論文の概要: Data-driven Actuator Selection for Artificial Muscle-Powered Robots
- arxiv url: http://arxiv.org/abs/2104.07168v1
- Date: Thu, 15 Apr 2021 00:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 14:48:17.355493
- Title: Data-driven Actuator Selection for Artificial Muscle-Powered Robots
- Title（参考訳）: 人工筋肉駆動ロボットのためのデータ駆動アクチュエータ選択
- Authors: Taylor West Henderson and Yuheng Zhi and Angela Liu and Michael C. Yip
- Abstract要約: 支援ベクトルマシン(SVM)を用いたロボット筋アクチュエータ選択のためのデータ駆動アプローチを提案する。
このファースト・オブ・イズ・キンド・メソッドは、アクターが特定のニーズとアクティベーション性能の基準にどのように適合するかをユーザに提供する。
本手法を既存のロボット筋肉設計でテストし,実世界のアプリケーションでの使用性を証明する。
- 参考スコア（独自算出の注目度）: 12.065558776576525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Even though artificial muscles have gained popularity due to their compliant,
flexible, and compact properties, there currently does not exist an easy way of
making informed decisions on the appropriate actuation strategy when designing
a muscle-powered robot; thus limiting the transition of such technologies into
broader applications. What's more, when a new muscle actuation technology is
developed, it is difficult to compare it against existing robot muscles. To
accelerate the development of artificial muscle applications, we propose a data
driven approach for robot muscle actuator selection using Support Vector
Machines (SVM). This first-of-its-kind method gives users gives users insight
into which actuators fit their specific needs and actuation performance
criteria, making it possible for researchers and engineer with little to no
prior knowledge of artificial muscles to focus on application design. It also
provides a platform to benchmark existing, new, or yet-to-be-discovered
artificial muscle technologies. We test our method on unseen existing robot
muscle designs to prove its usability on real-world applications. We provide an
open-access, web-searchable interface for easy access to our models that will
additionally allow for continuous contribution of new actuator data from groups
around the world to enhance and expand these models.
- Abstract（参考訳）: 人工筋肉は, 適合性, 柔軟性, コンパクト性から人気を博しているが, 筋力ロボットの設計において, 適切な動作戦略を決定づける簡単な方法が存在しないため, より広範な応用への転換が制限されている。
さらに、新しい筋肉運動技術が開発されると、既存のロボットの筋肉と比較するのは困難です。
人工筋肉の開発を加速するために,支援ベクトルマシン(SVM)を用いたロボット筋アクチュエータ選択のためのデータ駆動アプローチを提案する。
このファースト・オブ・its-kind方式によってユーザーは、どのアクチュエータが特定のニーズやアクティベーションのパフォーマンス基準に適合するかを知ることができる。
また、既存の、新しい、あるいはまだ発見されていない人工筋肉技術をベンチマークするプラットフォームも提供する。
本手法を既存のロボット筋肉設計でテストし,実世界のアプリケーションでの使用性を証明する。
我々は、世界中のグループから新しいアクチュエーターデータへの継続的なコントリビューションを可能にし、これらのモデルを拡張および拡張できるように、オープンアクセスでWeb検索可能なインターフェースを提供しています。
関連論文リスト
- Tiny Robotics Dataset and Benchmark for Continual Object Detection [6.4036245876073234]
本研究は,小型ロボットプラットフォームにおける物体検出システムの連続学習能力を評価するための新しいベンチマークを導入する。
i)TiROD(Tiny Robotics Object Detection)は、小さな移動ロボットを用いて収集された包括的なデータセットで、さまざまなドメインやクラスにわたるオブジェクト検出の適応性をテストするように設計されている。
論文 参考訳（メタデータ） (2024-09-24T16:21:27Z) - Creation of Novel Soft Robot Designs using Generative AI [0.3584072049481527]
生成AIを用いたソフトアクチュエータの3次元モデルの構築について検討する。
本稿では,ソフト空気圧ロボットアクチュエータの設計による70以上のテキスト形状のペアのデータセットを作成する。
転送学習とデータ拡張技術を用いることで,拡散モデルの性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-05-03T02:55:27Z) - HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。
その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
論文 参考訳（メタデータ） (2024-03-15T17:45:44Z) - 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) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳（メタデータ） (2023-11-02T17:59:21Z) - SCENEREPLICA: Benchmarking Real-World Robot Manipulation by Creating
Replicable Scenes [5.80109297939618]
実世界におけるロボット操作の評価のための再現可能な新しいベンチマークを提案し,特にピック・アンド・プレイスに着目した。
我々のベンチマークでは、ロボットコミュニティでよく使われているデータセットであるYCBオブジェクトを使用して、結果が他の研究と比較されるようにしています。
論文 参考訳（メタデータ） (2023-06-27T16:59:15Z) - Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。
提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文 参考訳（メタデータ） (2023-04-19T17:37:54Z) - Learning with Muscles: Benefits for Data-Efficiency and Robustness in
Anthropomorphic Tasks [13.545245521356218]
人間は、さまざまな動作において、堅牢性、汎用性、新しいタスクの学習という点でロボットより優れています。
我々は、高非線形筋力は、学習に好適な固有の安定性を提供する上で大きな役割を果たすと仮定する。
論文 参考訳（メタデータ） (2022-07-08T15:16:38Z) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳（メタデータ） (2022-03-31T23:08:20Z) - Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic
Platforms [60.59764170868101]
強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。
私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。
我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
論文 参考訳（メタデータ） (2021-03-05T14:16:20Z) - Hyperparameters optimization for Deep Learning based emotion prediction
for Human Robot Interaction [0.2549905572365809]
インセプションモジュールをベースとした畳み込みニューラルネットワークアーキテクチャを提案する。
モデルは人型ロボットNAOにリアルタイムに実装され、モデルの堅牢性を評価する。
論文 参考訳（メタデータ） (2020-01-12T05:25:02Z)
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。