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
- RLingua: Improving Reinforcement Learning Sample Efficiency in Robotic
Manipulations With Large Language Models [18.198931207983268]
強化学習(Reinforcement Learning, RL)は、様々なタスクを解く能力を示したが、サンプル効率が低いことで悪名高い。
RLinguaは大規模言語モデル(LLM)の内部知識を活用でき、ロボット操作におけるRLの複雑さを軽減できるフレームワークである。
論文 参考訳(メタデータ) (2024-03-11T04:13:26Z) - 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) - High precision control and deep learning-based corn stand counting
algorithms for agricultural robot [8.16286714346538]
本論文では、低コストで超小型な3Dプリントおよび自律フィールドロボットのための高精度制御と深層学習に基づくトウモロコシスタンドカウントアルゴリズムを提案する。
TerraSentiaという名前のこのロボットは、植物の形質を自動測定して表現を効率よくする。
論文 参考訳(メタデータ) (2021-03-21T01:13:38Z) - 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。
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。