論文の概要: NeRP: Neural Rearrangement Planning for Unknown Objects

• arxiv url: http://arxiv.org/abs/2106.01352v1
• Date: Wed, 2 Jun 2021 17:56:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:41:08.700716
• Title: NeRP: Neural Rearrangement Planning for Unknown Objects
• Title（参考訳）: NeRP:未知物体のニューラル再構成計画
• Authors: Ahmed H. Qureshi, Arsalan Mousavian, Chris Paxton, Michael C. Yip, and Dieter Fox
• Abstract要約: 我々は,多段階のニューラルオブジェクト再構成計画のためのディープラーニングに基づくアプローチであるNeRP(Neural Rearrangement Planning)を提案する。 NeRPは、シミュレーションデータに基づいてトレーニングされ、現実世界に一般化される、これまで見たことのないオブジェクトで動作する。
• 参考スコア（独自算出の注目度）: 49.191284597526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robots will be expected to manipulate a wide variety of objects in complex and arbitrary ways as they become more widely used in human environments. As such, the rearrangement of objects has been noted to be an important benchmark for AI capabilities in recent years. We propose NeRP (Neural Rearrangement Planning), a deep learning based approach for multi-step neural object rearrangement planning which works with never-before-seen objects, that is trained on simulation data, and generalizes to the real world. We compare NeRP to several naive and model-based baselines, demonstrating that our approach is measurably better and can efficiently arrange unseen objects in fewer steps and with less planning time. Finally, we demonstrate it on several challenging rearrangement problems in the real world.
• Abstract（参考訳）: ロボットは、人間の環境でより広く使われるようになるにつれて、様々な物体を複雑で任意の方法で操作することが期待される。 そのため、オブジェクトの再配置は近年、AI能力の重要なベンチマークとして注目されている。 提案するNeRP(Neural Rearrangement Planning, ニューラルリアレンジ計画)は, 未確認物体と協調して動作し, シミュレーションデータに基づいて学習し, 実世界へ一般化する多段階ニューラルオブジェクトアレンジメント計画法である。 我々はNeRPをいくつかの単純でモデルベースのベースラインと比較し、我々のアプローチが測定しやすく、未確認のオブジェクトを少ないステップで効率的に配置できることを示した。 最後に、実世界のいくつかの挑戦的な再配置問題について示す。

関連論文リスト

• Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
  インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。 提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。 デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
  論文  参考訳（メタデータ） (2023-06-09T07:22:12Z)
• DexTransfer: Real World Multi-fingered Dexterous Grasping with Minimal Human Demonstrations [51.87067543670535]
  本研究では,少数の人間によるデモンストレーションを行い,見えない物体のポーズを学習するロボット学習システムを提案する。 我々は,物体の点群を入力として捉え,物体を異なる初期ロボット状態から把握するための連続的な動作を予測する,厳密な把握ポリシーを訓練する。 我々のデータセットから学んだポリシーは、シミュレーションと現実世界の両方で見えないオブジェクトのポーズをうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-09-28T17:51:49Z)
• Curious Exploration via Structured World Models Yields Zero-Shot Object Manipulation [19.840186443344]
  そこで本研究では,制御ループに帰納バイアスを組み込む構造的世界モデルを用いて,サンプル効率の高い探索を実現することを提案する。 提案手法は,早期にオブジェクトと対話し始める自由プレイ動作を生成し,時間とともにより複雑な動作を発達させる。
  論文  参考訳（メタデータ） (2022-06-22T22:08:50Z)
• IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
  IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。 本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-01T20:03:56Z)
• Learning to Regrasp by Learning to Place [19.13976401970985]
  ロボットの現在の握りポーズが望ましい操作タスクの実行に失敗する場合、レギュラピングが必要である。 本研究では,ロボットが物体と支援環境の部分点雲を入力として取り出し,一連のピック・アンド・プレイス操作を出力するシステムを提案する。 我々は,多様な物体を再現することで,73.3%の成功率を達成できることを示す。
  論文  参考訳（メタデータ） (2021-09-18T03:07:06Z)
• Predicting Stable Configurations for Semantic Placement of Novel Objects [37.18437299513799]
  我々のゴールは、新しい環境における学習された意味的関係に従って、ロボットが未確認の物体を配置できるようにすることである。 我々は、未知のオブジェクトのセマンティック配置のための計画アルゴリズムと密に統合するために、モデルとトレーニングをゼロから構築する。 提案手法は,RGB-Dセンシングのみによる形状の異なるシーンにおける未知物体のセマンティック・アレンジメントのための動作計画を可能にする。
  論文  参考訳（メタデータ） (2021-08-26T23:05:05Z)
• Reactive Human-to-Robot Handovers of Arbitrary Objects [57.845894608577495]
  本稿では、未知の物体の人間とロボットのハンドオーバを可能にするビジョンベースシステムを提案する。 提案手法は,クローズドループ運動計画とリアルタイムかつ時間的に一貫性のあるグリップ生成を組み合わせたものである。 提案手法の汎用性,ユーザビリティ,ロバスト性を,26種類の家庭用オブジェクトからなる新しいベンチマークで実証した。
  論文  参考訳（メタデータ） (2020-11-17T21:52:22Z)
• A Long Horizon Planning Framework for Manipulating Rigid Pointcloud Objects [25.428781562909606]
  本稿では,剛体物体の操作に伴う長期計画問題の解決のための枠組みを提案する。 提案手法はオブジェクトサブゴールの空間における計画であり,ロボットとオブジェクトの相互作用のダイナミクスに関する推論からプランナーを解放する。
  論文  参考訳（メタデータ） (2020-11-16T18:59:33Z)
• Mutual Information Maximization for Robust Plannable Representations [82.83676853746742]
  モデルに基づく強化学習のための情報理論表現学習アルゴリズムMIROを提案する。 提案手法は, 邪魔や散らかったシーンの存在下で, 再建目的よりも頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-16T21:58:47Z)
• Human-like Planning for Reaching in Cluttered Environments [11.55532557594561]
  人間は、散らかった環境でオブジェクトに手を伸ばすのに驚くほど適しています。 我々は、人間の高度な操作計画を特定し、これらのスキルをロボットプランナーに転送する。 人間のようなプランナーは、最先端の標準軌道最適化アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-28T14:28:50Z)

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。