論文の概要: Transferring Dexterous Manipulation from GPU Simulation to a Remote Real-World TriFinger

• arxiv url: http://arxiv.org/abs/2108.09779v1
• Date: Sun, 22 Aug 2021 16:45:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 00:54:19.296890
• Title: Transferring Dexterous Manipulation from GPU Simulation to a Remote Real-World TriFinger
• Title（参考訳）: gpuシミュレーションからリモート実世界トリフィンガーへのデクスタース操作の転送
• Authors: Arthur Allshire, Mayank Mittal, Varun Lodaya, Viktor Makoviychuk, Denys Makoviichuk, Felix Widmaier, Manuel W\"uthrich, Stefan Bauer, Ankur Handa, Animesh Garg
• Abstract要約: 本稿では,NVIDIAのIsaacGymシミュレータでトレーニングした3つのフィンガーだけで,立方体を任意の6-DoFポーズに移動させるという,困難な操作課題を学習するシステムを提案する。 6-DoFにおけるオブジェクトポーズの位置/四元数表現とは対照的に,キーポイントを用いた場合のシミュレーションとシミュレートの両面での経験的メリットを示す。 我々は,Real Robot Challengeの主催者が維持する遠隔TriFingerシステムにおいて,高い成功率の83%を達成する。
• 参考スコア（独自算出の注目度）: 22.623681035413686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a system for learning a challenging dexterous manipulation task involving moving a cube to an arbitrary 6-DoF pose with only 3-fingers trained with NVIDIA's IsaacGym simulator. We show empirical benefits, both in simulation and sim-to-real transfer, of using keypoints as opposed to position+quaternion representations for the object pose in 6-DoF for policy observations and in reward calculation to train a model-free reinforcement learning agent. By utilizing domain randomization strategies along with the keypoint representation of the pose of the manipulated object, we achieve a high success rate of 83% on a remote TriFinger system maintained by the organizers of the Real Robot Challenge. With the aim of assisting further research in learning in-hand manipulation, we make the codebase of our system, along with trained checkpoints that come with billions of steps of experience available, at https://s2r2-ig.github.io
• Abstract（参考訳）: 本稿では,NVIDIAのIsaacGymシミュレータでトレーニングした3つのフィンガーだけで,立方体を任意の6-DoFポーズに移動させるという,困難な操作課題を学習するシステムを提案する。 提案手法は,6自由度,報酬計算,およびモデルフリー強化学習エージェントの訓練において,対象ポーズの位置+四元表現とは対照的に,シミュレーションとsim-to-real転送の両方において経験的利点を示す。 操作対象のポーズのキーポイント表現とともにドメインランダム化戦略を活用することにより,リアルロボットチャレンジの主催者が保持する遠隔トリフィンガーシステムにおいて,高い成功率を83%達成する。 インハンド操作のさらなる研究を支援することを目的として、私たちはシステムのコードベースと、何十億もの経験を積んだトレーニング済みのチェックポイントをhttps://s2r2-ig.github.ioで公開しています。

関連論文リスト

• Part-Guided 3D RL for Sim2Real Articulated Object Manipulation [27.422878372169805]
  実演を伴わずに調音物体の操作を学習できる部分誘導型3D RLフレームワークを提案する。 2次元分割と3次元RLの長所を組み合わせることにより,RL政策訓練の効率化を図る。 一つの汎用的なRLポリシーは、シミュレーション中に複数のオブジェクト操作タスクを同時にトレーニングすることができる。
  論文  参考訳（メタデータ） (2024-04-26T10:18:17Z)
• Skill Transfer and Discovery for Sim-to-Real Learning: A Representation-Based Viewpoint [13.28437541072843]
  表現学習を用いたロボット制御の文脈において,シミュレート・トゥ・リアルなスキル伝達と発見について検討した。 本研究では,実世界のデータから,シム・トゥ・リアルのギャップに起因する新たなスキルを学習する技術発見アルゴリズムを提案する。 我々のスキル発見アプローチは、sim-to-realギャップを狭め、現実世界のコントローラのパフォーマンスを最大30.2%向上させるのに役立つ。
  論文  参考訳（メタデータ） (2024-04-07T19:22:51Z)
• HACMan: Learning Hybrid Actor-Critic Maps for 6D Non-Prehensile Manipulation [29.01984677695523]
  本稿では6次元非包括的操作のための強化学習手法であるHybrid Actor-Critic Maps for Manipulation (HACMan)を紹介する。 シミュレーションおよび実世界における6次元オブジェクトポーズアライメントタスクにおけるHACManの評価を行った。 代替アクション表現と比較して、HACManは最高のベースラインの3倍以上の成功率を達成する。
  論文  参考訳（メタデータ） (2023-05-06T05:55:27Z)
• 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)
• 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)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)
• 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)
• Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
  ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。 現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。 本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:15:35Z)
• SimAug: Learning Robust Representations from Simulation for Trajectory Prediction [78.91518036949918]
  本研究では,シミュレーション学習データの拡張により,ロバスト表現を学習する新しい手法を提案する。 我々は,SimAugが実世界の3つのベンチマークで有望な結果を得ることを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:22:01Z)

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。