論文の概要: Explainable Hierarchical Imitation Learning for Robotic Drink Pouring

• arxiv url: http://arxiv.org/abs/2105.07348v1
• Date: Sun, 16 May 2021 04:30:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:37:20.579712
• Title: Explainable Hierarchical Imitation Learning for Robotic Drink Pouring
• Title（参考訳）: ロボットドリンク注ぐための説明可能な階層的模倣学習
• Authors: Dandan Zhang, Yu Zheng, Qiang Li, Lei Wei, Dongsheng Zhang, Zhengyou Zhang
• Abstract要約: 本稿では,説明可能な階層学習(EHIL)手法を提案する。 フレームワークは異なる目標を達成するために操作可能であり、見えないシナリオへの適応性は説明可能な方法で達成できる。 その結果, ehilは, 成功率, 適応性, マニピュラビリティ, 説明可能性の観点から, 従来の行動クローニング法よりも優れていた。
• 参考スコア（独自算出の注目度）: 16.344642585754205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To accurately pour drinks into various containers is an essential skill for service robots. However, drink pouring is a dynamic process and difficult to model. Traditional deep imitation learning techniques for implementing autonomous robotic pouring have an inherent black-box effect and require a large amount of demonstration data for model training. To address these issues, an Explainable Hierarchical Imitation Learning (EHIL) method is proposed in this paper such that a robot can learn high-level general knowledge and execute low-level actions across multiple drink pouring scenarios. Moreover, with EHIL, a logical graph can be constructed for task execution, through which the decision-making process for action generation can be made explainable to users and the causes of failure can be traced out. Based on the logical graph, the framework is manipulable to achieve different targets while the adaptability to unseen scenarios can be achieved in an explainable manner. A series of experiments have been conducted to verify the effectiveness of the proposed method. Results indicate that EHIL outperforms the traditional behavior cloning method in terms of success rate, adaptability, manipulability and explainability.
• Abstract（参考訳）: さまざまな容器に飲み物を正確に注ぐことは、サービスロボットにとって必須の技術である。 しかし、飲み物を注ぐことはダイナミックなプロセスであり、モデル化が難しい。 自律型ロボットインダクションを実装するための従来の深い模倣学習技術は、固有のブラックボックス効果を持ち、モデルトレーニングに大量の実演データを必要とする。 そこで,本稿では,ロボットが高水準の一般知識を学習し,複数のドリンク注水シナリオで低レベルな行動を行うように,説明可能な階層的模倣学習(ehil)手法を提案する。 さらに、ehilを用いてタスク実行のための論理グラフを構築し、ユーザに対してアクション生成の意思決定プロセスを説明可能にし、失敗の原因を突き止めることができる。 論理グラフに基づいて、フレームワークは異なる目標を達成するために操作可能であり、見えないシナリオへの適応性は説明可能な方法で達成できる。 提案手法の有効性を検証するため,いくつかの実験を行った。 その結果, ehilは, 成功率, 適応性, マニピュラビリティ, 説明可能性の観点から, 従来の行動クローニング法よりも優れていた。

関連論文リスト

• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• Self-Explainable Affordance Learning with Embodied Caption [63.88435741872204]
  具体的キャプションを具現化したSelf-Explainable Affordance Learning (SEA)を紹介する。 SEAは、ロボットが意図を明確に表現し、説明可能な視覚言語キャプションと視覚能力学習のギャップを埋めることを可能にする。 本稿では, 簡便かつ効率的な方法で, 空き地と自己説明を効果的に組み合わせた新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:22:38Z)
• Unsupervised Learning of Effective Actions in Robotics [0.9374652839580183]
  ロボット工学における現在の最先端のアクション表現は、ロボットのアクションに対する適切な効果駆動学習を欠いている。 連続運動空間の離散化と「アクションプロトタイプ」生成のための教師なしアルゴリズムを提案する。 シミュレーションされた階段登上補強学習課題について,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-04-03T13:28:52Z)
• SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution [75.2573501625811]
  拡散モデルは、ロボット軌道計画の強力な可能性を示している。 高レベルの命令からコヒーレントな軌道を生成することは依然として困難である。 エンド・ツー・エンドの階層的計画フレームワークであるSkillDiffuserを提案する。
  論文  参考訳（メタデータ） (2023-12-18T18:16:52Z)
• Learning to Generate All Feasible Actions [4.333208181196761]
  アクションマッピングは、学習プロセスを2つのステップに分割する新しいアプローチである。 本稿では、実現可能性モデルの自己教師型クエリにより、実現可能なすべてのアクションを生成することを学ぶことで、実現可能性部分に焦点を当てる。 エージェントが接続不能な実行可能なアクションセット間でアクションを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-01-26T23:15:51Z)
• Leveraging Sequentiality in Reinforcement Learning from a Single Demonstration [68.94506047556412]
  本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。 本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
  論文  参考訳（メタデータ） (2022-11-09T10:28:40Z)
• Goal-conditioned dual-action imitation learning for dexterous dual-arm robot manipulation [4.717749411286867]
  バナナの皮剥きなどの変形可能な物体の長い水平デキスタスロボット操作は問題となる課題である。 本稿では,目標条件付きデュアルアクション・ディープ・模倣学習(DIL)アプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-18T05:17:00Z)
• Learning to Shift Attention for Motion Generation [55.61994201686024]
  ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。 以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。 この問題を克服する外挿能力を有するモーション生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-24T09:07:52Z)
• Explainable robotic systems: Understanding goal-driven actions in a reinforcement learning scenario [1.671353192305391]
  強化学習のシナリオでは、データ駆動アプローチによる説明の提供に多くの努力が注がれている。 本研究では,ロボットシナリオにおけるタスクを実行する強化学習エージェントの意思決定プロセスに焦点をあてる。 我々は、メモリベース、学習ベース、イントロスペクションベースの3つの異なるアプローチによって計算される成功確率を利用する。
  論文  参考訳（メタデータ） (2020-06-24T10:51:14Z)
• Scalable Multi-Task Imitation Learning with Autonomous Improvement [159.9406205002599]
  我々は、自律的なデータ収集を通じて継続的に改善できる模倣学習システムを構築している。 我々は、ロボット自身の試行を、実際に試みたタスク以外のタスクのデモとして活用する。 従来の模倣学習のアプローチとは対照的に,本手法は,継続的改善のための疎い監視によるデータ収集を自律的に行うことができる。
  論文  参考訳（メタデータ） (2020-02-25T18:56:42Z)

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。