論文の概要: COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing

• arxiv url: http://arxiv.org/abs/2011.11270v1
• Date: Mon, 23 Nov 2020 08:20:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 03:13:28.999559
• Title: COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing
• Title（参考訳）: cocoi: 汎用的非平面プッシュのためのコンタクトアウェアオンラインコンテキスト推論
• Authors: Zhuo Xu, Wenhao Yu, Alexander Herzog, Wenlong Lu, Chuyuan Fu, Masayoshi Tomizuka, Yunfei Bai, C. Karen Liu, Daniel Ho
• Abstract要約: 一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。 深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。 動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
• 参考スコア（独自算出の注目度）: 87.7257446869134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General contact-rich manipulation problems are long-standing challenges in robotics due to the difficulty of understanding complicated contact physics. Deep reinforcement learning (RL) has shown great potential in solving robot manipulation tasks. However, existing RL policies have limited adaptability to environments with diverse dynamics properties, which is pivotal in solving many contact-rich manipulation tasks. In this work, we propose Contact-aware Online COntext Inference (COCOI), a deep RL method that encodes a context embedding of dynamics properties online using contact-rich interactions. We study this method based on a novel and challenging non-planar pushing task, where the robot uses a monocular camera image and wrist force torque sensor reading to push an object to a goal location while keeping it upright. We run extensive experiments to demonstrate the capability of COCOI in a wide range of settings and dynamics properties in simulation, and also in a sim-to-real transfer scenario on a real robot (Video: https://youtu.be/nrmJYksh1Kc)
• Abstract（参考訳）: 一般的なコンタクトリッチな操作問題は、複雑なコンタクト物理を理解するのが難しいため、ロボット工学における長年の課題である。 深部強化学習(RL)はロボット操作タスクを解く大きな可能性を示している。 しかし、既存のRLポリシーは様々な動的特性を持つ環境への適応性に制限があるため、多くのコンタクトリッチな操作タスクの解決に重要である。 本研究では,コンタクト・リッチなインタラクションを用いてオンラインのダイナミクス特性のコンテキスト埋め込みをエンコードする深層rl手法であるコンタクト・アウェア・オンラインコンテキスト推論(cocoi)を提案する。 本研究では,ロボットが単眼カメラ画像と手首力トルクセンサを読み取ることで,物体を直立させながら目標位置まで押し上げる,新規かつ挑戦的な非平面プッシュタスクに基づいて,この手法について検討する。 我々は、シミュレーションにおけるCOCOIの幅広い設定と力学特性、および実際のロボット上でのシミュレート・トゥ・リアル・トランスファーシナリオの実証実験を行った(ビデオ:https://youtu.be/nrmJYksh1Kc)。

関連論文リスト

• Learning Variable Compliance Control From a Few Demonstrations for Bimanual Robot with Haptic Feedback Teleoperation System [5.497832119577795]
  厳格なロボットを使った、きめ細やかな、接触に富んだ操作は、ロボット工学において重要な課題である。 外部センサを介して力を制御することでこれらの問題を緩和するために、コンプライアンス制御スキームが導入されている。 Demonstrationsからの学習は直感的な代替手段であり、ロボットは観察された動作を通じて操作を学習できる。
  論文  参考訳（メタデータ） (2024-06-21T09:03:37Z)
• Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration [8.343657309038285]
  強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。 分類分布を用いたマルチモーダル探索手法を提案する。 学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
  論文  参考訳（メタデータ） (2023-08-04T16:55:00Z)
• Zero-Shot Transfer of Haptics-Based Object Insertion Policies [11.711534127073492]
  人間は自然に触覚フィードバックを利用して、食器洗い機をロードしたり、本棚を張ったりといった、コンタクトが豊富なタスクをこなします。 現在のロボットシステムは、しばしば戦略的に配置された環境センサーに依存するため、予期せぬ接触を避けることに重点を置いている。 我々は,プレートをスロットホルダーに積載するコンタクトリッチホームタスクのシミュレーションにおいて,接触露光操作ポリシーを訓練する。
  論文  参考訳（メタデータ） (2023-01-29T23:57:43Z)
• Accelerating Interactive Human-like Manipulation Learning with GPU-based Simulation and High-quality Demonstrations [25.393382192511716]
  コンタクトリッチなタスクを対話的に操作するための没入型仮想現実遠隔操作インタフェースを提案する。 我々は,大規模並列RLと模倣学習の相補的強みを実証し,頑健で自然な振る舞いを示す。
  論文  参考訳（メタデータ） (2022-12-05T09:37:27Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• A Contact-Safe Reinforcement Learning Framework for Contact-Rich Robot Manipulation [5.0768619194124005]
  本稿では,コンタクトリッチロボット操作のためのコンタクトセーフ強化学習フレームワークを提案する。 RLポリシーがロボットアームと環境の予期せぬ衝突を引き起こすと、我々のフレームワークはすぐに衝突を検出し、接触力を小さくすることができる。 本手法は, 予期せぬ衝突のシナリオ下であっても, タスク空間とジョイント空間の両方で接触力を小さく抑えることができる。
  論文  参考訳（メタデータ） (2022-07-27T10:35:44Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera [58.720142291102135]
  シミュレーションを用いてペグホール挿入問題を学習し,学習したモデルを実ロボットに転送する。 本稿では,RGB-Dとジョイント情報(プロレセプション)のみを取り入れたトランスファーポリシーが,実際のロボットに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-05-29T05:58:54Z)
• Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
  本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。 エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
  論文  参考訳（メタデータ） (2020-04-29T18:00:22Z)

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。