論文の概要: Neural fidelity warping for efficient robot morphology design
- arxiv url: http://arxiv.org/abs/2012.04195v2
- Date: Wed, 9 Dec 2020 18:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:39:21.989117
- Title: Neural fidelity warping for efficient robot morphology design
- Title(参考訳): 効率的なロボット形態設計のための神経忠実性ウォーピング
- Authors: Sha Hu, Zeshi Yang, Greg Mori
- Abstract要約: 低忠実度評価により計算資源を効率的に活用する連続多忠実ベイズ最適化フレームワークを提案する。
本手法は,ロボットの最適形態を効率的に探索するために低忠実度評価を活用できる。
- 参考スコア(独自算出の注目度): 40.85746315602933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of optimizing a robot morphology to achieve the best
performance for a target task, under computational resource limitations. The
evaluation process for each morphological design involves learning a controller
for the design, which can consume substantial time and computational resources.
To address the challenge of expensive robot morphology evaluation, we present a
continuous multi-fidelity Bayesian Optimization framework that efficiently
utilizes computational resources via low-fidelity evaluations. We identify the
problem of non-stationarity over fidelity space. Our proposed fidelity warping
mechanism can learn representations of learning epochs and tasks to model
non-stationary covariances between continuous fidelity evaluations which prove
challenging for off-the-shelf stationary kernels. Various experiments
demonstrate that our method can utilize the low-fidelity evaluations to
efficiently search for the optimal robot morphology, outperforming
state-of-the-art methods.
- Abstract(参考訳): 計算資源の制限の下で,ロボット形態を最適化して目標タスクの最高の性能を達成するという課題を考察する。
各形態素設計の評価プロセスは、かなりの時間と計算資源を消費できる設計のためのコントローラを学習することを含む。
高価なロボット形態評価の課題に対処するため,低忠実度評価による計算資源を効率的に活用する連続多忠実ベイズ最適化フレームワークを提案する。
忠実度空間上の非定常性の問題を特定する。
提案する忠実性ウォーピング機構は,学習時間とタスクの表現を学習し,連続的忠実性評価間の非定常共分散をモデル化する。
様々な実験により, ロボットの最適形態を効率的に探索するために低忠実度評価を活用できることが実証された。
関連論文リスト
- Robust Neural Pruning with Gradient Sampling Optimization for Residual
Neural Networks [0.0]
本研究は, 採粒過程におけるStochGradAdamと同様の勾配サンプリング技術の適用に焦点を当てた。
実験により, 従来の最適化手法と比較して, 勾配サンプリング法により最適化されたモデルの方が, 刈り込み時の精度を保つのに有効であることが判明した。
計算資源の制約のある環境においても,精度を損なうことなく効率の良いニューラルネットワークを構築するための有望な方向性が示唆された。
論文 参考訳(メタデータ) (2023-12-26T12:19:22Z) - Efficient Inverse Design Optimization through Multi-fidelity
Simulations, Machine Learning, and Search Space Reduction Strategies [0.4105236597768038]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実度機械学習モデル間の調和した相乗効果と高忠実度シミュレーションを促進する。
論文 参考訳(メタデータ) (2023-12-06T18:20:46Z) - RLIF: Interactive Imitation Learning as Reinforcement Learning [61.14928315004026]
オフ・ポリティクス強化学習は、インタラクティブな模倣学習よりも近いが、潜在的にさらに実践的な仮定の下で、パフォーマンスを向上させることができる。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳(メタデータ) (2023-11-21T21:05:21Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-05T08:32:07Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - Rethinking Pareto Frontier for Performance Evaluation of Deep Neural
Networks [2.167843405313757]
多目的最適化を用いて効率測定を再定義する。
競合変数と自然を同時に1つの相対効率尺度で組み合わせる。
これにより、異なるコンピューティングハードウェア上で効率的に動作するディープモデルをランク付けし、推論効率とトレーニング効率を客観的に組み合わせることができる。
論文 参考訳(メタデータ) (2022-02-18T15:58:17Z) - What Robot do I Need? Fast Co-Adaptation of Morphology and Control using
Graph Neural Networks [7.261920381796185]
実世界へのコ適応手法の適用における大きな課題は、シミュレーションから現実へのギャップである。
本稿では,従来の高周波深部ニューラルネットワークと計算コストの高いグラフニューラルネットワークを組み合わせることで,エージェントのデータ効率向上を実現する手法を提案する。
論文 参考訳(メタデータ) (2021-11-03T17:41:38Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z)
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。