論文の概要: Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots

• arxiv url: http://arxiv.org/abs/2201.09863v1
• Date: Mon, 24 Jan 2022 18:39:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 18:01:43.184639
• Title: Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots
• Title（参考訳）: evolution gym:ソフトロボットの進化のための大規模ベンチマーク
• Authors: Jagdeep Singh Bhatia, Holly Jackson, Yunsheng Tian, Jie Xu, Wojciech Matusik
• Abstract要約: ソフトロボットの設計と制御を最適化する最初の大規模ベンチマークであるEvolution Gymを提案する。 私たちのベンチマーク環境は、様々な種類の地形の移動や操作など、幅広いタスクにまたがっています。 我々は,最先端設計最適化手法と深層強化学習手法を組み合わせることで,複数のロボット共進化アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 29.02903745467536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Both the design and control of a robot play equally important roles in its task performance. However, while optimal control is well studied in the machine learning and robotics community, less attention is placed on finding the optimal robot design. This is mainly because co-optimizing design and control in robotics is characterized as a challenging problem, and more importantly, a comprehensive evaluation benchmark for co-optimization does not exist. In this paper, we propose Evolution Gym, the first large-scale benchmark for co-optimizing the design and control of soft robots. In our benchmark, each robot is composed of different types of voxels (e.g., soft, rigid, actuators), resulting in a modular and expressive robot design space. Our benchmark environments span a wide range of tasks, including locomotion on various types of terrains and manipulation. Furthermore, we develop several robot co-evolution algorithms by combining state-of-the-art design optimization methods and deep reinforcement learning techniques. Evaluating the algorithms on our benchmark platform, we observe robots exhibiting increasingly complex behaviors as evolution progresses, with the best evolved designs solving many of our proposed tasks. Additionally, even though robot designs are evolved autonomously from scratch without prior knowledge, they often grow to resemble existing natural creatures while outperforming hand-designed robots. Nevertheless, all tested algorithms fail to find robots that succeed in our hardest environments. This suggests that more advanced algorithms are required to explore the high-dimensional design space and evolve increasingly intelligent robots -- an area of research in which we hope Evolution Gym will accelerate progress. Our website with code, environments, documentation, and tutorials is available at http://evogym.csail.mit.edu.
• Abstract（参考訳）: ロボットの設計と制御は、タスクパフォーマンスにおいて同様に重要な役割を果たす。 しかしながら、最適制御は機械学習とロボット工学のコミュニティでよく研究されているが、最適なロボット設計を見つけることにはあまり注目されていない。 これは主に、ロボット工学における協調最適化設計と制御が困難な問題として特徴づけられ、さらに重要なことに、協調最適化のための包括的な評価ベンチマークが存在しないためである。 本稿では,ソフトロボットの設計と制御を最適化する最初の大規模ベンチマークであるEvolution Gymを提案する。 我々のベンチマークでは、各ロボットは様々な種類のボクセル(ソフト、剛性、アクチュエータなど)で構成されており、モジュラーで表現力のあるロボット設計空間となる。 私たちのベンチマーク環境は、様々な種類の地形の移動や操作など、幅広いタスクにまたがっています。 さらに,最先端設計最適化手法と深層強化学習手法を組み合わせたロボット共進化アルゴリズムを開発した。 ベンチマークプラットフォームでアルゴリズムを評価することで、ロボットが進化するにつれてますます複雑な行動を示すのを観察し、提案するタスクの多くを最も進化した設計で解決します。 さらに、ロボットのデザインは、事前の知識なしにゼロから自律的に進化するが、しばしば手作りのロボットよりも優れているように成長する。 それでも、テストされたアルゴリズムはすべて、最も難しい環境で成功するロボットを見つけられません。 これは、より高度なアルゴリズムが、高次元の設計空間を探索し、ますますインテリジェントなロボットを発展させるために必要であることを示唆している。 私たちのwebサイトは、コード、環境、ドキュメント、チュートリアルをhttp://evogym.csail.mit.edu.で公開しています。

関連論文リスト

• HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
  そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。 その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T17:45:44Z)
• 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)
• DittoGym: Learning to Control Soft Shape-Shifting Robots [30.287452037945542]
  我々は、その生涯で形態を変えることができるロボットとして定義された、再構成可能な新しいロボットを探索する。 再構成可能なソフトロボットの制御を高次元強化学習(RL)問題として定式化する。 細かな形態変化を必要とするソフトロボットのための総合的なRLベンチマークであるDittoGymを紹介する。
  論文  参考訳（メタデータ） (2024-01-24T05:03:05Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Leveraging Hyperbolic Embeddings for Coarse-to-Fine Robot Design [40.01142267374432]
  マルチセルロボットの設計は、多様なタスクを実行するために効率的に制御できる多数のセルからなるロボットを作ることを目的としている。 これまでの研究では、さまざまなタスクのためのロボットを生成する能力が実証されてきたが、これらのアプローチは、広大なデザイン空間でロボットを直接最適化することが多い。 本稿では,多細胞ロボットを設計するための新しい粗粒化手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:56:32Z)
• Modular Controllers Facilitate the Co-Optimization of Morphology and Control in Soft Robots [0.5076419064097734]
  モジュール型コントローラはロボットのボディプランの変更に対してより堅牢であることを示す。 モジュラーコントローラの同様のボディプランへの移動性の向上は、ソフトロボットのより効果的な脳と身体の協調最適化を可能にする。
  論文  参考訳（メタデータ） (2023-06-12T16:36:46Z)
• Exploring the effects of robotic design on learning and neural control [0.0]
  論文は神経制御装置ではなく ロボット体の開発に焦点を当てています 私は、マルチタスク設定でニューラルネットワークが直面する現在の落とし穴の多くを克服できるように、ロボットを設計できることを発見しました。
  論文  参考訳（メタデータ） (2023-06-06T15:17:34Z)
• SoftZoo: A Soft Robot Co-design Benchmark For Locomotion In Diverse Environments [111.91255476270526]
  我々は,多様な環境下での移動を支援するソフトロボットの共同設計プラットフォームであるSoftZooを紹介する。 SoftZooは、平らな地面、砂漠、湿地、粘土、氷、雪、浅い水、海などの環境をシミュレートする機能など、自然にヒントを得た幅広い素材セットをサポートしている。 それは、高速な移動、アジャイルな回転、パスフォローなど、ソフトロボティクスに関連するさまざまなタスクを提供し、形態学と制御のための微分可能な設計表現を提供する。
  論文  参考訳（メタデータ） (2023-03-16T17:59:50Z)
• GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
  四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練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,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。 我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
  論文  参考訳（メタデータ） (2022-09-12T15:14:32Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)

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。