論文の概要: Learning Collision-free and Torque-limited Robot Trajectories based on
Alternative Safe Behaviors
- arxiv url: http://arxiv.org/abs/2103.03793v1
- Date: Fri, 5 Mar 2021 16:50:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-08 14:44:32.646212
- Title: Learning Collision-free and Torque-limited Robot Trajectories based on
Alternative Safe Behaviors
- Title(参考訳): 代替安全行動に基づく無衝突・トルク制限ロボット軌道の学習
- Authors: Jonas C. Kiemel and Torsten Kr\"oger
- Abstract要約: ニューラルネットワークは、産業用ロボットの将来の動きを予測するために定期的に呼び出される。
アクションスペースの設計により、キネマティックジョイント限界の遵守が確保されます。
実ロボットによる実験は、安全な軌道をリアルタイムで生成できることを示しています。
- 参考スコア(独自算出の注目度): 2.28438857884398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an approach to learn online generation of collision-free
and torque-limited trajectories for industrial robots. A neural network, which
is trained via reinforcement learning, is periodically invoked to predict
future motions. For each robot joint, the network outputs the kinematic state
that is desired at the end of the current time interval. Compliance with
kinematic joint limits is ensured by the design of the action space. Given the
current kinematic state and the network prediction, a trajectory for the
current time interval can be computed. The main idea of our paper is to execute
the predicted motion only if a collision-free and torque-limited way to
continue the trajectory is known. In practice, the predicted motion is expanded
by a braking trajectory and simulated using a physics engine. If the simulated
trajectory complies with all safety constraints, the predicted motion is
carried out. Otherwise, the braking trajectory calculated in the previous
decision step serves as an alternative safe behavior. For evaluation, up to
three simulated robots are trained to reach as many randomly placed target
points as possible. We show that our method reliably prevents collisions with
static obstacles and collisions between the robots, while generating motions
that respect both torque limits and kinematic joint limits. Experiments with a
real robot demonstrate that safe trajectories can be generated in real-time.
- Abstract(参考訳): 本稿では,産業用ロボットの衝突のないトルク制限トラジェクタのオンライン生成を学習する手法を提案する。
強化学習によって訓練されるニューラルネットワークは、将来の動きを予測するために定期的に呼び出される。
各ロボット関節に対して、ネットワークは、現在の時間間隔の終わりに望まれる運動状態を出力する。
アクションスペースの設計により、キネマティックジョイント限界の遵守が確保されます。
現在の運動状態とネットワーク予測を考慮すれば、現在の時間間隔の軌跡を計算することができる。
本論文の主な考え方は、軌道を継続する衝突のないトルク制限方式が知られている場合に限り、予測動作を実行することである。
実際には、予測運動はブレーキ軌道によって拡張され、物理エンジンを用いてシミュレートされる。
シミュレーションされた軌道がすべての安全制約に合致すると、予測動作が実行される。
さもなければ、前の決定ステップで計算されたブレーキ軌跡は代替の安全行動として機能する。
評価のために、最大3台のシミュレーションロボットが、できるだけ多くのランダムに配置された目標点に到達するように訓練される。
本研究では,ロボット間の静的障害物や衝突を確実に防止すると同時に,トルク限界と運動性関節限界の両方を尊重する動作を生成する。
実ロボットによる実験は、安全な軌道をリアルタイムで生成できることを示しています。
関連論文リスト
- Track2Act: Predicting Point Tracks from Internet Videos enables Diverse Zero-shot Robot Manipulation [65.46610405509338]
Track2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
これらの2次元トラック予測を用いて、操作対象の剛体変換列を推定し、ロボットのエンドエフェクタのポーズを得る。
学習したトラック予測を残留ポリシーと組み合わせることで、ゼロショットロボットの操作が可能となることを示す。
論文 参考訳(メタデータ) (2024-05-02T17:56:55Z) - Neural Implicit Swept Volume Models for Fast Collision Detection [0.0]
本稿では,深層学習に基づく符号付き距離計算の高速化と幾何衝突チェッカーの精度保証を併用したアルゴリズムを提案する。
シミュレーションおよび実世界のロボット実験において、我々のアプローチを検証するとともに、商用ビンピッキングアプリケーションを高速化できることを実証する。
論文 参考訳(メタデータ) (2024-02-23T12:06:48Z) - 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) - Learning Time-optimized Path Tracking with or without Sensory Feedback [5.254093731341154]
本稿では,ロボットが関節空間で定義された基準経路を素早く追従できる学習型アプローチを提案する。
ロボットは、物理シミュレータで生成されたデータを用いて強化学習によって訓練されたニューラルネットワークによって制御される。
論文 参考訳(メタデータ) (2022-03-03T19:13:31Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳(メタデータ) (2021-11-15T18:50:04Z) - Learning Interaction-Aware Trajectory Predictions for Decentralized
Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。
次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
論文 参考訳(メタデータ) (2021-02-10T11:11:08Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳(メタデータ) (2021-01-26T16:01:02Z) - Anticipatory Navigation in Crowds by Probabilistic Prediction of
Pedestrian Future Movements [33.37913533544612]
プロセス予測ナビゲーション(Process Precipatory Navigation, SPAN)は、非ホロノミックロボットが群衆のいる環境で移動できるようにするフレームワークである。
SPANは、歩行者の将来の動きをモデル化する継続的プロセスを予測する。
密集したシミュレーション環境でのSPANの能力を実世界の歩行者データセットで示す。
論文 参考訳(メタデータ) (2020-11-12T07:18:20Z) - Imitation Learning for Autonomous Trajectory Learning of Robot Arms in
Space [13.64392246529041]
実演や模倣学習によるプログラミングの概念は、小型宇宙船に搭載されたマニピュレータの軌道計画に使用される。
7自由度(DoF)を持つロボットアームは、将来の宇宙ミッションにおける自律性の向上と地上制御による人間の介入の最小化のために、デブリ除去、軌道上サービス、組み立てといった複数のタスクを実行するために構想されている。
論文 参考訳(メタデータ) (2020-08-10T10:18:04Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Thinking While Moving: Deep Reinforcement Learning with Concurrent
Control [122.49572467292293]
本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。
人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
論文 参考訳(メタデータ) (2020-04-13T17:49:29Z)
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。