論文の概要: Development of a robust cascaded architecture for intelligent robot
grasping using limited labelled data
- arxiv url: http://arxiv.org/abs/2112.03001v1
- Date: Sat, 6 Nov 2021 11:01:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-12 15:43:00.790000
- Title: Development of a robust cascaded architecture for intelligent robot
grasping using limited labelled data
- Title（参考訳）: 限定ラベルデータを用いた知的ロボット把持のためのロバストカスケードアーキテクチャの開発
- Authors: Priya Shukla, Vandana Kushwaha, G. C. Nandi
- Abstract要約: ロボットの場合、オブジェクトを効果的に把握する方法を学ぶために多くの時間を費やす余裕はありません。
本稿では,VQVAEに基づく効率的な学習アーキテクチャを提案する。
ラベル付きデータセットが限定された場合でも,より一般化可能な半教師付き学習ベースモデルについて検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Grasping objects intelligently is a challenging task even for humans and we
spend a considerable amount of time during our childhood to learn how to grasp
objects correctly. In the case of robots, we can not afford to spend that much
time on making it to learn how to grasp objects effectively. Therefore, in the
present research we propose an efficient learning architecture based on VQVAE
so that robots can be taught with sufficient data corresponding to correct
grasping. However, getting sufficient labelled data is extremely difficult in
the robot grasping domain. To help solve this problem, a semi-supervised
learning based model which has much more generalization capability even with
limited labelled data set, has been investigated. Its performance shows 6\%
improvement when compared with existing state-of-the-art models including our
earlier model. During experimentation, It has been observed that our proposed
model, RGGCNN2, performs significantly better, both in grasping isolated
objects as well as objects in a cluttered environment, compared to the existing
approaches which do not use unlabelled data for generating grasping rectangles.
To the best of our knowledge, developing an intelligent robot grasping model
(based on semi-supervised learning) trained through representation learning and
exploiting the high-quality learning ability of GGCNN2 architecture with the
limited number of labelled dataset together with the learned latent embeddings,
can be used as a de-facto training method which has been established and also
validated in this paper through rigorous hardware experimentations using Baxter
(Anukul) research robot.
- Abstract（参考訳）: 物体をインテリジェントにつかむことは、人間にとっても難しい課題であり、私たちは子供のころ、物体を正しくつかむ方法を学ぶためにかなりの時間を費やしています。
ロボットの場合、オブジェクトを効果的に把握する方法を学ぶために多くの時間を費やす余裕はありません。
そこで本研究では,vqvaeに基づく効率的な学習アーキテクチャを提案する。
しかし, ロボット把持領域では, 十分なラベル付きデータを得るのは非常に困難である。
この問題を解決するために,ラベル付きデータセットでもより一般化可能な半教師付き学習ベースモデルが検討されている。
その性能は、以前のモデルを含む既存の最先端モデルと比較して6対%改善しています。
実験中, 提案モデルであるRGGCNN2は, 孤立した物体だけでなく, 散在した環境下での物体の把握においても, 未ラベルデータを使用しない既存手法と比較して, かなり優れた性能を示した。
我々の知識を最大限に活用するために、表現学習を通じて訓練された知的ロボット把握モデル(半教師付き学習に基づく)を開発し、学習遅延埋め込みとともにラベル付きデータセットの限られた数でGGCNN2アーキテクチャの高品質な学習能力を活用することにより、バクスター(Anukul)研究ロボットを用いた厳密なハードウェア実験を通じて確立され検証されたデファクトトレーニング手法として利用することができる。
関連論文リスト
- Active Exploration in Bayesian Model-based Reinforcement Learning for Robot Manipulation [8.940998315746684]
ロボットアームのエンドタスクに対するモデルベース強化学習(RL)アプローチを提案する。
我々はベイズニューラルネットワークモデルを用いて、探索中に動的モデルに符号化された信念と情報の両方を確率論的に表現する。
実験により,ベイズモデルに基づくRL手法の利点が示された。
論文 参考訳（メタデータ） (2024-04-02T11:44:37Z) - BridgeData V2: A Dataset for Robot Learning at Scale [73.86688388408021]
BridgeData V2は、ロボット操作行動の大規模で多様なデータセットである。
対象は、24の環境にまたがる60,096個のトラジェクトリだ。
論文 参考訳（メタデータ） (2023-08-24T17:41:20Z) - On-Robot Bayesian Reinforcement Learning for POMDPs [16.667924736270415]
本稿では,ロボット工学におけるベイズ強化学習を,物理システムのための特殊フレームワークの提案により進める。
この知識を因子表現で捉え、後続の分解を同様の形で示し、最終的にベイズ的枠組みでモデルを定式化する。
次に,モンテカルロ木探索と粒子フィルタリングに基づくサンプルベースオンライン解法を提案する。
論文 参考訳（メタデータ） (2023-07-22T01:16:29Z) - 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) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - 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) - Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。
このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文 参考訳（メタデータ） (2021-10-24T22:33:52Z) - GI-NNet \& RGI-NNet: Development of Robotic Grasp Pose Models, Trainable
with Large as well as Limited Labelled Training Datasets, under supervised
and semi supervised paradigms [0.0]
私たちは、ロボットが適切な把握を素早く生成し実行することを学ぶのを助けるために、ディープラーニング技術を使用します。
我々は、見えない物体だけでなく、見えない物体にも対足ロボットの把握を生成できるジェネレーティブ・インセプション・ニューラル・ニューラルネットワーク(GI-NNet)モデルを開発した。
論文 参考訳（メタデータ） (2021-07-15T16:55:49Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Scalable Multi-Task Imitation Learning with Autonomous Improvement [159.9406205002599]
我々は、自律的なデータ収集を通じて継続的に改善できる模倣学習システムを構築している。
我々は、ロボット自身の試行を、実際に試みたタスク以外のタスクのデモとして活用する。
従来の模倣学習のアプローチとは対照的に,本手法は,継続的改善のための疎い監視によるデータ収集を自律的に行うことができる。
論文 参考訳（メタデータ） (2020-02-25T18:56:42Z) - Robotic Grasp Manipulation Using Evolutionary Computing and Deep
Reinforcement Learning [0.0]
人間は、何年にもわたって学習しているので、物体をつかむために操作する方法をすぐに知っています。
本稿では,課題を位置学習と向き学習の両方に分解することで,学習に基づくポーズ推定を開発することの課題を取り上げている。
提案したアーキテクチャとアルゴリズムに基づいて、ロボットは通常の形状の剛体物体をすべて把握することができる。
論文 参考訳（メタデータ） (2020-01-15T17:23:55Z)
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。