論文の概要: Simulation-based Bayesian inference for multi-fingered robotic grasping

• arxiv url: http://arxiv.org/abs/2109.14275v1
• Date: Wed, 29 Sep 2021 08:44:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 14:37:56.687391
• Title: Simulation-based Bayesian inference for multi-fingered robotic grasping
• Title（参考訳）: マルチフィンガーロボットグリップのためのシミュレーションに基づくベイズ推定
• Authors: Norman Marlier, Olivier Br\"uls, Gilles Louppe
• Abstract要約: マルチフィンガーロボットグリーピングは、普遍的なピックと巧妙な操作のための、決定不可能なステップストーンである。 しかし、マルチフィンガーグリップは、リッチな非滑らかな接触ダイナミクスやノイズのために制御が難しいままである。 本稿では,確率-証拠比の深部ニューラルネットワークに基づくベイズ推論のための新しいシミュレーションに基づく手法を提案する。
• 参考スコア（独自算出の注目度）: 6.677646909984405
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-fingered robotic grasping is an undeniable stepping stone to universal picking and dexterous manipulation. Yet, multi-fingered grippers remain challenging to control because of their rich nonsmooth contact dynamics or because of sensor noise. In this work, we aim to plan hand configurations by performing Bayesian posterior inference through the full stochastic forward simulation of the robot in its environment, hence robustly accounting for many of the uncertainties in the system. While previous methods either relied on simplified surrogates of the likelihood function or attempted to learn to directly predict maximum likelihood estimates, we bring a novel simulation-based approach for full Bayesian inference based on a deep neural network surrogate of the likelihood-to-evidence ratio. Hand configurations are found by directly optimizing through the resulting amortized and differentiable expression for the posterior. The geometry of the configuration space is accounted for by proposing a Riemannian manifold optimization procedure through the neural posterior. Simulation and physical benchmarks demonstrate the high success rate of the procedure.
• Abstract（参考訳）: 多指ロボットハンドリングは、普遍的なピッキングとデクスタース操作のための、否定できない踏み台だ。 しかし、マルチフィンガーグリッパーは、その豊富な非スムースな接触ダイナミクスやセンサーノイズのため、制御が難しいままである。 本研究では,ロボットの動作環境における全確率的前方シミュレーションを通じてベイズ後方推定を行い,システムの不確かさの多くをロバストに計算し,手の配置を計画することを目的とする。 提案手法は, 確率関数の簡明なサロゲートに依存するか, 最大確率推定を直接予測することを試みたが, ディープニューラルネットワークを用いた完全ベイズ推定のための新しいシミュレーションベースアプローチを提案する。 手の配置は、結果として生じる後肢の無形および微分可能な表現を直接最適化することによって見出される。 構成空間の幾何学は、神経後方を通るリーマン多様体最適化手順を提案することによって説明される。 シミュレーションと物理ベンチマークは、プロシージャの高い成功率を示す。

関連論文リスト

• DeepCloth-ROB$^2_{\text{QS}}$P&P: Towards a Robust Robot Deployment for Quasi-Static Pick-and-Place Cloth-Shaping Neural Controllers [2.720296126199296]
  シミュレーショントレーニングされた視覚ベースのデータ駆動型ニューラルネットワークと実世界の操作の間の忠実度ギャップは、シミュレーションから物理実験へのメソッドの信頼性を損なう。 We propose DeepCloth-ROB$2_textQS$P&P with a Simulation-to-Reality transfer strategy Towel-Sim2Real and a cloth grasping protocol。 私たちのアプローチでは、実環境で複数のニューラルコントローラを初めて比較することができ、布の操作コミュニティに貴重な洞察を与えます。
  論文  参考訳（メタデータ） (2024-09-23T16:08:16Z)
• Amortized Bayesian Decision Making for simulation-based models [11.375835331641548]
  シミュレータ上でベイズ決定を行う方法に関する問題に対処する。 本手法は,シミュレーションデータ上にニューラルネットワークを学習し,予測コストを予測する。 次に,医療神経科学における実世界のシミュレーターにおける最適な行動を推測するために,本手法を適用した。
  論文  参考訳（メタデータ） (2023-12-05T11:29:54Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Learning to Simulate Tree-Branch Dynamics for Manipulation [26.808346972775368]
  そこで本研究では,木枝の動力学をモデル化するために,シミュレーション駆動逆推論手法を提案する。 本モデルでは, 変形軌跡を予測し, 推定の不確かさを定量化し, ベースラインが他の推論アルゴリズムに逆らう場合, 精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-06-06T05:17:02Z)
• Implicit representation priors meet Riemannian geometry for Bayesian robotic grasping [5.533353383316288]
  本研究では,シーン依存の先行表現を構築するために暗黙の表現を用いる方法について検討する。 シミュレーションと物理ベンチマークの結果は、このアプローチの成功率と有望な可能性を示している。
  論文  参考訳（メタデータ） (2023-04-18T08:08:14Z)
• Simulation-based Bayesian inference for robotic grasping [6.218934678555297]
  一般的なロボットグリップパーは、そのリッチな非滑らかな接触ダイナミクスと環境やセンサノイズによる不確実性のため、制御が困難である。 本研究では,シミュレーションに基づくベイズ推定を用いて,6-DoFグリップポーズの計算方法を示す。
  論文  参考訳（メタデータ） (2023-03-10T11:56:56Z)
• 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)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
  本稿では,人間の動作予測のための確率モデルを提案する。 我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。 我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2021-07-14T09:05:33Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

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。