論文の概要: Pouring Dynamics Estimation Using Gated Recurrent Units
- arxiv url: http://arxiv.org/abs/2105.12828v1
- Date: Sat, 8 May 2021 00:30:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 11:08:13.540469
- Title: Pouring Dynamics Estimation Using Gated Recurrent Units
- Title（参考訳）: Gated Recurrent Units を用いたポーリングダイナミクスの推定
- Authors: Qi Zheng
- Abstract要約: 本稿では,注水カップの水量の変化を推定し,ロボットマニピュレータの再現性と精度を高めるためのアプローチを提案する。
提案したGRUモデルは,重み f(t) の予測値に対して,1e-4 (lbf) 以下の2乗誤差を検証平均とした。
- 参考スコア（独自算出の注目度）: 6.127963013089406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the most commonly performed manipulation in a human's daily life is
pouring. Many factors have an effect on target accuracy, including pouring
velocity, rotation angle, geometric of the source, and the receiving
containers. This paper presents an approach to increase the repeatability and
accuracy of the robotic manipulator by estimating the change in the amount of
water of the pouring cup to a sequence of pouring actions using multiple layers
of the deep recurrent neural network, especially gated recurrent units (GRU).
The proposed GRU model achieved a validation mean squared error as low as 1e-4
(lbf) for the predicted value of weight f(t). This paper contains a
comprehensive evaluation and analysis of numerous experiments with various
designs of recurrent neural networks and hyperparameters fine-tuning.
- Abstract（参考訳）: 人間の日常生活における最も一般的な操作の1つは、注ぐことである。
多くの要因がターゲットの精度に影響を与えており、注水速度、回転角、源の幾何学、受信容器などがある。
本稿では, 深部繰り返しニューラルネットワーク, 特にゲートリカレントユニット (GRU) の複数層を用いた注水動作に対する注水カップの水量の変化を推定することにより, ロボットマニピュレータの繰り返し性と精度を向上させるアプローチを提案する。
提案したGRUモデルは,重み f(t) の予測値に対して,1e-4 (lbf) 以下の2乗誤差を検証平均とした。
本稿では、繰り返しニューラルネットワークとハイパーパラメータ微調整の様々な設計による多数の実験の包括的評価と解析を含む。
関連論文リスト
- WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples
using Gradients and Invariance Transformations [77.34726150561087]
本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。
GITは勾配情報と不変変換の利用を組み合わせる。
本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-05T22:04:38Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - Machine learning and atomic layer deposition: predicting saturation
times from reactor growth profiles using artificial neural networks [0.0]
反応器の異なる地点で測定された線量時間と厚さ値に基づいて飽和時間を予測するためにニューラルネットワークを訓練するために設計されたデータセットを提案する。
その結果、トレーニングされたニューラルネットワークは、表面運動学に関する事前情報を必要とすることなく、飽和時間を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2022-05-10T23:18:22Z) - On the reproducibility of fully convolutional neural networks for
modeling time-space evolving physical systems [0.0]
ディープラーニング完全畳み込みニューラルネットワークは、同じ条件で同じネットワークを数回トレーニングすることで評価される。
ダブル浮動小数点精度で実施したトレーニングは、ネットワークパラメータとテストエラー範囲の両方のばらつきを大幅に低減し、見積もりをわずかに改善する。
論文 参考訳（メタデータ） (2021-05-12T07:39:30Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - DCTRGAN: Improving the Precision of Generative Models with Reweighting [1.2622634782102324]
深部生成モデルにポストホック補正を導入し,その忠実度をさらに向上する。
この補正は、生成された例に適用できる再重み付け関数の形を取る。
重み付き GAN の例は, 統計的パワーに大きな損失を伴わずに, 生成したサンプルの精度を著しく向上することを示した。
論文 参考訳（メタデータ） (2020-09-03T18:00:27Z) - Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。
可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文 参考訳（メタデータ） (2020-07-10T19:01:40Z) - A Bayesian regularization-backpropagation neural network model for
peeling computations [0.0]
入力データは有限要素(FE)剥離結果から取得される。
ニューラルネットワークは、FEデータセットの75%でトレーニングされる。
BR-BPNNモデルとk-fold法を併用することにより,剥離挙動を推定できる可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-29T21:58:43Z)
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。