論文の概要: Emergent Hand Morphology and Control from Optimizing Robust Grasps of Diverse Objects

• arxiv url: http://arxiv.org/abs/2012.12209v1
• Date: Tue, 22 Dec 2020 17:52:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:24:14.781684
• Title: Emergent Hand Morphology and Control from Optimizing Robust Grasps of Diverse Objects
• Title（参考訳）: 多様な物体のロバスト把持の最適化による創発的手形態と制御
• Authors: Xinlei Pan, Animesh Garg, Animashree Anandkumar, Yuke Zhu
• Abstract要約: 多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。 形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。 我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 63.89096733478149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolution in nature illustrates that the creatures' biological structure and their sensorimotor skills adapt to the environmental changes for survival. Likewise, the ability to morph and acquire new skills can facilitate an embodied agent to solve tasks of varying complexities. In this work, we introduce a data-driven approach where effective hand designs naturally emerge for the purpose of grasping diverse objects. Jointly optimizing morphology and control imposes computational challenges since it requires constant evaluation of a black-box function that measures the performance of a combination of embodiment and behavior. We develop a novel Bayesian Optimization algorithm that efficiently co-designs the morphology and grasping skills jointly through learned latent-space representations. We design the grasping tasks based on a taxonomy of three human grasp types: power grasp, pinch grasp, and lateral grasp. Through experimentation and comparative study, we demonstrate the effectiveness of our approach in discovering robust and cost-efficient hand morphologies for grasping novel objects.
• Abstract（参考訳）: 自然の進化は、生物の生物学的構造とその感覚運動能力が生存のための環境変化に適応することを示している。 同様に、新しいスキルを変形して獲得する能力は、様々な複雑さのタスクを解決するための具体的エージェントを促進することができる。 本研究では,多様な物体を把握すべく,自然に効果的なハンドデザインが出現するデータ駆動アプローチを提案する。 形態学と制御の協調最適化は、エンボディメントと行動の組み合わせの性能を測定するブラックボックス関数を常に評価する必要があるため、計算上の課題を課す。 本研究では,学習的潜在空間表現による形態素および把持スキルを協調的に設計するベイズ最適化アルゴリズムを開発した。 本研究では, パワー握り, ピンチ握り, 横握りの3種類の人間把持の分類に基づいて把持タスクを設計する。 実験および比較研究を通じて,新しい物体をつかむための堅牢で費用効率の良い手形を発見するためのアプローチの有効性を実証した。

関連論文リスト

• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Understanding fitness landscapes in morpho-evolution via local optima networks [0.1843404256219181]
  モルフォ進化(Morpho-evolution、ME)とは、ロボットの設計とコントローラを同時に最適化し、タスクと環境が与えられた性能を最大化することを指す。 従来の研究では、目的関数に対する性能と評価される設計の多様性に関して、エンコーディングの実証的な比較を行っているが、この結果を説明する試みは行われていない。 移動作業のためのロボットを進化させる際の3つの異なるエンコーディングによって引き起こされるフィットネスランドスケープの構造について検討し、異なるフィットネスランドスケープを探索プロセスで横断できる容易性に新たな光を当てる。
  論文  参考訳（メタデータ） (2024-02-12T17:26:35Z)
• Multimodal Visual-Tactile Representation Learning through Self-Supervised Contrastive Pre-Training [0.850206009406913]
  MViTacは、コントラスト学習を利用して視覚と触覚を自己指導的に統合する新しい手法である。 両方の感覚入力を利用することで、MViTacは学習表現のモダリティ内およびモダリティ間損失を利用して、材料特性の分類を強化し、より適切な把握予測を行う。
  論文  参考訳（メタデータ） (2024-01-22T15:11:57Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Co-Imitation: Learning Design and Behaviour by Imitation [10.40773958250192]
  ロボットの協調適応は、与えられたタスクに対してシステムの身体と行動の両方を適応させることを目的としている。 本稿では,コ・イミテーション(co-imitation)と呼ばれるコ・アダプテーション問題に対する新たな視点を紹介する。 本稿では,実証者の状態分布を一致させることにより,行動と形態を適応させるコミュニテーション手法を提案する。
  論文  参考訳（メタデータ） (2022-09-02T17:57:32Z)
• Understanding Physical Effects for Effective Tool-use [91.55810923916454]
  本稿では,最小の協力力で効果的なツール利用戦略を創出するロボット学習計画フレームワークを提案する。 FEM(Finite Element Method)をベースとしたシミュレータを用いて,観測ツール使用時の細粒度,連続的な視覚的,身体的効果を再現する。 シミュレーションでは,提案手法が2つのタスクで観測されたものとは大きく異なる,より効果的なツール利用戦略を実現できることを示す。
  論文  参考訳（メタデータ） (2022-06-30T03:13:38Z)
• 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)
• Generative Adversarial Transformers [13.633811200719627]
  本稿では,新規かつ効率的な変換器であるGANsformerを紹介し,視覚生成モデリングの課題について検討する。 ネットワークは、線形効率の計算を維持しながら、画像間の長距離相互作用を可能にする二部構造を用いる。 高速な学習とより良いデータ効率を享受しながら、画像品質と多様性の観点から最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-01T18:54:04Z)
• Task-Agnostic Morphology Evolution [94.97384298872286]
  モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。 これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。 我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
  論文  参考訳（メタデータ） (2021-02-25T18:59:21Z)

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。