論文の概要: PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics

• arxiv url: http://arxiv.org/abs/2104.03311v1
• Date: Wed, 7 Apr 2021 17:59:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 13:27:57.717422
• Title: PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics
• Title（参考訳）: PlasticineLab: 微分物理学を用いたソフトボディ操作ベンチマーク
• Authors: Zhiao Huang, Yuanming Hu, Tao Du, Siyuan Zhou, Hao Su, Joshua B. Tenenbaum, Chuang Gan
• Abstract要約: PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
• 参考スコア（独自算出の注目度）: 89.81550748680245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulated virtual environments serve as one of the main driving forces behind developing and evaluating skill learning algorithms. However, existing environments typically only simulate rigid body physics. Additionally, the simulation process usually does not provide gradients that might be useful for planning and control optimizations. We introduce a new differentiable physics benchmark called PasticineLab, which includes a diverse collection of soft body manipulation tasks. In each task, the agent uses manipulators to deform the plasticine into the desired configuration. The underlying physics engine supports differentiable elastic and plastic deformation using the DiffTaichi system, posing many under-explored challenges to robotic agents. We evaluate several existing reinforcement learning (RL) methods and gradient-based methods on this benchmark. Experimental results suggest that 1) RL-based approaches struggle to solve most of the tasks efficiently; 2) gradient-based approaches, by optimizing open-loop control sequences with the built-in differentiable physics engine, can rapidly find a solution within tens of iterations, but still fall short on multi-stage tasks that require long-term planning. We expect that PlasticineLab will encourage the development of novel algorithms that combine differentiable physics and RL for more complex physics-based skill learning tasks.
• Abstract（参考訳）: シミュレーションされた仮想環境は、スキル学習アルゴリズムの開発と評価の主要な推進力の1つである。 しかし、既存の環境は通常、剛体物理学のみをシミュレートする。 加えて、シミュレーションプロセスは通常、計画や制御の最適化に有用な勾配を提供しない。 我々はPasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入し、ソフトボディ操作タスクの多様なコレクションを含む。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 基礎となる物理エンジンはDiffTaichiシステムを用いて弾性変形と塑性変形をサポートする。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。 実験の結果,1)rlベースのアプローチは,ほとんどのタスクを効率的に解くのに苦労していることが示唆された。2) 勾配に基づくアプローチは,組み込みの微分可能な物理エンジンでオープンループ制御シーケンスを最適化することで,数十回以内の反復で迅速に解を見つけることができるが,長期計画を必要とする多段階のタスクでは不足する。 plasticinelabは、より複雑な物理ベースのスキル学習タスクのために、微分可能な物理とrlを組み合わせた新しいアルゴリズムの開発を促進することを期待している。

関連論文リスト

• Metamizer: a versatile neural optimizer for fast and accurate physics simulations [4.717325308876749]
  本稿では,広範囲の物理システムを高精度で反復的に解く,新しいニューラルネットワークであるMetamizerを紹介する。 我々は,メタマイザがディープラーニングに基づくアプローチにおいて,前例のない精度で達成できることを実証した。 以上の結果から,メタミザーは将来の数値解法に大きな影響を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-10T11:54:31Z)
• Building Flexible Machine Learning Models for Scientific Computing at Scale [35.41293100957156]
  OmniArchは,物理アライメントによるマルチスケール・マルチ物理科学計算問題の解決を目的とした,最初のプロトタイプである。 PDEBench上で1D-2D-3Dの統合事前トレーニングを行い、1D, 2D, 3D PDEの新たなパフォーマンスベンチマークを設定するだけでなく、コンテキスト内およびゼロショット学習アプローチによる新しい物理への例外的な適応性を示す。
  論文  参考訳（メタデータ） (2024-02-25T07:19:01Z)
• DiffVL: Scaling Up Soft Body Manipulation using Vision-Language Driven Differentiable Physics [69.6158232150048]
  DiffVLは、非専門家がソフトボディ操作タスクをコミュニケーションできるようにする手法である。 大規模言語モデルを用いてタスク記述を機械解釈可能な最適化対象に翻訳する。
  論文  参考訳（メタデータ） (2023-12-11T14:29:25Z)
• 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)
• Improving Gradient Computation for Differentiable Physics Simulation with Contacts [10.450509067356148]
  接触による剛体シミュレーションについて検討した。 連続衝突検出による勾配計算の改善とTOI(Time-of-Ipact)の利用を提案する。 そこで,TOI-Veでは,解析解と一致する最適制御系列を学習できることを示す。
  論文  参考訳（メタデータ） (2023-04-28T21:10:16Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• Imitation Learning via Differentiable Physics [26.356669151969953]
  逆強化学習(IRL)のような模倣学習(IL)の手法は通常、ダブルループトレーニングプロセスを持つ。 両ループ設計を廃止した新しいIL法,すなわち、微分可能物理学によるImitation Learningを提案する。 ILDは最終性能、収束速度、安定性の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-10T04:54:32Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)

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。