論文の概要: Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains
- arxiv url: http://arxiv.org/abs/2012.13320v1
- Date: Thu, 24 Dec 2020 16:41:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 11:53:38.949679
- Title: Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains
- Title（参考訳）: 複雑地形における多脚ロボットの進化的歩行移動
- Authors: Min Jiang, Guokun Chi, Geqiang Pan, Shihui Guo, and Kay Chen Tan
- Abstract要約: 本稿では、Tr-GOと呼ばれる歩行最適化のための移動学習に基づく進化的フレームワークを提案する。
この考え方は、トランスファーラーニング技術を用いて高品質な人口を初期化することを目的としており、どんな集団ベースの最適化アルゴリズムでもこのフレームワークにシームレスに統合できる。
実験の結果,3つの多目的進化アルゴリズムに基づく歩行最適化問題に対する提案手法の有効性が示された。
- 参考スコア（独自算出の注目度）: 14.787379075870383
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot gait optimization is the task of generating an optimal control
trajectory under various internal and external constraints. Given the high
dimensions of control space, this problem is particularly challenging for
multi-legged robots walking in complex and unknown environments. Existing
literatures often regard the gait generation as an optimization problem and
solve the gait optimization from scratch for robots walking in a specific
environment. However, such approaches do not consider the use of pre-acquired
knowledge which can be useful in improving the quality and speed of motion
generation in complex environments. To address the issue, this paper proposes a
transfer learning-based evolutionary framework for multi-objective gait
optimization, named Tr-GO. The idea is to initialize a high-quality population
by using the technique of transfer learning, so any kind of population-based
optimization algorithms can be seamlessly integrated into this framework. The
advantage is that the generated gait can not only dynamically adapt to
different environments and tasks, but also simultaneously satisfy multiple
design specifications (e.g., speed, stability). The experimental results show
the effectiveness of the proposed framework for the gait optimization problem
based on three multi-objective evolutionary algorithms: NSGA-II, RM-MEDA and
MOPSO. When transferring the pre-acquired knowledge from the plain terrain to
various inclined and rugged ones, the proposed Tr-GO framework accelerates the
evolution process by a minimum of 3-4 times compared with non-transferred
scenarios.
- Abstract（参考訳）: ロボット歩行最適化は、様々な内部および外部制約の下で最適な制御軌道を生成するタスクである。
制御空間の高次元を考えると、この問題は複雑で未知の環境を歩く多脚ロボットにとって特に難しい。
既存の文献では、歩行生成を最適化問題とみなし、特定の環境を歩くロボットの歩行最適化をスクラッチから解くことが多い。
しかし、このような手法は複雑な環境下での運動生成の質と速度を改善するのに役立つ事前取得知識の利用を考慮していない。
本稿では,多目的歩行最適化のためのトランスファー学習に基づく進化的フレームワークtr-goを提案する。
このアイデアは、トランスファー学習の手法を用いて高品質な人口を初期化することであり、あらゆる種類の人口ベースの最適化アルゴリズムをこのフレームワークにシームレスに統合することができる。
利点は、生成された歩幅が異なる環境やタスクに動的に適応できるだけでなく、複数の設計仕様(例えば、速度、安定性)を同時に満たせることである。
実験により, NSGA-II, RM-MEDA, MOPSOの3つの多目的進化アルゴリズムに基づく歩行最適化問題の枠組みの有効性が示された。
事前取得済みの知識を様々な傾斜した頑丈な知識に移す際,提案するtr-goフレームワークは,非移行シナリオと比較して,少なくとも3～4倍の速度で進化過程を加速する。
関連論文リスト
- CURE: Simulation-Augmented Auto-Tuning in Robotics [16.894274271669175]
本稿では、因果的な設定オプションを識別するCUREを提案する。
CUREは、様々な構成オプションとロボットのパフォーマンス目標との間の因果関係を抽象化する。
物理ロボットとシミュレーションの両方で実験を行うことにより,CUREの有効性と伝達性を示す。
論文 参考訳（メタデータ） (2024-02-08T04:27:14Z) - Robustness for Free: Quality-Diversity Driven Discovery of Agile Soft
Robotic Gaits [0.7829600874436199]
地形変化に頑健な歩留まりのレパートリーを,品質多様性アルゴリズムがいかに生み出すかを示す。
このロバスト性は、単一の目的最適化アルゴリズムによって生成される歩留まりを大きく上回る。
論文 参考訳（メタデータ） (2023-11-02T14:00:11Z) - Design Optimizer for Planar Soft-Growing Robot Manipulators [1.1888144645004388]
本研究は,ソフト成長ロボットの設計最適化のための新しいアプローチを提案する。
ソフトマニピュレータのキネマティックチェーンを最適化し、ターゲットに到達し、材料や資源の不要な過剰使用を避ける。
提案手法を最適性にアクセスするために, 提案手法を検証したところ, 解法の性能は著しく向上した。
論文 参考訳（メタデータ） (2023-10-05T08:23:17Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - A Data-Driven Evolutionary Transfer Optimization for Expensive Problems
in Dynamic Environments [9.098403098464704]
データ駆動、つまりサロゲート支援、進化的最適化は、高価なブラックボックス最適化問題に対処するための効果的なアプローチとして認識されている。
本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。
提案手法の有効性を実世界のケーススタディで実証した。
論文 参考訳（メタデータ） (2022-11-05T11:19:50Z) - Speeding up Computational Morphogenesis with Online Neural Synthetic
Gradients [51.42959998304931]
現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。
これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。
オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-25T22:43:51Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Distributed Multi-agent Meta Learning for Trajectory Design in Wireless
Drone Networks [151.27147513363502]
本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。
値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
論文 参考訳（メタデータ） (2020-12-06T01:30:12Z) - Bioinspired Bipedal Locomotion Control for Humanoid Robotics Based on
EACO [1.0152838128195467]
本研究は,ヒューマノイドロボットに適用されたEACOのグローバル検索能力と収束率を,リアルタイムに向上させるものである。
我々は、ACO、実コードGA、ニューラルネットワーク(NN)付きGA、パーティクルスウォーム最適化(PSO)、複雑なロボティクスシステムなど、幅広い問題に対するEACOアルゴリズムに特別な焦点をあてた。
論文 参考訳（メタデータ） (2020-10-09T09:43:48Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。