論文の概要: Regenerating Soft Robots through Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2102.02579v2
• Date: Sun, 7 Feb 2021 11:55:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 20:02:14.995775
• Title: Regenerating Soft Robots through Neural Cellular Automata
• Title（参考訳）: 神経細胞オートマトンによるソフトロボットの再生
• Authors: Kazuya Horibe, Kathryn Walker, Sebastian Risi
• Abstract要約: 本研究では, ソフトロボットを模擬し, 損傷時の形態を再現する手法を開発した。 神経セルオートマトンを介して再生するソフトロボットのモデルを提案する。
• 参考スコア（独自算出の注目度）: 7.946510318969309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Morphological regeneration is an important feature that highlights the environmental adaptive capacity of biological systems. Lack of this regenerative capacity significantly limits the resilience of machines and the environments they can operate in. To aid in addressing this gap, we develop an approach for simulated soft robots to regrow parts of their morphology when being damaged. Although numerical simulations using soft robots have played an important role in their design, evolving soft robots with regenerative capabilities have so far received comparable little attention. Here we propose a model for soft robots that regenerate through a neural cellular automata. Importantly, this approach only relies on local cell information to regrow damaged components, opening interesting possibilities for physical regenerable soft robots in the future. Our approach allows simulated soft robots that are damaged to partially regenerate their original morphology through local cell interactions alone and regain some of their ability to locomote. These results take a step towards equipping artificial systems with regenerative capacities and could potentially allow for more robust operations in a variety of situations and environments. The code for the experiments in this paper is available at: \url{github.com/KazuyaHoribe/RegeneratingSoftRobots}.
• Abstract（参考訳）: 形態的再生は生物システムの環境適応能力を強調する重要な特徴である。 この再生能力の欠如は、機械の弾力性とそれらが操作できる環境を著しく制限する。 このギャップに対処するために, ソフトロボットを模擬し, 損傷した際の形態を再現する手法を開発した。 ソフトロボットを用いた数値シミュレーションは設計において重要な役割を担っているが、再生能力を持つソフトロボットの進化は今のところほとんど注目されていない。 本稿では,神経細胞オートマトンを介して再生するソフトロボットのモデルを提案する。 重要なことに、このアプローチは損傷した部品を再生するためのローカルなセル情報のみに依存しているため、将来的には物理的に再生可能なソフトロボットに興味深い可能性を開く。 我々のアプローチは、損傷を受けたシミュレーションされたソフトロボットが、局所的な細胞相互作用だけで元の形態を部分的に再生することを可能にする。 これらの結果は、再生能力を持つ人工システムの装備に向けて一歩前進し、様々な状況や環境においてより堅牢な運用を可能にする可能性がある。 実験のコードは \url{github.com/kazuyahoribe/regeneratingsoftrobots} で利用可能である。

関連論文リスト

• Physical Simulation for Multi-agent Multi-machine Tending [11.017120167486448]
  強化学習(RL)は,ロボットが環境とのインタラクションを通じて学習できる,有望なソリューションを提供する。 我々は、シンプルなロボットシステムを活用して、製造環境で大きな高価なロボットをデプロイすることなく、RLと“リアル”なデータで作業しました。
  論文  参考訳（メタデータ） (2024-10-11T17:57:44Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• DittoGym: Learning to Control Soft Shape-Shifting Robots [30.287452037945542]
  我々は、その生涯で形態を変えることができるロボットとして定義された、再構成可能な新しいロボットを探索する。 再構成可能なソフトロボットの制御を高次元強化学習(RL)問題として定式化する。 細かな形態変化を必要とするソフトロボットのための総合的なRLベンチマークであるDittoGymを紹介する。
  論文  参考訳（メタデータ） (2024-01-24T05:03:05Z)
• Astrocyte Regulated Neuromorphic Central Pattern Generator Control of Legged Robotic Locomotion [3.7814142008074954]
  本稿では,四足歩行ロボットの移動歩行を学習するためのアストロサイト制御スパイキングニューラルネットワーク(SNN)を用いた CPG を提案する。 SNNベースのCPGは、多目的物理シミュレーションプラットフォーム上でシミュレーションされ、平地でロボットを走らせながらトロッティング歩行が出現する。 最先端の強化学習に基づくロボット制御アルゴリズムと比較して、23.3Times$計算パワーセーブが観測される。
  論文  参考訳（メタデータ） (2023-12-25T20:33:16Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Severe Damage Recovery in Evolving Soft Robots through Differentiable Programming [7.198483427085636]
  そこで我々は,神経細胞オートマトンに基づくシステムを提案する。そこでは,ロボットが進化し,勾配に基づくトレーニングによって損傷から形態を再生する能力を与える。 結果として生じる神経細胞オートマトンは、深刻な形態的損傷を受けた後でも80%以上の機能を回復できる仮想ロボットを成長させることができる。
  論文  参考訳（メタデータ） (2022-06-14T08:05:42Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• Populations of Spiking Neurons for Reservoir Computing: Closed Loop Control of a Compliant Quadruped [64.64924554743982]
  本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。 本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
  論文  参考訳（メタデータ） (2020-04-09T14:32:49Z)

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。