論文の概要: Dual-Arm Adversarial Robot Learning
- arxiv url: http://arxiv.org/abs/2110.08066v1
- Date: Fri, 15 Oct 2021 12:51:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 19:15:08.145575
- Title: Dual-Arm Adversarial Robot Learning
- Title(参考訳): 対人対人ロボット学習
- Authors: Elie Aljalbout
- Abstract要約: ロボット学習のためのプラットフォームとしてデュアルアーム設定を提案する。
このセットアップの潜在的なメリットと、追求できる課題と研究の方向性について論じる。
- 参考スコア(独自算出の注目度): 0.6091702876917281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robot learning is a very promising topic for the future of automation and
machine intelligence. Future robots should be able to autonomously acquire
skills, learn to represent their environment, and interact with it. While these
topics have been explored in simulation, real-world robot learning research
seems to be still limited. This is due to the additional challenges encountered
in the real-world, such as noisy sensors and actuators, safe exploration,
non-stationary dynamics, autonomous environment resetting as well as the cost
of running experiments for long periods of time. Unless we develop scalable
solutions to these problems, learning complex tasks involving hand-eye
coordination and rich contacts will remain an untouched vision that is only
feasible in controlled lab environments. We propose dual-arm settings as
platforms for robot learning. Such settings enable safe data collection for
acquiring manipulation skills as well as training perception modules in a
robot-supervised manner. They also ease the processes of resetting the
environment. Furthermore, adversarial learning could potentially boost the
generalization capability of robot learning methods by maximizing the
exploration based on game-theoretic objectives while ensuring safety based on
collaborative task spaces. In this paper, we will discuss the potential
benefits of this setup as well as the challenges and research directions that
can be pursued.
- Abstract(参考訳): ロボット学習は、自動化とマシンインテリジェンスの未来にとって非常に有望なトピックである。
未来のロボットは、自律的にスキルを習得し、彼らの環境を表現し、それと対話できる。
これらの話題はシミュレーションで研究されているが、現実のロボット学習の研究はまだ限られているようだ。
これは、ノイズの多いセンサーやアクチュエータ、安全な探査、非定常ダイナミクス、自律環境のリセット、長期にわたる実験のコストなど、現実世界で遭遇する追加の課題によるものだ。
これらの問題に対するスケーラブルなソリューションが開発されない限り、手目調整やリッチコンタクトを含む複雑なタスクを学習することは、制御されたラボ環境でのみ実現可能な、未解決のビジョンのままである。
ロボット学習のためのプラットフォームとしてデュアルアーム設定を提案する。
このような設定は、操作スキルを取得するための安全なデータ収集と、ロボットが監督する方法で知覚モジュールを訓練することを可能にする。
環境を再設定するプロセスも容易になります。
さらに,協調作業空間に基づく安全性を確保しつつ,ゲーム理論目標に基づく探索を最大化し,ロボット学習法の一般化能力を高めることができる。
本稿では,この設定の潜在的メリットと,追求できる課題と研究の方向性について考察する。
関連論文リスト
- Growing from Exploration: A self-exploring framework for robots based on
foundation models [13.250831101705694]
我々は、ロボットが人間の介入なしに自律的に探索し学習することを可能にするGExpというフレームワークを提案する。
幼児が世界と対話する方法に触発されて、GExpはロボットに、一連の自己生成タスクで環境を理解し、探索するように促す。
論文 参考訳(メタデータ) (2024-01-24T14:04:08Z) - Bridging Active Exploration and Uncertainty-Aware Deployment Using
Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。
探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。
自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
論文 参考訳(メタデータ) (2023-05-20T17:20:12Z) - Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement
Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。
本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。
ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文 参考訳(メタデータ) (2023-03-02T18:51:38Z) - Dexterous Manipulation from Images: Autonomous Real-World RL via Substep
Guidance [71.36749876465618]
本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。
本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。
実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
論文 参考訳(メタデータ) (2022-12-19T22:50:40Z) - Auditing Robot Learning for Safety and Compliance during Deployment [4.742825811314168]
我々は、ロボット学習アルゴリズムを人間との互換性を確認するのにいかに最適かを研究する。
これは、ロボット学習コミュニティ全体の努力を必要とする難しい問題だと考えています。
論文 参考訳(メタデータ) (2021-10-12T02:40:11Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳(メタデータ) (2021-09-19T18:00:51Z) - Low Dimensional State Representation Learning with Robotics Priors in
Continuous Action Spaces [8.692025477306212]
強化学習アルゴリズムは、エンドツーエンドで複雑なロボティクスタスクを解くことができることが証明されている。
本稿では,ロボットの生の知覚情報から得られる高次元の観察から,低次元状態表現の学習と最適ポリシーの学習を組み合わせた枠組みを提案する。
論文 参考訳(メタデータ) (2021-07-04T15:42:01Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳(メタデータ) (2021-03-16T13:50:24Z) - The Ingredients of Real-World Robotic Reinforcement Learning [71.92831985295163]
実世界で収集されたデータによって継続的に自律的に改善できるロボット学習システムに必要な要素について論じる。
本稿では,このようなシステムの特異なインスタンス化を事例として,デクスタラスな操作を事例として提案する。
我々は人間の介入なしに学習できることを実証し、現実世界の3本指の手で様々な視覚ベースのスキルを習得する。
論文 参考訳(メタデータ) (2020-04-27T03:36:10Z) - SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。
部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文 参考訳(メタデータ) (2020-03-19T00:11:34Z)
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。