論文の概要: Robot Learning from Randomized Simulations: A Review
- arxiv url: http://arxiv.org/abs/2111.00956v1
- Date: Mon, 1 Nov 2021 13:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 17:28:45.529164
- Title: Robot Learning from Randomized Simulations: A Review
- Title(参考訳): ランダム化シミュレーションによるロボット学習
- Authors: Fabio Muratore, Fabio Ramos, Greg Turk, Wenhao Yu, Michael Gienger and
Jan Peters
- Abstract要約: ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。
最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。
本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
- 参考スコア(独自算出の注目度): 59.992761565399185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rise of deep learning has caused a paradigm shift in robotics research,
favoring methods that require large amounts of data. It is prohibitively
expensive to generate such data sets on a physical platform. Therefore,
state-of-the-art approaches learn in simulation where data generation is fast
as well as inexpensive and subsequently transfer the knowledge to the real
robot (sim-to-real). Despite becoming increasingly realistic, all simulators
are by construction based on models, hence inevitably imperfect. This raises
the question of how simulators can be modified to facilitate learning robot
control policies and overcome the mismatch between simulation and reality,
often called the 'reality gap'. We provide a comprehensive review of
sim-to-real research for robotics, focusing on a technique named 'domain
randomization' which is a method for learning from randomized simulations.
- Abstract(参考訳): ディープラーニングの台頭は、大量のデータを必要とする方法を好むロボット研究のパラダイムシフトを引き起こしている。
このようなデータセットを物理プラットフォーム上で生成するのは違法にコストがかかる。
したがって、最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学習し、その知識を実際のロボット(sim-to-real)に転送する。
現実的になりつつあるにもかかわらず、すべてのシミュレーターはモデルに基づいて構築されているため、必然的に不完全である。
これは、ロボットの制御ポリシーを学習し、シミュレーションと現実のミスマッチを克服するためにシミュレータをどのように修正できるかという問題を引き起こし、しばしば「現実のギャップ」と呼ばれる。
本稿では, ランダム化シミュレーションから学習する手法である「ドメインランダム化」と呼ばれる手法に着目し, ロボット工学におけるシム・トゥ・リアル研究の総合的なレビューを行う。
関連論文リスト
- An Architecture for Unattended Containerized (Deep) Reinforcement
Learning with Webots [0.0]
3Dの世界におけるエージェントによる強化学習は、依然として課題に直面している。
シミュレーションソフトウェアの使用に必要な知識と、意図しないトレーニングパイプラインにおけるスタンドアロンのシミュレーションソフトウェアの利用。
論文 参考訳(メタデータ) (2024-02-06T12:08:01Z) - Real Robot Challenge 2022: Learning Dexterous Manipulation from Offline
Data in the Real World [38.54892412474853]
リアルロボットチャレンジ2022は、強化学習とロボティクスのコミュニティの間の橋として機能した。
我々は参加者に、提供された実ロボットデータセットからプッシュ、グリップ、手動の向きを含む2つの巧妙な操作タスクを学ぶように頼んだ。
大規模なソフトウェアドキュメンテーションと、実際のセットアップのシミュレーションに基づく初期ステージにより、競争は特にアクセスしやすくなった。
論文 参考訳(メタデータ) (2023-08-15T12:40:56Z) - Towards Precise Model-free Robotic Grasping with Sim-to-Real Transfer
Learning [11.470950882435927]
本稿では,ロボットの把持ネットワークについて述べる。
物理ロボット実験では,1つの既知の物体と,90.91%の成功率を持つ新しい複合形状の家庭用物体を把握した。
提案した把握フレームワークは、既知の物体と未知の物体の両方において、最先端の2つの手法より優れていた。
論文 参考訳(メタデータ) (2023-01-28T16:57:19Z) - Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial
Application Case on Autonomous Disassembly [55.41644538483948]
我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。
合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。
この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
論文 参考訳(メタデータ) (2023-01-12T14:00:37Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳(メタデータ) (2022-11-09T09:55:14Z) - 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) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Analysis of Randomization Effects on Sim2Real Transfer in Reinforcement
Learning for Robotic Manipulation Tasks [2.018504891256636]
4つのランダム化戦略と3つのランダム化パラメータをシミュレーションと実ロボットで比較する。
以上の結果から,Sim2Real転送においてよりランダム化が有効であることが示唆された。
論文 参考訳(メタデータ) (2022-06-13T16:12:56Z) - Sim2Sim Evaluation of a Novel Data-Efficient Differentiable Physics
Engine for Tensegrity Robots [10.226310620727942]
シミュレーションにおける学習ポリシーは、ロボットコントローラーを訓練する際の人間の労力を減らすことを約束している。
Sim2realのギャップは、シミュレーションから本物のロボットへのポリシーの転送に成功するための主要な障壁である。
この研究は、データ駆動のエンドツーエンドの微分可能シミュレータを提案する。
論文 参考訳(メタデータ) (2020-11-10T06:19:54Z) - 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)
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。