論文の概要: Probabilistic Programming Bots in Intuitive Physics Game Play

• arxiv url: http://arxiv.org/abs/2104.01980v1
• Date: Mon, 5 Apr 2021 16:14:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 18:28:02.881511
• Title: Probabilistic Programming Bots in Intuitive Physics Game Play
• Title（参考訳）: 直感的物理ゲームにおける確率的プログラミングボット
• Authors: Fahad Alhasoun, Sarah Alnegheimish, Joshua Tenenbaum
• Abstract要約: 直感的な物理環境と対話するための確率的プログラミングツールをボットが展開するためのフレームワークを提案する。 この枠組みは、確率論的方法で物理シミュレーションを用い、ニュートン運動の法則によって支配される環境でエージェントが行う動きを推測する。 モデルフリーアプローチ(我々のモデルにおける畳み込みニューラルネットワーク)とモデルベースアプローチ(確率物理学シミュレーション)を組み合わせることで、どちらも実現できないものを実現できるアプローチを提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent findings suggest that humans deploy cognitive mechanism of physics simulation engines to simulate the physics of objects. We propose a framework for bots to deploy probabilistic programming tools for interacting with intuitive physics environments. The framework employs a physics simulation in a probabilistic way to infer about moves performed by an agent in a setting governed by Newtonian laws of motion. However, methods of probabilistic programs can be slow in such setting due to their need to generate many samples. We complement the model with a model-free approach to aid the sampling procedures in becoming more efficient through learning from experience during game playing. We present an approach where combining model-free approaches (a convolutional neural network in our model) and model-based approaches (probabilistic physics simulation) is able to achieve what neither could alone. This way the model outperforms an all model-free or all model-based approach. We discuss a case study showing empirical results of the performance of the model on the game of Flappy Bird.
• Abstract（参考訳）: 近年の知見は、人間が物体の物理をシミュレートするために物理シミュレーションエンジンの認知メカニズムを展開することを示唆している。 直感的な物理環境と対話するための確率的プログラミングツールをボットが展開するためのフレームワークを提案する。 この枠組みは、確率論的方法で物理シミュレーションを用い、ニュートン運動の法則によって支配される環境でエージェントが行う動きを推測する。 しかし、多くのサンプルを生成する必要があるため、そのような設定では確率的プログラムの手法が遅くなる可能性がある。 我々は,ゲームプレイ経験から学習することで,サンプリング手順の効率化を支援するモデルフリーアプローチでモデルを補完する。 本稿では,モデルフリーアプローチ(モデル内の畳み込みニューラルネットワーク)とモデルベースアプローチ(確率論的物理シミュレーション)を組み合わせることで,どちらもできないことを実現できる手法を提案する。 このように、モデルはモデルフリーまたはモデルベースアプローチよりも優れています。 本研究は,flappy birdのゲームにおけるモデルの性能に関する実証的な結果を示すケーススタディである。

関連論文リスト

• Incremental Few-Shot Adaptation for Non-Prehensile Object Manipulation using Parallelizable Physics Simulators [5.483662156126757]
  本稿では,物理に基づく力学モデルをモデル予測制御に繰り返し適用する,非包括的操作のための新しいアプローチを提案する。 ロボットとオブジェクトの相互作用の例として,モデルのパラメータを漸進的に適用する。 シミュレーションおよび実ロボットを用いたいくつかの物体押出実験において,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-09-20T05:24:25Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
  DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。 言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。 実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
  論文  参考訳（メタデータ） (2024-05-12T15:38:17Z)
• 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)
• Fine-Tuning Generative Models as an Inference Method for Robotic Tasks [18.745665662647912]
  ロボット作業における観察にニューラルネットワークモデルのサンプル生成を迅速に適応させる方法について検討する。 鍵となるアイデアは、観測された証拠と一致する生成サンプルにそれを適合させることで、モデルを素早く微調整することである。 本手法は自己回帰モデルと変分自己エンコーダの両方に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-19T16:11:49Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Learning physics-informed simulation models for soft robotic manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
  柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。 このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。 本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T21:15:05Z)
• Automated Dissipation Control for Turbulence Simulation with Shell Models [1.675857332621569]
  機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。 本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。 本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T15:03:52Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Differentiable Physics Models for Real-world Offline Model-based Reinforcement Learning [34.558299591341]
  モデルに基づく強化学習の制限は、学習モデルにおけるエラーの活用である。 物理モデルを用いたモデルは,機械構造が知られている場合,高容量関数近似器と比較して有益であることを示す。
  論文  参考訳（メタデータ） (2020-11-03T14:37:53Z)

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。