論文の概要: A User's Guide to Calibrating Robotics Simulators
- arxiv url: http://arxiv.org/abs/2011.08985v1
- Date: Tue, 17 Nov 2020 22:24:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:59:56.071246
- Title: A User's Guide to Calibrating Robotics Simulators
- Title（参考訳）: ロボットシミュレータの校正に関するユーザガイド
- Authors: Bhairav Mehta, Ankur Handa, Dieter Fox, Fabio Ramos
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 54.85241102329546
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulators are a critical component of modern robotics research. Strategies
for both perception and decision making can be studied in simulation first
before deployed to real world systems, saving on time and costs. Despite
significant progress on the development of sim-to-real algorithms, the analysis
of different methods is still conducted in an ad-hoc manner, without a
consistent set of tests and metrics for comparison. This paper fills this gap
and proposes a set of benchmarks and a framework for the study of various
algorithms aimed to transfer models and policies learnt in simulation to the
real world. We conduct experiments on a wide range of well known simulated
environments to characterize and offer insights into the performance of
different algorithms. Our analysis can be useful for practitioners working in
this area and can help make informed choices about the behavior and main
properties of sim-to-real algorithms. We open-source the benchmark, training
data, and trained models, which can be found at
https://github.com/NVlabs/sim-parameter-estimation.
- Abstract（参考訳）: シミュレータは現代ロボット研究の重要な構成要素である。
知覚と意思決定の両方の戦略は、実世界のシステムにデプロイする前にシミュレーションで研究でき、時間とコストを節約できる。
sim-to-realアルゴリズムの開発には大きな進展があったが、異なる手法の分析は相変わらずアドホックな方法で行われ、比較のための一貫したテストとメトリクスのセットがない。
本稿では、このギャップを埋め、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移すための、様々なアルゴリズムの研究のための一連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。
本分析は,この領域で働く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関するインフォームドな選択を支援する。
ベンチマーク、トレーニングデータ、トレーニングモデルをオープンソースとして公開し、https://github.com/nvlabs/sim-parameter-estimationで確認できます。
関連論文リスト
- A Comparison of Imitation Learning Algorithms for Bimanual Manipulation [22.531439806919547]
本研究では,顕著な模倣学習アプローチの限界とメリットを実証する。
我々は,過剰制約付き力学系を含む複雑な双方向操作タスクにおいて,それぞれのアルゴリズムを評価する。
模倣学習は複雑なタスクを解くのに適しているが、全てのアルゴリズムが摂動、トレーニング要件、パフォーマンス、使いやすさに等しいわけではない。
論文 参考訳（メタデータ） (2024-08-13T00:04:17Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。
シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
論文 参考訳（メタデータ） (2023-09-22T20:52:50Z) - Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。
まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。
我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
論文 参考訳（メタデータ） (2022-06-22T19:33:21Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z)
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。