論文の概要: Sequential Topological Representations for Predictive Models of Deformable Objects

• arxiv url: http://arxiv.org/abs/2011.11693v2
• Date: Mon, 10 May 2021 20:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 01:52:38.202847
• Title: Sequential Topological Representations for Predictive Models of Deformable Objects
• Title（参考訳）: 変形可能な物体の予測モデルに対する逐次位相表現
• Authors: Rika Antonova, Anastasiia Varava, Peiyang Shi, J. Frederico Carvalho, Danica Kragic
• Abstract要約: 我々は、高度に変形可能なオブジェクトの状態を取得するために、コンパクトな位相表現を構築する。 我々は、時間を通してこのトポロジカルな状態の進化を追跡するアプローチを開発する。 シミュレーションにおける高変形性物体を用いた実験により,提案した多段階予測モデルにより,計算トポロジーライブラリから得られたものよりも精度の高い結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 18.190326379178995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable objects present a formidable challenge for robotic manipulation due to the lack of canonical low-dimensional representations and the difficulty of capturing, predicting, and controlling such objects. We construct compact topological representations to capture the state of highly deformable objects that are topologically nontrivial. We develop an approach that tracks the evolution of this topological state through time. Under several mild assumptions, we prove that the topology of the scene and its evolution can be recovered from point clouds representing the scene. Our further contribution is a method to learn predictive models that take a sequence of past point cloud observations as input and predict a sequence of topological states, conditioned on target/future control actions. Our experiments with highly deformable objects in simulation show that the proposed multistep predictive models yield more precise results than those obtained from computational topology libraries. These models can leverage patterns inferred across various objects and offer fast multistep predictions suitable for real-time applications.
• Abstract（参考訳）: 変形可能な物体は、標準的な低次元表現の欠如と、そのような物体を捉え、予測し、制御することの難しさにより、ロボット操作にとって大きな課題となる。 コンパクトな位相表現を構築し、位相的に非自明な高度に変形可能な物体の状態を取得する。 我々は、時間を通してこの位相状態の進化を追跡するアプローチを開発する。 いくつかの穏やかな仮定の下で、シーンのトポロジーとその進化がシーンを表す点雲から回復できることを証明する。 さらに,過去点雲観測の列を入力として予測モデルを学び,目標/将来の制御行動に基づいて位相状態の系列を予測する手法を提案する。 シミュレーションにおける高変形性物体を用いた実験により,提案した多段階予測モデルにより,計算トポロジライブラリより精度の高い結果が得られることが示された。 これらのモデルは様々なオブジェクトにまたがるパターンを活用でき、リアルタイムアプリケーションに適した高速なマルチステップ予測を提供する。

関連論文リスト

• DoughNet: A Visual Predictive Model for Topological Manipulation of Deformable Objects [27.194896819729113]
  弾塑性物体との相互作用を計画するトランスフォーマーアーキテクチャ DoughNetはロボット操作の計画を可能にし、ロボットや人間が作った目標を再現するために、適切なツール、ポーズ、開口幅を選択する。
  論文  参考訳（メタデータ） (2024-04-18T21:55:23Z)
• Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
  我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。 本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
  論文  参考訳（メタデータ） (2023-10-19T07:51:39Z)
• Inverse Dynamics Pretraining Learns Good Representations for Multitask Imitation [66.86987509942607]
  このようなパラダイムを模倣学習でどのように行うべきかを評価する。 本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。 逆動力学モデリングはこの設定に適していると主張する。
  論文  参考訳（メタデータ） (2023-05-26T14:40:46Z)
• A machine learning and feature engineering approach for the prediction of the uncontrolled re-entry of space objects [1.0205541448656992]
  低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。 このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。 この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
  論文  参考訳（メタデータ） (2023-03-17T13:53:59Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• Flexible Networks for Learning Physical Dynamics of Deformable Objects [2.567499374977917]
  本稿では, 粒子ベース表現を用いた変形可能な物体の将来の状態を推定するために, 時間的ポイントネット (TP-Net) というモデルを提案する。 TP-Netは、並列に設定された各入力ポイントからグローバルな特徴を抽出する共有特徴抽出器と、これらの特徴を集約して将来の予測を行う予測ネットワークから構成される。 実験により,我々のモデルは,リアルタイム予測速度で,合成データセットと実世界のデータセットの両方で最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2021-12-07T14:34:52Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。