論文の概要: In-air Knotting of Rope using Dual-Arm Robot based on Deep Learning

• arxiv url: http://arxiv.org/abs/2103.09402v1
• Date: Wed, 17 Mar 2021 02:11:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 13:05:41.496902
• Title: In-air Knotting of Rope using Dual-Arm Robot based on Deep Learning
• Title（参考訳）: 深層学習に基づく双腕ロボットによるロープの空気中結び目
• Authors: Kanata Suzuki, Momomi Kanamura, Yuki Suga, Hiroki Mori, Tetsuya Ogata
• Abstract要約: 深層学習に基づく双腕二本指ロボットを用いて,ロープの空中結節を成功させた。 全ての対象状態に対応する適切なロボット動作のマニュアル記述を事前に作成することは困難である。 そこで我々は,ロボットに2つの深層ニューラルネットワークを訓練し,そのセンサモデレータから収集したデータに基づいてボクノットとオーバーハンドノットを行うよう指示するモデルを構築した。
• 参考スコア（独自算出の注目度）: 8.365690203298966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we report the successful execution of in-air knotting of rope using a dual-arm two-finger robot based on deep learning. Owing to its flexibility, the state of the rope was in constant flux during the operation of the robot. This required the robot control system to dynamically correspond to the state of the object at all times. However, a manual description of appropriate robot motions corresponding to all object states is difficult to be prepared in advance. To resolve this issue, we constructed a model that instructed the robot to perform bowknots and overhand knots based on two deep neural networks trained using the data gathered from its sensorimotor, including visual and proximity sensors. The resultant model was verified to be capable of predicting the appropriate robot motions based on the sensory information available online. In addition, we designed certain task motions based on the Ian knot method using the dual-arm two-fingers robot. The designed knotting motions do not require a dedicated workbench or robot hand, thereby enhancing the versatility of the proposed method. Finally, experiments were performed to estimate the knotting performance of the real robot while executing overhand knots and bowknots on rope and its success rate. The experimental results established the effectiveness and high performance of the proposed method.
• Abstract（参考訳）: 本研究では,深層学習に基づく双腕二本指ロボットを用いて,ロープの空中結節を成功させた。 柔軟性のため、ロープの状態はロボットの操作中に常に変動していた。 これによりロボット制御システムは、常にオブジェクトの状態に動的に対応させる必要があった。 しかし、すべての対象状態に対応する適切なロボット動作のマニュアル記述を事前に作成することは困難である。 この問題を解決するために,視覚・近接センサを含むセンサモジュレータから収集したデータを用いて訓練された2つの深層ニューラルネットワークに基づいて,ロボットにボウノットとオーバーハンドノットを実行するよう指示するモデルを構築した。 その結果,オンライン上の感覚情報に基づいて適切なロボットの動きを予測できることが確認された。 さらに,両腕2指ロボットを用いて,Ianノット法に基づくタスク動作を設計した。 設計したノッティング動作は専用のワークベンチやロボットハンドを必要としないため,提案手法の汎用性が向上する。 最後に,ロープ上のオーバーハンドノットとボウノットを実行し,実際のロボットの結び目性能とその成功率を推定する実験を行った。 実験の結果,提案手法の有効性と性能が得られた。

関連論文リスト

• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークである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。 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,多種多様な汎用ロボット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)
• Automated Gait Generation For Walking, Soft Robotic Quadrupeds [6.005998680766498]
  ソフトアクチュエータの非線形ダイナミクスと高次元入力空間のため,ソフトロボットの歩行生成は困難である。 本稿では, 自己生成型ソフトロボット歩行のためのサンプル効率, シミュレーションフリーの手法を提案する。 これはソフトロボットにおける完全に自律的な歩行生成の最初のデモンストレーションである。
  論文  参考訳（メタデータ） (2023-09-30T21:31:30Z)
• AR2-D2:Training a Robot Without a Robot [53.10633639596096]
  専門的な訓練を要さないデモを収集するシステムであるAR2-D2を紹介する。 AR2-D2は、iOSアプリの形式で、あらゆるオブジェクトを操作する自身のビデオを記録するために使用することができるフレームワークである。 本研究では,本システムを用いて収集したデータにより,実物操作における行動クローニングエージェントの訓練が可能となることを示す。
  論文  参考訳（メタデータ） (2023-06-23T23:54:26Z)
• 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)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
  近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。 本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
  論文  参考訳（メタデータ） (2022-04-15T08:12:15Z)
• A Transferable Legged Mobile Manipulation Framework Based on Disturbance Predictive Control [15.044159090957292]
  四足歩行ロボットにロボットアームを装着した足の移動操作は、ロボットの性能を大幅に向上させる。 本稿では,潜在動的アダプタを用いた強化学習スキームを低レベルコントローラに組み込んだ統合フレームワーク外乱予測制御を提案する。
  論文  参考訳（メタデータ） (2022-03-02T14:54:10Z)
• Transformer-based deep imitation learning for dual-arm robot manipulation [5.3022775496405865]
  デュアルアームの操作設定では、追加のロボットマニピュレータによって引き起こされる状態次元の増加が注意をそらす。 本稿では、逐次入力における要素間の依存関係を計算し、重要な要素に焦点をあてる自己認識機構を用いてこの問題に対処する。 自己注意型アーキテクチャの変種であるTransformerは、実世界のデュアルアーム操作タスクを解決するために、深層模倣学習に適用される。
  論文  参考訳（メタデータ） (2021-08-01T07:42:39Z)
• An analytical diabolo model for robotic learning and control [15.64227695210532]
  本研究では、ダイアボロストリングシステムの解析モデルを作成し、その精度をモーションキャプチャーで記録したデータを用いて比較する。 我々のモデルは、精度と物理的に一貫した振る舞いの両方において、ディープラーニングベースの予測器よりも優れていることを示す。 実際のロボットシステム上で,ダイアボロを演奏し,人間のプレーヤーに投げてキャッチすることで,本手法を検証した。
  論文  参考訳（メタデータ） (2020-11-18T03:38:12Z)
• Reinforcement Learning Experiments and Benchmark for Solving Robotic Reaching Tasks [0.0]
  強化学習はロボットアームによる到達タスクの解決に成功している。 ハイドサイト体験再生探索技術により報奨信号の増大が, オフ・ポリティクス・エージェントの平均リターンを増加させることが示されている。
  論文  参考訳（メタデータ） (2020-11-11T14:00:49Z)

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。