論文の概要: Learning to Manipulate Amorphous Materials

• arxiv url: http://arxiv.org/abs/2103.02533v1
• Date: Wed, 3 Mar 2021 17:17:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 14:48:19.789544
• Title: Learning to Manipulate Amorphous Materials
• Title（参考訳）: アモルファス材料を操作するための学習
• Authors: Yunbo Zhang, Wenhao Yu, C. Karen Liu, Charles C. Kemp, Greg Turk
• Abstract要約: 本稿では,調理によく用いられるアモルファス材料の文字操作を訓練する方法を提案する。 典型的なタスクは、スクレイパーやナイフといった道具を使って平らな面に特定の材料を広げることである。 強化学習を使ってコントローラを訓練し、さまざまな方法で材料を操作する。
• 参考スコア（独自算出の注目度）: 40.916984769745255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a method of training character manipulation of amorphous materials such as those often used in cooking. Common examples of amorphous materials include granular materials (salt, uncooked rice), fluids (honey), and visco-plastic materials (sticky rice, softened butter). A typical task is to spread a given material out across a flat surface using a tool such as a scraper or knife. We use reinforcement learning to train our controllers to manipulate materials in various ways. The training is performed in a physics simulator that uses position-based dynamics of particles to simulate the materials to be manipulated. The neural network control policy is given observations of the material (e.g. a low-resolution density map), and the policy outputs actions such as rotating and translating the knife. We demonstrate policies that have been successfully trained to carry out the following tasks: spreading, gathering, and flipping. We produce a final animation by using inverse kinematics to guide a character's arm and hand to match the motion of the manipulation tool such as a knife or a frying pan.
• Abstract（参考訳）: 本稿では,調理によく用いられるアモルファス材料の文字操作を訓練する方法を提案する。 アモルファス材料としては、粒状材料(塩、未調理米)、流体(ホニー)、粘性プラスチック材料(粘米、軟化バター)などがある。 典型的なタスクは、スクレイパーやナイフといった道具を使って平らな面に特定の材料を広げることである。 強化学習を使ってコントローラを訓練し、さまざまな方法で材料を操作する。 トレーニングは、粒子の位置に基づく動力学を用いて操作対象の材料をシミュレートする物理シミュレータで行われる。 ニューラルネットワーク制御ポリシーは、材料(例えば)の観察が与えられる。 低解像度密度マップ)とポリシーはナイフの回転や翻訳などのアクションを出力します。 拡散、収集、および反転:我々は、次のタスクを実行するために正常に訓練されたポリシーを実証します。 我々は、逆キネマティクスを用いてキャラクターの腕をガイドし、手を使ってナイフやフライパンなどの操作ツールの動きに合わせて最終アニメーションを作成する。

関連論文リスト

• Click to Grasp: Zero-Shot Precise Manipulation via Visual Diffusion Descriptors [30.579707929061026]
  本研究は,ゼロショット設定における精密操作のための微細部分記述子の接地について検討する。 我々は、それを密接な意味部分対応タスクとしてフレーミングすることで、この問題に対処する。 我々のモデルは、同じオブジェクトの視覚的に異なるインスタンスのソースイメージからユーザ定義クリックを参照して、特定の部分を操作するためのグリップパポーズを返します。
  論文  参考訳（メタデータ） (2024-03-21T16:26:19Z)
• Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
  我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。 本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:43Z)
• DexDeform: Dexterous Deformable Object Manipulation with Human Demonstrations and Differentiable Physics [97.75188532559952]
  人間の実演から巧妙な操作スキルを抽象化する原理的枠組みを提案する。 次に、イマジネーションにおけるアクション抽象化を計画する上で、デモを使ってスキルモデルをトレーニングします。 提案手法の有効性を評価するために,6つの難解な変形可能なオブジェクト操作タスクの組を導入する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:49Z)
• Learning to Transfer In-Hand Manipulations Using a Greedy Shape Curriculum [79.6027464700869]
  本研究では, 動的シミュレーションにおける簡易物体の自然な, 頑健な手動操作が, 高品質なモーションキャプチャの例から学習可能であることを示す。 本稿では,ティーポット,バニー,ボトル,トレイン,ゾウなど,さまざまな対象に適用可能な,単純なグリージーなカリキュラム検索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-14T17:08:19Z)
• One-shot recognition of any material anywhere using contrastive learning with physics-based rendering [0.0]
  材料とテクスチャ間の類似点と遷移点をコンピュータビジョンで認識するための合成データセットMateSim、ベンチマーク、および方法を提案する。 食材を視覚的に認識することは、調理中に食品を調べること、農業、化学、工業製品を調べることなど、あらゆることに不可欠である。
  論文  参考訳（メタデータ） (2022-12-01T16:49:53Z)
• Learning Generalizable Dexterous Manipulation from Human Grasp Affordance [11.060931225148936]
  マルチフィンガーハンドによる有害な操作は、ロボット工学における最も難しい問題の1つだ。 模倣学習の最近の進歩は、強化学習と比較してサンプル効率を大幅に改善した。 本稿では,様々な3Dオブジェクトをカテゴリ内に配置した大規模実演を用いて,デクスタラスな操作を学習することを提案する。
  論文  参考訳（メタデータ） (2022-04-05T16:26:22Z)
• A Differentiable Recipe for Learning Visual Non-Prehensile Planar Manipulation [63.1610540170754]
  視覚的非包括的平面操作の問題に焦点をあてる。 本稿では,ビデオデコードニューラルモデルと接触力学の先行情報を組み合わせた新しいアーキテクチャを提案する。 モジュラーで完全に差別化可能なアーキテクチャは、目に見えないオブジェクトやモーションの学習専用手法よりも優れていることが分かりました。
  論文  参考訳（メタデータ） (2021-11-09T18:39:45Z)
• Learning Object Manipulation Skills via Approximate State Estimation from Real Videos [47.958512470724926]
  人間は、いくつかの指導ビデオを見て、新しいタスクを学ぶことに精通しています。 一方、新しいアクションを学習するロボットは、試行錯誤によって多くの労力を必要とするか、あるいは入手が困難な専門家によるデモを使う必要がある。 本稿では,ビデオから直接オブジェクト操作スキルを学習する手法について検討する。
  論文  参考訳（メタデータ） (2020-11-13T08:53:47Z)

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。