Fugu-MT 論文翻訳(概要): Residual Model Learning for Microrobot Control

論文の概要: Residual Model Learning for Microrobot Control

arxiv url: http://arxiv.org/abs/2104.00631v1
Date: Thu, 1 Apr 2021 17:22:50 GMT
ステータス: 処理完了
システム内更新日: 2021-04-02 19:01:11.498466
Title: Residual Model Learning for Microrobot Control
Title（参考訳）: マイクロロボット制御のための残留モデル学習
Authors: Joshua Gruenstein, Tao Chen, Neel Doshi, Pulkit Agrawal
Abstract要約: 本稿では,ロボットモデル学習に伴うサンプルの複雑さを軽減するために,近似モデルを利用した新しいフレームワーク残差モデル学習(RML)を提案する。 RMLを用いて、受動的に収集された12秒間の相互作用データを用いて、Harvard Ambulatory MicroRobot(HAMR)のモデルを学ぶことができることを示す。学習モデルは、モデルレス強化学習アルゴリズムを用いて歩行と回転の学習に「プロキシ・シミュレータ」として活用できるほど正確である。
参考スコア（独自算出の注目度）: 17.22836165560292
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A majority of microrobots are constructed using compliant materials that are difficult to model analytically, limiting the utility of traditional model-based controllers. Challenges in data collection on microrobots and large errors between simulated models and real robots make current model-based learning and sim-to-real transfer methods difficult to apply. We propose a novel framework residual model learning (RML) that leverages approximate models to substantially reduce the sample complexity associated with learning an accurate robot model. We show that using RML, we can learn a model of the Harvard Ambulatory MicroRobot (HAMR) using just 12 seconds of passively collected interaction data. The learned model is accurate enough to be leveraged as "proxy-simulator" for learning walking and turning behaviors using model-free reinforcement learning algorithms. RML provides a general framework for learning from extremely small amounts of interaction data, and our experiments with HAMR clearly demonstrate that RML substantially outperforms existing techniques.
Abstract（参考訳）: マイクロロボットの大部分は、従来のモデルベースコントローラの実用性を制限するため、分析的にモデル化が難しい適合材料を用いて構築されている。マイクロロボットのデータ収集の課題とシミュレーションモデルと実際のロボット間の大きなエラーは、現在のモデルベース学習とシミュレート・トゥ・リアル・トランスファー手法の適用を困難にしている。本稿では、近似モデルを利用して正確なロボットモデルの学習に伴うサンプルの複雑さを大幅に低減するフレームワーク残差モデル学習(RML)を提案する。 RMLを用いて、受動的に収集された12秒間の相互作用データを用いて、Harvard Ambulatory MicroRobot(HAMR)のモデルを学ぶことができる。学習モデルは、モデルレス強化学習アルゴリズムを用いて歩行と回転の学習に「プロキシシミュレータ」として活用できるほど正確である。 RMLは、非常に少量のインタラクションデータから学習するための一般的なフレームワークを提供しており、我々のHAMRによる実験は、RMLが既存の技術を大幅に上回っていることを明らかに示しています。

関連論文リスト

Accelerating Large Language Model Pretraining via LFR Pedagogy: Learn, Focus, and Review [50.78587571704713]
大規模言語モデル(LLM)の事前トレーニングは伝統的に、Webスケールデータセットからランダムにサンプリングされたデータブロックの自己回帰言語モデリングに依存している。我々は、空間的反復のような人間の学習技術からインスピレーションを得て、LLMのランダムなデータサンプリングが、データを忘れがちな高いトレーニングコストと低品質モデルをもたらすという仮説を立てる。ウェブスケール情報を長期記憶に効果的にコミットするために,LFR(Learn, Focus, and Review)ペタゴギーを提案する。
論文参考訳（メタデータ） (2024-09-10T00:59:18Z)
Comparative Evaluation of Learning Models for Bionic Robots: Non-Linear Transfer Function Identifications [0.0]
ロボットダイナミクスの制御とモデリングは、機械学習を用いたモデルフリー制御戦略をますます採用している。本研究では,モデルフリー制御の適用のための総合的な評価戦略とフレームワークを紹介する。
論文参考訳（メタデータ） (2024-07-02T17:00:23Z)
Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
論文参考訳（メタデータ） (2024-04-04T10:54:38Z)
Active Exploration in Bayesian Model-based Reinforcement Learning for Robot Manipulation [8.940998315746684]
ロボットアームのエンドタスクに対するモデルベース強化学習(RL)アプローチを提案する。我々はベイズニューラルネットワークモデルを用いて、探索中に動的モデルに符号化された信念と情報の両方を確率論的に表現する。実験により,ベイズモデルに基づくRL手法の利点が示された。
論文参考訳（メタデータ） (2024-04-02T11:44:37Z)
SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering [49.78647219715034]
本稿では,SAM-RL と呼ばれる感性認識モデルに基づく強化学習システムを提案する。 SAM-RLは、センサーを意識した学習パイプラインによって、ロボットがタスクプロセスを監視するための情報的視点を選択することを可能にする。我々は,ロボット組立,ツール操作,変形可能なオブジェクト操作という3つの操作タスクを達成するための実世界の実験に,我々のフレームワークを適用した。
論文参考訳（メタデータ） (2022-10-27T05:30:43Z)
Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI Data with Self-Supervised Machine Learning [2.8167227950959206]
教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
論文参考訳（メタデータ） (2022-10-05T15:51:39Z)
Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文参考訳（メタデータ） (2022-09-07T15:15:12Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)
Structured Mechanical Models for Robot Learning and Control [38.52004843488286]
ブラックボックスニューラルネットワークは、データ非効率と、事前知識を組み込むのが困難である。本稿では,データ効率が高く,事前知識に容易に対応でき,モデルベース制御技術で容易に利用できる構造化機械モデルを提案する。我々は、限られたデータからより良く一般化し、様々なシミュレートされたロボットドメイン上でより信頼性の高いモデルベースコントローラが得られることを実証した。
論文参考訳（メタデータ） (2020-04-21T21:12:03Z)

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。