新日: 2022-09-27 00:44:50.054545
Title: Reinforcement Learning with Time-dependent Goals for Robotic Musicians
Title（参考訳）: 時間依存型ロボットミュージシャンのための強化学習
Authors: Thilo Fryen, Manfred Eppe, Phuong D.H. Nguyen, Timo Gerkmann, Stefan Wermter
Abstract要約: 目標条件付き強化学習への時間的拡張(時間依存目標)を導入する。我々は、ロボットミュージシャンがレミン楽器を演奏できるようにトレーニングするために使用できることを実証した。
参考スコア（独自算出の注目度）: 24.46084417051739
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reinforcement learning is a promising method to accomplish robotic control tasks. The task of playing musical instruments is, however, largely unexplored because it involves the challenge of achieving sequential goals - melodies - that have a temporal dimension. In this paper, we address robotic musicianship by introducing a temporal extension to goal-conditioned reinforcement learning: Time-dependent goals. We demonstrate that these can be used to train a robotic musician to play the theremin instrument. We train the robotic agent in simulation and transfer the acquired policy to a real-world robotic thereminist. Supplemental video: https://youtu.be/jvC9mPzdQN4
Abstract（参考訳）: 強化学習はロボット制御タスクを達成するための有望な方法である。しかし、楽器を演奏する作業は、時間次元のメロディである逐次目標を達成することの難しさを伴うため、ほとんど探検されていない。本稿では,目標条件付き強化学習に時間的拡張を導入することで,ロボットミュージシャンの育成に取り組む。これらは、ロボットミュージシャンがテレミン楽器を演奏するためのトレーニングに使用できることを実証する。ロボットエージェントをシミュレーションで訓練し、取得したポリシーを現実世界のロボットテレミニストに転送する。補足ビデオ:https://youtu.be/jvC9mPzdQN4

関連論文リスト

Towards General Purpose Robots at Scale: Lifelong Learning and Learning to Use Memory [0.0]
このテーマは、記憶と生涯学習という、長い時間をかけて動くロボットにとっての2つの重要な課題に対処することに焦点を当てている。まず,連続世界ベンチマークにおける最先端性能を実現するトラジェクトリベースディープ生成再生法であるt-DGRを紹介する。第2に,人間の実演を利用してエージェントに効果的なメモリ利用を教えるフレームワークを開発する。
論文参考訳（メタデータ） (2024-12-28T21:13:48Z)
RP1M: A Large-Scale Motion Dataset for Piano Playing with Bi-Manual Dexterous Robot Hands [57.64308229980045]
ロボットピアノ100万のデータセットには,100万回以上の軌跡の動作データをバイマニュアルで演奏するロボットピアノが組み込まれている。指の配置を最適な移動問題として定式化し、大量の未収録曲の自動アノテーションを可能にする。既存の模倣学習手法のベンチマークでは、RP1Mを活用することにより、最先端のロボットピアノ演奏性能に達することが示されている。
論文参考訳（メタデータ） (2024-08-20T17:56:52Z)
Growing from Exploration: A self-exploring framework for robots based on foundation models [13.250831101705694]
我々は、ロボットが人間の介入なしに自律的に探索し学習することを可能にするGExpというフレームワークを提案する。幼児が世界と対話する方法に触発されて、GExpはロボットに、一連の自己生成タスクで環境を理解し、探索するように促す。
論文参考訳（メタデータ） (2024-01-24T14:04:08Z)
RoboPianist: Dexterous Piano Playing with Deep Reinforcement Learning [61.10744686260994]
本稿では,150曲のピアノ作品の大規模なレパートリーをシミュレートして学習するシステムであるRoboPianistを紹介する。また,オープンソース環境,タスクのベンチマーク,解釈可能な評価指標,今後の研究課題についても紹介する。
論文参考訳（メタデータ） (2023-04-09T03:53:05Z)
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)
DayDreamer: World Models for Physical Robot Learning [142.11031132529524]
深層強化学習はロボット学習の一般的なアプローチであるが、学習するには大量の試行錯誤が必要となる。ロボット学習の多くの進歩はシミュレータに依存している。本稿では,Dreamerを4つのロボットに適用し,シミュレータを使わずに,オンラインおよび実世界で直接学習する。
論文参考訳（メタデータ） (2022-06-28T17:44:48Z)
Back to Reality for Imitation Learning [8.57914821832517]
模倣学習と一般のロボット学習は、ロボット工学のブレークスルーではなく、機械学習のブレークスルーによって生まれた。私たちは、現実世界のロボット学習のより良い指標は時間効率であり、人間の真のコストをモデル化するものだと考えています。
論文参考訳（メタデータ） (2021-11-25T02:03:52Z)
Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation [55.31301153979621]
我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2021-09-28T16:18:54Z)
Robot Sound Interpretation: Learning Visual-Audio Representations for Voice-Controlled Robots [0.0]
画像と音声コマンドを最小限の監督で関連付ける表現を学習する。この表現を用いて、強化学習を用いてロボットタスクを学習する本質的な報酬関数を生成する。提案手法は, 様々な音響タイプやロボット作業において, 従来の作業よりも優れていたことを示す。
論文参考訳（メタデータ） (2021-09-07T02:26:54Z)
Actionable Models: Unsupervised Offline Reinforcement Learning of Robotic Skills [93.12417203541948]
与えられたデータセットの任意の目標状態に到達するために学習することによって、環境の機能的な理解を学ぶ目的を提案する。提案手法は,高次元カメラ画像上で動作し,これまで見つからなかったシーンやオブジェクトに一般化した実ロボットの様々なスキルを学習することができる。
論文参考訳（メタデータ） (2021-04-15T20:10:11Z)
Learning Locomotion Skills in Evolvable Robots [10.167123492952694]
本稿では,任意の形状のモジュール型ロボットが目標に向かって歩いたり,移動した場合にこの目標に従うことを学習できるようにするための,コントローラアーキテクチャと汎用学習手法を提案する。我々のアプローチは、現実世界の3つのシナリオにおいて、クモ、ヤモリ、そしてその子孫の3つのロボットに対して検証されている。
論文参考訳（メタデータ） (2020-10-19T14:01:50Z)

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。