論文の概要: BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym

• arxiv url: http://arxiv.org/abs/2107.04527v1
• Date: Fri, 9 Jul 2021 16:21:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-07-12 13:36:51.362015
• Title: BayesSimIG: Scalable Parameter Inference for Adaptive Domain Randomization with IsaacGym
• Title（参考訳）: BayesSimIG:IsaacGymを用いた適応的ドメインランダム化のためのスケーラブルパラメータ推論
• Authors: Rika Antonova, Fabio Ramos, Rafael Possas, Dieter Fox
• Abstract要約: BayesSimIGは、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリである。 BayesSimIGはNVIDIABoardと統合して、高次元の後方のスライスを簡単に視覚化する。
• 参考スコア（独自算出の注目度）: 59.53949960353792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: BayesSim is a statistical technique for domain randomization in reinforcement learning based on likelihood-free inference of simulation parameters. This paper outlines BayesSimIG: a library that provides an implementation of BayesSim integrated with the recently released NVIDIA IsaacGym. This combination allows large-scale parameter inference with end-to-end GPU acceleration. Both inference and simulation get GPU speedup, with support for running more than 10K parallel simulation environments for complex robotics tasks that can have more than 100 simulation parameters to estimate. BayesSimIG provides an integration with TensorBoard to easily visualize slices of high-dimensional posteriors. The library is built in a modular way to support research experiments with novel ways to collect and process the trajectories from the parallel IsaacGym environments.
• Abstract（参考訳）: BayesSimは、シミュレーションパラメータの確率自由推論に基づく強化学習における領域ランダム化の統計手法である。 本稿では、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリであるBayesSimIGの概要を紹介する。 この組み合わせにより、エンドツーエンドgpuアクセラレーションによる大規模パラメータ推論が可能になる。 推論とシミュレーションの両方にgpuのスピードアップがあり、100以上のシミュレーションパラメータを持つ複雑なロボットタスクに対して、10k以上の並列シミュレーション環境の実行をサポートする。 BayesSimIGは、高次元の後方のスライスを簡単に視覚化するTensorBoardとの統合を提供する。 このライブラリはモジュール的な方法で構築され、並列IsaacGym環境から軌跡を収集・処理する新しい方法で研究実験を支援する。

関連論文リスト

• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Compositional simulation-based inference for time series [21.9975782468709]
  シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。 本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。 次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
  論文  参考訳（メタデータ） (2024-11-05T01:55:07Z)
• Promptable Closed-loop Traffic Simulation [57.36568236100507]
  ProSimはマルチモーダルプロンプト可能なクローズドループトラフィックシミュレーションフレームワークである。 ProSimはクローズドループ方式でトラフィックシナリオをロールアウトし、各エージェントと他のトラフィック参加者とのインタラクションをモデル化する。 高速な交通シミュレーションの研究を支援するため,マルチモーダル・プロンプト・インストラクト・520k(ProSim-Instruct-520k)を開発した。
  論文  参考訳（メタデータ） (2024-09-09T17:59:15Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Informal Safety Guarantees for Simulated Optimizers Through Extrapolation from Partial Simulations [0.0]
  自己教師付き学習は、最先端の言語モデリングのバックボーンである。 自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
  論文  参考訳（メタデータ） (2023-11-29T09:32:56Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
  実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
  論文  参考訳（メタデータ） (2021-09-18T03:05:44Z)
• Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
  シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。 ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。 実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:55Z)
• Using Machine Learning at Scale in HPC Simulations with SmartSim: An Application to Ocean Climate Modeling [52.77024349608834]
  We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。 SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
  論文  参考訳（メタデータ） (2021-04-13T19:27:28Z)
• Simulation-efficient marginal posterior estimation with swyft: stop wasting your precious time [5.533353383316288]
  本研究では,ネスト型ニューラル・サイエンス・ツー・エビデンス比推定とシミュレーションの再利用のためのアルゴリズムを提案する。 これらのアルゴリズムが組み合わさって、縁部および関節後部の自動的および極端にシミュレーターによる効率的な推定を可能にする。
  論文  参考訳（メタデータ） (2020-11-27T19:00:07Z)

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。