Fugu-MT 論文翻訳(概要): Feature Disentanglement of Robot Trajectories

論文の概要: Feature Disentanglement of Robot Trajectories

arxiv url: http://arxiv.org/abs/2112.03164v1
Date: Mon, 6 Dec 2021 16:52:55 GMT
ステータス: 処理完了
システム内更新日: 2021-12-07 23:15:26.433424
Title: Feature Disentanglement of Robot Trajectories
Title（参考訳）: ロボット軌跡の特徴的絡み合い
Authors: Matias Valdenegro-Toro, Daniel Harnack, Hendrik W\"ohrle
Abstract要約: 分散表現学習は教師なし学習の進歩を約束するが、ロボット生成軌道では評価されていない。 3DOFロボットアームから生成された100万個のロボット軌跡のデータセット上で,3つの異方性VAEを評価した。このデコリレーションに基づく定式化は,測度,軌道品質,地中真理潜時特徴との相関において最良であることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Modeling trajectories generated by robot joints is complex and required for high level activities like trajectory generation, clustering, and classification. Disentagled representation learning promises advances in unsupervised learning, but they have not been evaluated in robot-generated trajectories. In this paper we evaluate three disentangling VAEs ($\beta$-VAE, Decorr VAE, and a new $\beta$-Decorr VAE) on a dataset of 1M robot trajectories generated from a 3 DoF robot arm. We find that the decorrelation-based formulations perform the best in terms of disentangling metrics, trajectory quality, and correlation with ground truth latent features. We expect that these results increase the use of unsupervised learning in robot control.
Abstract（参考訳）: ロボット関節によって生成された軌道のモデル化は複雑で、軌道生成、クラスタリング、分類などの高レベルな活動に必要である。分散表現学習は教師なし学習の進歩を約束するが、ロボット生成軌道では評価されていない。本稿では,3自由度ロボットアームから生成する1mロボット軌跡のデータセット上で,3つの不一致vae (\beta$-vae, decorr vae, and new $\beta$-decorr vae) を評価する。このデコリレーションに基づく定式化は,測度,軌道品質,地中真理潜時特徴との相関において最良であることがわかった。これらの結果から,ロボット制御における教師なし学習の活用が期待できる。

関連論文リスト

Prognostic Framework for Robotic Manipulators Operating Under Dynamic Task Severities [0.6058427379240697]
ロボットマニピュレータのRemaining Useful Life(RUL)を予測できる予後モデリングフレームワークを提案する。以上の結果から,両艦隊のロボットは高重度タスクを多く扱う場合,RULが短くなることが示唆された。
論文参考訳（メタデータ） (2024-11-30T17:09:18Z)
Robots Pre-train Robots: Manipulation-Centric Robotic Representation from Large-Scale Robot Datasets [24.77850617214567]
本稿では,視覚的特徴と操作タスクの行動や受容といった動的情報の両方を抽出する基礎表現学習フレームワークを提案する。具体的には、DROIDロボットデータセット上で視覚エンコーダを事前訓練し、ロボットの受容状態や動作などの動作関連データを活用する。本研究では,視覚的観察をロボットの主観的状態-動作ダイナミクスと整合させる新しいコントラスト的損失と,事前トレーニング中の行動を予測する行動クローニング(BC)のようなアクター損失と,時間的コントラスト的損失を導入する。
論文参考訳（メタデータ） (2024-10-29T17:58:13Z)
IRASim: Learning Interactive Real-Robot Action Simulators [24.591694756757278]
本稿では,ロボットアームが与えられた動作軌跡を実行する様子をリアルに映像化するための新しい手法IRASimを提案する。提案手法の有効性を検証するため,3つの実ロボットデータセットに基づいて,新しいベンチマーク IRASim Benchmark を作成する。その結果, IRASimはすべての基準法より優れており, 人的評価に好適であることが示唆された。
論文参考訳（メタデータ） (2024-06-20T17:50:16Z)
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)
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)
Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
論文参考訳（メタデータ） (2022-05-03T17:14:47Z)
Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
論文参考訳（メタデータ） (2022-04-15T08:12:15Z)
Development of a robust cascaded architecture for intelligent robot grasping using limited labelled data [0.0]
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。
論文参考訳（メタデータ） (2021-11-06T11:01:15Z)
Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
論文参考訳（メタデータ） (2021-06-28T03:56:40Z)
Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。