論文の概要: Optical Tactile Sim-to-Real Policy Transfer via Real-to-Sim Tactile Image Translation

• arxiv url: http://arxiv.org/abs/2106.08796v1
• Date: Wed, 16 Jun 2021 13:58:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:14:11.271495
• Title: Optical Tactile Sim-to-Real Policy Transfer via Real-to-Sim Tactile Image Translation
• Title（参考訳）: real-to-sim tactile image translation による光触覚 sim-to-real policy transfer
• Authors: Alex Church, John Lloyd, Raia Hadsell and Nathan F. Lepora
• Abstract要約: 触覚ロボットと強化学習に適したシミュレーション環境について紹介する。 データ駆動型アプローチにより、実際の触覚センサの現在の状態を、対応するシミュレーションされた深度画像に変換することができる。 このポリシーは、物理ロボットのリアルタイム制御ループ内に実装され、ゼロショットシム対リアルポリシー転送を実証する。
• 参考スコア（独自算出の注目度）: 21.82940445333913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation has recently become key for deep reinforcement learning to safely and efficiently acquire general and complex control policies from visual and proprioceptive inputs. Tactile information is not usually considered despite its direct relation to environment interaction. In this work, we present a suite of simulated environments tailored towards tactile robotics and reinforcement learning. A simple and fast method of simulating optical tactile sensors is provided, where high-resolution contact geometry is represented as depth images. Proximal Policy Optimisation (PPO) is used to learn successful policies across all considered tasks. A data-driven approach enables translation of the current state of a real tactile sensor to corresponding simulated depth images. This policy is implemented within a real-time control loop on a physical robot to demonstrate zero-shot sim-to-real policy transfer on several physically-interactive tasks requiring a sense of touch.
• Abstract（参考訳）: 近年,深層強化学習において,視覚的および固有的入力から一般および複雑な制御方針を安全かつ効率的に取得するためのシミュレーションが重要になっている。 触覚情報は通常、環境相互作用と直接関係があるにもかかわらず考慮されない。 本研究では,触覚ロボットと強化学習に適したシミュレーション環境について紹介する。 高解像度接触形状を深度画像として表現する、光学触覚センサの簡易かつ高速なシミュレーション方法が提供される。 PPO(Proximal Policy Optimisation)は、すべての考慮されたタスクで成功したポリシーを学ぶために使用される。 データ駆動アプローチは、実際の触覚センサの現在の状態を対応するシミュレーション深度画像に変換することを可能にする。 このポリシーは、物理的ロボットのリアルタイム制御ループ内で実装され、タッチ感覚を必要とするいくつかの物理的にインタラクティブなタスクでゼロショットのsim-to-realポリシー転送を示す。

関連論文リスト

• Learning Precise, Contact-Rich Manipulation through Uncalibrated Tactile Skins [17.412763585521688]
  我々は、トランスフォーマーベースのポリシーを使用して、皮膚センサーデータを視覚情報とともに追加トークンとして扱うシンプルなアプローチであるVisuo-Skin(ViSk)フレームワークを提案する。 ViSkは、視力のみと光触覚に基づくポリシーの両方で著しく優れています。 さらに、触覚と視覚のモダリティを組み合わせることで、政策性能と空間的一般化が向上し、タスク全体で平均27.5%の改善が達成される。
  論文  参考訳（メタデータ） (2024-10-22T17:59:49Z)
• Evaluating Real-World Robot Manipulation Policies in Simulation [91.55267186958892]
  実環境と模擬環境の制御と視覚的格差は、信頼性のある模擬評価の鍵となる課題である。 実環境に完全忠実なデジタル双生児を作らなくても、これらのギャップを軽減できる手法を提案する。 シミュレーション環境の集合体であるSIMPLERを作成した。
  論文  参考訳（メタデータ） (2024-05-09T17:30:16Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• Elastic Tactile Simulation Towards Tactile-Visual Perception [58.44106915440858]
  触覚シミュレーションのための粒子の弾性相互作用(EIP)を提案する。 EIPは、触覚センサを協調粒子群としてモデル化し、接触時の粒子の変形を制御するために弾性特性を適用した。 さらに,触覚データと視覚画像間の情報融合を可能にする触覚知覚ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-11T03:49:59Z)
• Coarse-to-Fine for Sim-to-Real: Sub-Millimetre Precision Across the Workspace [7.906608953906891]
  タスクが精度の高い制御とサブミリメートル誤差耐性、フルワークスペースの一般化の両方を必要とする場合、ゼロショット・シム・トゥ・リアルの問題を考察する。 このフレームワークは,まずポーズ推定に基づく古典的な動作計画から始まり,画像とアクションをマッピングし,ドメインのランダム化によるシミュレーションで訓練するエンド・ツー・エンドのコントローラに遷移する。 このようにして、作業空間全体にわたってコントローラを一般化し、視覚に基づくエンドツーエンド制御の汎用性と堅牢性を保ちながら、正確な制御を実現する。
  論文  参考訳（メタデータ） (2021-05-24T14:12:38Z)
• Sim-to-real for high-resolution optical tactile sensing: From images to 3D contact force distributions [5.939410304994348]
  本稿では、内部カメラに基づく視覚ベースの触覚センサのシミュレーションにおいて触覚画像を生成する戦略を提案する。 材料の変形は、様々な接触条件の下で有限要素環境下でシミュレートされ、シミュレートされた画像に球状粒子が投影される。 画像から抽出した特徴は、3次元接触力分布にマップされ、有限要素シミュレーションによっても得られる。
  論文  参考訳（メタデータ） (2020-12-21T12:43:33Z)
• COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing [87.7257446869134]
  一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。 深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。 動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
  論文  参考訳（メタデータ） (2020-11-23T08:20:21Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)
• Learning the sense of touch in simulation: a sim-to-real strategy for vision-based tactile sensing [1.9981375888949469]
  本稿では,3次元接触力分布の再構成を目的とした,視覚に基づく触覚センサについて述べる。 シミュレーションデータから完全に調整されたディープニューラルネットワークをトレーニングするための戦略が提案されている。 結果として得られる学習アーキテクチャは、さらなるトレーニングをすることなく、複数の触覚センサ間で直接転送可能であり、実際のデータに対して正確な予測が得られます。
  論文  参考訳（メタデータ） (2020-03-05T14:17:45Z)

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。