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: 処理完了
• 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

• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• 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)
• A Doubly Stochastic Simulator with Applications in Arrivals Modeling and Simulation [8.808993671472349]
  本稿では,モンテカルロシミュレータとワッサーシュタイン生成逆数ネットワークを統合して,広範囲の到着過程をモデル化し,推定し,シミュレーションするフレームワークを提案する。 古典的モンテカルロシミュレータはポアソンオブジェクトの解釈可能な「物理」を捉えるのに利点があるが、ニューラルネットベースのシミュレータは高次元分布における解釈できない複雑な依存を捉えるのに利点がある。
  論文  参考訳（メタデータ） (2020-12-27T13:32:16Z)
• 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)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Fast simulations of highly-connected spiking cortical models using GPUs [0.0]
  本稿では,C++プログラミング言語で記述されたスパイクニューラルネットワークモデルの大規模シミュレーションのためのライブラリを提案する。 本稿では,生物活動の1秒あたりのシミュレーション時間の観点から,提案ライブラリが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-07-28T13:58:50Z)

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。