論文の概要: ROS-X-Habitat: Bridging the ROS Ecosystem with Embodied AI
- arxiv url: http://arxiv.org/abs/2109.07703v1
- Date: Thu, 16 Sep 2021 03:53:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-18 03:35:11.322078
- Title: ROS-X-Habitat: Bridging the ROS Ecosystem with Embodied AI
- Title(参考訳): ROS-X-Habitat: ROSエコシステムをエボダイドAIでブリッジする
- Authors: Guanxiong Chen, Haoyu Yang and Ian M. Mitchell
- Abstract要約: ROS-X-HabitatはAI Habitatプラットフォームを橋渡しし、強化学習エージェントをROSを介して他のロボットリソースに組み込むソフトウェアインターフェースである。
このインターフェースにより、ロボットは別のシミュレーション環境でHabitat RLエージェントをトレーニングしたり、Habitat Sim内で独自のロボットアルゴリズムを開発することができる。
- 参考スコア(独自算出の注目度): 4.062572830508991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce ROS-X-Habitat, a software interface that bridges the AI Habitat
platform for embodied reinforcement learning agents with other robotics
resources via ROS. This interface not only offers standardized communication
protocols between embodied agents and simulators, but also enables
physics-based simulation. With this interface, roboticists are able to train
their own Habitat RL agents in another simulation environment or to develop
their own robotic algorithms inside Habitat Sim. Through in silico experiments,
we demonstrate that ROS-X-Habitat has minimal impact on the navigation
performance and simulation speed of Habitat agents; that a standard set of ROS
mapping, planning and navigation tools can run in the Habitat simulator, and
that a Habitat agent can run in the standard ROS simulator Gazebo.
- Abstract(参考訳): ROS-X-HabitatはAI Habitatプラットフォームを橋渡しし、強化学習エージェントをROSを介して他のロボットリソースに組み込むソフトウェアインターフェースである。
このインターフェースは、エンボディエージェントとシミュレータ間の標準化された通信プロトコルを提供するだけでなく、物理ベースのシミュレーションも提供する。
このインターフェースにより、ロボットは別のシミュレーション環境でHabitat RLエージェントをトレーニングしたり、Habitat Sim内で独自のロボットアルゴリズムを開発することができる。
サイリコ実験を通じて,ros-x-habitatが生息域エージェントのナビゲーション性能とシミュレーション速度にほとんど影響を与えないこと,rosマッピング,計画およびナビゲーションツールの標準セットが居住域シミュレータで動作できること,居住域エージェントが標準のrosシミュレータガゼボで動作できることを実証した。
関連論文リスト
- ROS-Causal: A ROS-based Causal Analysis Framework for Human-Robot
Interaction Applications [4.143953684726425]
本稿では,人間とロボットの空間的相互作用における因果発見の枠組みであるROS-Causalを紹介する。
ROSと統合されたアドホックシミュレータは、アプローチの有効性を示している。
論文 参考訳(メタデータ) (2024-02-25T11:37:23Z) - Learning to navigate efficiently and precisely in real environments [14.52507964172957]
Embodied AIの文献は、HabitatやAI-Thorといったシミュレータで訓練されたエンドツーエンドエージェントに焦点を当てている。
本研究では,sim2realのギャップを最小限に抑えたシミュレーションにおけるエージェントのエンドツーエンドトレーニングについて検討する。
論文 参考訳(メタデータ) (2024-01-25T17:50:05Z) - AutoRT: Embodied Foundation Models for Large Scale Orchestration of
Robotic Agents [110.44779088587809]
AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。
われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。
実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
論文 参考訳(メタデータ) (2024-01-23T18:45:54Z) - Autonomous Navigation in Complex Environments [0.0]
本稿では,CNN-DNNネットワーク融合のシミュレーション環境におけるロボットナビゲーションコントローラ構築への応用について検討する。
シミュレーション環境は、自律的なエージェントが未知の洞窟システム内でゴールを見つけるように、地下の救助状況をモデル化するために構築される。
シミュレーション学習は、制御アルゴリズムをトレーニングするために使用され、LiDARとカメラデータを使用して空間をナビゲートし、ゴールを見つける。
論文 参考訳(メタデータ) (2024-01-06T18:05:06Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - ROS-PyBullet Interface: A Framework for Reliable Contact Simulation and
Human-Robot Interaction [17.093672006793984]
信頼性の高いコンタクト/インパクトシミュレータPyBulletとロボットオペレーティングシステム(ROS)のブリッジを提供するフレームワークであるROS-PyBullet Interfaceを提案する。
さらに,シミュレーション環境でのヒューマン・ロボット・インタラクション(HRI)を促進するために,新たなユーティリティを提供する。
論文 参考訳(メタデータ) (2022-10-13T10:31:36Z) - ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。
ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
論文 参考訳(メタデータ) (2022-06-14T17:09:35Z) - DeepSim: A Reinforcement Learning Environment Build Toolkit for ROS and
Gazebo [0.3176327333793051]
DeepSimは、ROSとGazeboのための強化学習環境構築ツールキットである。
機械学習や強化学習の研究者たちがロボットのドメインにアクセスし、複雑で難しいカスタムタスクを作れる。
論文 参考訳(メタデータ) (2022-05-17T00:31:40Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z) - Machine Learning-Based Automated Design Space Exploration for Autonomous
Aerial Robots [55.056709056795206]
自律飛行ロボットのためのドメイン固有のアーキテクチャの構築は、オンボードコンピューティングを設計するための体系的な方法論が欠如しているため、難しい。
F-1ルーフラインと呼ばれる新しいパフォーマンスモデルを導入し、アーキテクトがバランスの取れたコンピューティングシステムを構築する方法を理解するのを助ける。
サイバー物理設計空間を自動でナビゲートするために、AutoPilotを導入します。
論文 参考訳(メタデータ) (2021-02-05T03:50:54Z) - Sim-to-Real Transfer for Vision-and-Language Navigation [70.86250473583354]
本研究では,従来は目に見えなかった環境下でロボットを解放し,制約のない自然言語ナビゲーション指示に従うという課題について検討する。
VLN(Vision-and-Language Navigation)の課題に関する最近の研究は、シミュレーションにおいて大きな進歩を遂げている。
ロボット工学における本研究の意義を評価するため,シミュレーションで訓練されたVLNエージェントを物理ロボットに転送する。
論文 参考訳(メタデータ) (2020-11-07T16:49:04Z)
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。