論文の概要: Learning How to Solve Bubble Ball

• arxiv url: http://arxiv.org/abs/2011.10668v2
• Date: Thu, 29 Apr 2021 00:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:50:00.107340
• Title: Learning How to Solve Bubble Ball
• Title（参考訳）: バブルボールの解法を学ぶ
• Authors: Hotae Lee, Monimoy Bujarbaruah, and Francesco Borrelli
• Abstract要約: バブルボール(Bubble Ball)は、2D物理エンジン上に作られたゲームで、オブジェクトの有限セットがバブルのようなボールの動きを修正できる。 目的は、ボールがターゲットフラグに到達するために、オブジェクトのセットと初期設定を選択することである。 障害物、摩擦、接触力、物体選択の存在は、ゲームの解決を難しくする。 本稿では,気泡球を解く階層的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 2.9420731929258133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: "Bubble Ball" is a game built on a 2D physics engine, where a finite set of objects can modify the motion of a bubble-like ball. The objective is to choose the set and the initial configuration of the objects, in order to get the ball to reach a target flag. The presence of obstacles, friction, contact forces and combinatorial object choices make the game hard to solve. In this paper, we propose a hierarchical predictive framework which solves Bubble Ball. Geometric, kinematic and dynamic models are used at different levels of the hierarchy. At each level of the game, data collected during failed iterations are used to update models at all hierarchical level and converge to a feasible solution to the game. The proposed approach successfully solves a large set of Bubble Ball levels within reasonable number of trials. This proposed framework can also be used to solve other physics-based games, especially with limited training data from human demonstrations.
• Abstract（参考訳）: バブルボール(Bubble Ball)は、2D物理エンジン上に作られたゲームで、オブジェクトの有限セットがバブルのような球の動きを修正できる。 目的は、ボールがターゲットフラグに到達するために、オブジェクトのセットと初期設定を選択することである。 障害物、摩擦、接触力、組み合わせ対象の選択の存在は、ゲームの解決を難しくする。 本稿では,気泡球を解く階層的予測フレームワークを提案する。 幾何学的、キネマティック、動的モデルは階層の異なるレベルで使用される。 ゲームの各レベルでは、失敗したイテレーションの間に収集されたデータは、すべての階層レベルのモデルを更新し、ゲームの実行可能なソリューションに収束するために使用される。 提案手法は, 適度な回数の試験において, 気泡球レベルの大集合を良好に解決する。 このフレームワークは他の物理ゲーム、特に人間の実演による限られたトレーニングデータを解くためにも使用できる。

関連論文リスト

• DynaVol: Unsupervised Learning for Dynamic Scenes through Object-Centric Voxelization [67.85434518679382]
  幾何学構造と物体中心学習を統一した3次元シーン生成モデルDynaVolを提案する。 鍵となるアイデアは、シーンの3D特性を捉えるために、オブジェクト中心のボキセル化を実行することである。 ボクセルの機能は標準空間の変形関数を通じて時間とともに進化し、グローバルな表現学習の基礎を形成する。
  論文  参考訳（メタデータ） (2023-04-30T05:29:28Z)
• Event Detection in Football using Graph Convolutional Networks [0.0]
  ビデオシーケンスの各フレームにおけるプレーヤとボールをグラフとしてモデル化する方法を示す。 本稿では,各アクションの周囲に存在する時間的コンテキストをモデル化するためのグラフ畳み込み層とプール法について述べる。
  論文  参考訳（メタデータ） (2023-01-24T14:52:54Z)
• Hierarchical Reinforcement Learning for Precise Soccer Shooting Skills using a Quadrupedal Robot [76.04391023228081]
  本研究では,四足歩行ロボットが実世界において,強化学習を用いて精度の高い射撃技術を実現できるという課題に対処する。 本研究では, 深層強化学習を活用して頑健な動作制御政策を訓練する階層的枠組みを提案する。 提案するフレームワークをA1四足歩行ロボットに展開し、実世界のランダムなターゲットに向けて正確にボールを発射できるようにする。
  論文  参考訳（メタデータ） (2022-08-01T22:34:51Z)
• Finding Fallen Objects Via Asynchronous Audio-Visual Integration [89.75296559813437]
  本稿では,3次元仮想環境におけるマルチモーダルオブジェクトのローカライゼーションについて検討する。 カメラとマイクを装備したロボットエージェントは、音声と視覚信号を基礎となる物理学の知識と組み合わせることで、どの物体が落下したか(そしてどこにあるか)を判断しなければならない。 このデータセットは、物理ベースの衝撃音と、フォトリアリスティックな設定でオブジェクト間の複雑な物理的相互作用をシミュレートする3DWorldプラットフォームを使用している。
  論文  参考訳（メタデータ） (2022-07-07T17:59:59Z)
• Ball 3D localization from a single calibrated image [1.2891210250935146]
  本研究では,画素内の球径を推定し,実球径の知識をメートル単位で利用することにより,単一画像上の課題に対処することを提案する。 このアプローチは、ボールが(部分的にも)見えるようなあらゆるゲーム状況に適しています。 3つのバスケットボールデータセットの検証により,我々のモデルがボール3Dのローカライゼーションに顕著な予測を与えることが明らかとなった。
  論文  参考訳（メタデータ） (2022-03-30T19:38:14Z)
• Object Rearrangement Using Learned Implicit Collision Functions [61.90305371998561]
  本研究では,シーン内の6DOFオブジェクトのポーズに対して,シーンとクエリ対象点の雲を受け付け,衝突を予測できる学習的衝突モデルを提案する。 我々は,テーブルトップ再構成タスクにおけるモデル予測経路積分(MPPI)ポリシーの一部として,学習された衝突モデルを活用する。 学習モデルは従来のパイプラインよりも優れており、シミュレーションされた衝突クエリのデータセット上では9.8%の精度で学習精度が向上している。
  論文  参考訳（メタデータ） (2020-11-21T05:36:06Z)
• Learning to Play Cup-and-Ball with Noisy Camera Observations [2.6931502677545947]
  球技に対する学習モデルに基づく制御戦略を提案する。 Universal Robots UR5eのマニピュレータアームは、ケンダマのカップの1つでボールをキャッチすることを学ぶ。
  論文  参考訳（メタデータ） (2020-07-19T02:22:36Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)

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。