論文の概要: V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects

• arxiv url: http://arxiv.org/abs/2111.03987v1
• Date: Sun, 7 Nov 2021 02:31:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 13:46:36.716928
• Title: V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects
• Title（参考訳）: V-MAO:人工物体のマルチアーム操作のための生成モデル
• Authors: Xingyu Liu, Kris M. Kitani
• Abstract要約: 本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。 本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
• 参考スコア（独自算出の注目度）: 51.79035249464852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manipulating articulated objects requires multiple robot arms in general. It is challenging to enable multiple robot arms to collaboratively complete manipulation tasks on articulated objects. In this paper, we present $\textbf{V-MAO}$, a framework for learning multi-arm manipulation of articulated objects. Our framework includes a variational generative model that learns contact point distribution over object rigid parts for each robot arm. The training signal is obtained from interaction with the simulation environment which is enabled by planning and a novel formulation of object-centric control for articulated objects. We deploy our framework in a customized MuJoCo simulation environment and demonstrate that our framework achieves a high success rate on six different objects and two different robots. We also show that generative modeling can effectively learn the contact point distribution on articulated objects.
• Abstract（参考訳）: 関節のある物体を操作するには、一般に複数のロボットアームが必要である。 複数のロボットアームが協調して関節オブジェクトの操作タスクを完了させることは困難である。 本稿では,音声オブジェクトのマルチアーム操作を学習するフレームワークである$\textbf{V-MAO}$を提案する。 本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。 訓練信号は、計画により実現されるシミュレーション環境と相互作用し、関節オブジェクトに対するオブジェクト中心制御の新規な定式化から得られる。 フレームワークをカスタマイズした MuJoCo シミュレーション環境にデプロイし、6つの異なるオブジェクトと2つの異なるロボットに対して高い成功率を達成することを示す。 また, 生成モデルにより, 物体の接触点分布を効果的に学習できることを示す。

関連論文リスト

• ManiFoundation Model for General-Purpose Robotic Manipulation of Contact Synthesis with Arbitrary Objects and Robots [24.035706461949715]
  汎用ロボットが幅広い操作タスクをこなせるようなモデルを開発する必要がある。 本研究は,汎用ロボット操作の基礎モデルを構築するための包括的枠組みを導入する。 私たちのモデルは、平均的な成功率を約90%達成します。
  論文  参考訳（メタデータ） (2024-05-11T09:18:37Z)
• RPMArt: Towards Robust Perception and Manipulation for Articulated Objects [56.73978941406907]
  本稿では,Articulated Objects (RPMArt) のロバスト知覚と操作のためのフレームワークを提案する。 RPMArtは、調音パラメータを推定し、雑音の多い点雲から調音部分を操作することを学習する。 我々は,シミュレート・トゥ・リアル・トランスファーの能力を高めるための調音認識型分類手法を提案する。
  論文  参考訳（メタデータ） (2024-03-24T05:55:39Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• GAMMA: Generalizable Articulation Modeling and Manipulation for Articulated Objects [53.965581080954905]
  本稿では,GAMMA(Generalizable Articulation Modeling and Manipulating for Articulated Objects)の新たな枠組みを提案する。 GAMMAは,異なるカテゴリーの多種多様な調音オブジェクトから,調音モデルと手取りポーズの相違を学習する。 その結果, GAMMA はSOTA の調音モデルおよび操作アルゴリズムを, 目に見えない, 横断的な調音オブジェクトで著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-09-28T08:57:14Z)
• Dynamic Handover: Throw and Catch with Bimanual Hands [30.206469112964033]
  この問題を解決するために、ロボットアームに2本の指を取り付けたシステムを設計する。 シミュレーションにおいてマルチエージェント強化学習を用いてシステムを訓練し、実ロボットにデプロイするためのSim2Real転送を実行する。 Sim2Realのギャップを克服するために、オブジェクトの軌道予測モデルを学ぶことを含む、複数の新しいアルゴリズム設計を提供する。
  論文  参考訳（メタデータ） (2023-09-11T17:49:25Z)
• VoxPoser: Composable 3D Value Maps for Robotic Manipulation with Language Models [38.503337052122234]
  大規模言語モデル(LLM)は、ロボット操作のために抽出できる豊富な行動可能な知識を持っていることが示されている。 我々は,オープンな命令セットとオープンなオブジェクトセットが与えられた様々な操作タスクに対して,ロボット軌道を合成することを目指している。 筆者らは,接触に富んだインタラクションを含むシーンのダイナミックスモデルを効率的に学習することで,提案フレームワークがオンライン体験の恩恵を享受できることを実証する。
  論文  参考訳（メタデータ） (2023-07-12T07:40:48Z)
• FOCUS: Object-Centric World Models for Robotics Manipulation [4.6956495676681484]
  FOCUSは、オブジェクト中心の世界モデルを学ぶモデルベースのエージェントである。 オブジェクト中心の世界モデルにより、エージェントがより効率的にタスクを解くことができることを示す。 また、FOCUSが現実世界の環境でどのように採用されるかを示す。
  論文  参考訳（メタデータ） (2023-07-05T16:49:06Z)
• Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
  インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。 提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。 デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
  論文  参考訳（メタデータ） (2023-06-09T07:22:12Z)
• RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects with Graph Networks [32.00371492516123]
  弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。 我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。 実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-05T20:28:15Z)
• Learning Multi-Arm Manipulation Through Collaborative Teleoperation [63.35924708783826]
  模倣学習(il)はロボットに操作タスクを実行するための強力なパラダイムである。 多くの現実世界のタスクは、重い物体を持ち上げる、デスクを組み立てるなど、複数のアームを必要とする。 複数のリモートユーザが同時にロボットアームを遠隔操作できるマルチユーザデータ収集プラットフォームであるMulti-Arm RoboTurk(MART)を紹介した。
  論文  参考訳（メタデータ） (2020-12-12T05:43:43Z)

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。