論文の概要: InsertionNet -- A Scalable Solution for Insertion

• arxiv url: http://arxiv.org/abs/2104.14223v1
• Date: Thu, 29 Apr 2021 09:21:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 13:07:29.850443
• Title: InsertionNet -- A Scalable Solution for Insertion
• Title（参考訳）: InsertionNet - インストールのためのスケーラブルなソリューション
• Authors: Oren Spector and Dotan Di Castro
• Abstract要約: 複雑な組み立てプロセスは、握りと挿入の2つの主要なアクティビティのシーケンスとして記述できる。 先行知識(例えばLfDや残留ポリシー)を持つ最近のRLアプローチが採用されている。 本稿では,この課題を回帰問題として定式化する。 視覚入力と力入力を組み合わせることで,16種類の挿入タスクに10分未満でスケールできることを実証した。
• 参考スコア（独自算出の注目度）: 0.6947442090579469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complicated assembly processes can be described as a sequence of two main activities: grasping and insertion. While general grasping solutions are common in industry, insertion is still only applicable to small subsets of problems, mainly ones involving simple shapes in fixed locations and in which the variations are not taken into consideration. Recently, RL approaches with prior knowledge (e.g., LfD or residual policy) have been adopted. However, these approaches might be problematic in contact-rich tasks since interaction might endanger the robot and its equipment. In this paper, we tackled this challenge by formulating the problem as a regression problem. By combining visual and force inputs, we demonstrate that our method can scale to 16 different insertion tasks in less than 10 minutes. The resulting policies are robust to changes in the socket position, orientation or peg color, as well as to small differences in peg shape. Finally, we demonstrate an end-to-end solution for 2 complex assembly tasks with multi-insertion objectives when the assembly board is randomly placed on a table.
• Abstract（参考訳）: 複雑な組み立てプロセスは、握りと挿入の2つの主要なアクティビティのシーケンスとして記述できる。 一般的な把握解は業界では一般的であるが、挿入は、固定された位置における単純な形状と、そのバリエーションを考慮していない部分集合にのみ適用される。 近年、事前知識(例えばLfDや残留ポリシー)を持つRLアプローチが採用されている。 しかし、これらのアプローチはロボットとその機器を危険にさらす可能性があるため、接触の多いタスクでは問題となる可能性がある。 本稿では,この問題を回帰問題として定式化し,この問題に対処する。 視覚入力と力入力を組み合わせることで,10分以内で16個の挿入タスクにスケールアップできることを実証する。 結果として得られるポリシーはソケットの位置や方向、ペグの色の変化やペグ形状の小さな違いに対して堅牢である。 最後に,組立基板をランダムにテーブル上に配置した場合に,複数挿入目標を持つ2つの複雑な組立タスクに対するエンドツーエンドのソリューションを示す。

関連論文リスト

• Hedging Is Not All You Need: A Simple Baseline for Online Learning Under Haphazard Inputs [7.738999125093431]
  HapNetは、スケーラブルなシンプルなベースラインであり、オンラインのバックプロパゲーションを必要としない。 この複雑なシナリオにおいても,提案手法の変種が有効であることを示す。
  論文  参考訳（メタデータ） (2024-09-16T12:45:03Z)
• Joint Input and Output Coordination for Class-Incremental Learning [84.36763449830812]
  本稿では,これらの問題に対処するためのJIOC機構を提案する。 このメカニズムは、出力スコアの勾配に応じて異なるカテゴリのデータに異なる重みを割り当てる。 メモリストレージを使用するさまざまなインクリメンタルな学習アプローチに組み込むことができる。
  論文  参考訳（メタデータ） (2024-09-09T13:55:07Z)
• Merging Multi-Task Models via Weight-Ensembling Mixture of Experts [64.94129594112557]
  異なるタスクでトレーニングされたTransformerベースのモデルを単一の統一モデルにマージすることで、すべてのタスクを同時に実行できる。 従来の手法は、タスク演算によって例示され、効率的かつスケーラブルであることが証明されている。 本稿では,Transformer層をMoEモジュールにアップスケーリングしながら,ほとんどのパラメータをマージすることを提案する。
  論文  参考訳（メタデータ） (2024-02-01T08:58:57Z)
• Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
  大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。 TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。 TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
  論文  参考訳（メタデータ） (2023-10-06T01:40:09Z)
• Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
  3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。 これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。 実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
  論文  参考訳（メタデータ） (2023-05-29T23:24:14Z)
• Learning Complex Teamwork Tasks Using a Given Sub-task Decomposition [11.998708550268978]
  本稿では,タスクをよりシンプルなマルチエージェントサブタスクに分解する手法を提案する。 各サブタスクでは、チーム全体のサブセットが、サブタスク固有のポリシを取得するようにトレーニングされる。 サブチームはマージされ、ターゲットタスクに転送される。そこでは、そのポリシーは、より複雑なターゲットタスクを解決するために、まとめて微調整される。
  論文  参考訳（メタデータ） (2023-02-09T21:24:56Z)
• Efficient lifting of symmetry breaking constraints for complex combinatorial problems [9.156939957189502]
  この作業は、Answer Set Programmingのためのモデルベースのアプローチの学習フレームワークと実装を拡張します。 Inductive Logic Programming System ILASPに新たなコンフリクト解析アルゴリズムを組み込む。
  論文  参考訳（メタデータ） (2022-05-14T20:42:13Z)
• New Tight Relaxations of Rank Minimization for Multi-Task Learning [161.23314844751556]
  2つの正規化項に基づく2つの新しいマルチタスク学習定式化を提案する。 本手法は,タスク間で共有される低ランク構造を正確に復元し,関連するマルチタスク学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-09T07:29:57Z)
• Adaptive Submodular Meta-Learning [28.24164217929491]
  適応的なサブモジュラーメタラーニング問題を紹介し,研究する。 私たちの問題の入力は、各アイテムが最初に不明なランダムな状態を持つアイテムのセットです。 本研究の目的は,タスクセット上で最高のパフォーマンスを達成する項目群を適応的に選択することである。
  論文  参考訳（メタデータ） (2020-12-11T01:28:55Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Allocation of Multi-Robot Tasks with Task Variants [4.531240717484252]
  本稿では,マルチロボットタスク割り当て問題のより一般的な定式化について述べる。 本稿では,タスク変数を持つマルチロボットタスク割り当て問題として,この新たな問題を挙げる。 解法では,タスク変数のないタスク割り当て問題に対して,従来の2つのグリージー手法を適用して,この問題を解き,その有効性を解析する。
  論文  参考訳（メタデータ） (2020-07-01T21:45:06Z)

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。