論文の概要: Benchmarking Robot Manipulation with the Rubik's Cube
- arxiv url: http://arxiv.org/abs/2202.07074v1
- Date: Mon, 14 Feb 2022 22:34:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 15:53:09.921937
- Title: Benchmarking Robot Manipulation with the Rubik's Cube
- Title（参考訳）: ルービックキューブを使ったロボット操作のベンチマーク
- Authors: Boling Yang, Patrick E. Lancaster, Siddhartha S. Srinivasa, Joshua R.
Smith
- Abstract要約: 高精度な操作とシーケンシャルな操作を同時に行うためのベンチマークとして,Rubikの立方体演算を提案する。
本稿では,ルービックキューブ操作の精度と速度を定量的に測定するプロトコルを提案する。
本稿では,PR2ロボット上での2つの異なるベースラインアプローチについて,このプロトコルを実証する。
- 参考スコア（独自算出の注目度）: 15.922643222904172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Benchmarks for robot manipulation are crucial to measuring progress in the
field, yet there are few benchmarks that demonstrate critical manipulation
skills, possess standardized metrics, and can be attempted by a wide array of
robot platforms. To address a lack of such benchmarks, we propose Rubik's cube
manipulation as a benchmark to measure simultaneous performance of precise
manipulation and sequential manipulation. The sub-structure of the Rubik's cube
demands precise positioning of the robot's end effectors, while its highly
reconfigurable nature enables tasks that require the robot to manage pose
uncertainty throughout long sequences of actions. We present a protocol for
quantitatively measuring both the accuracy and speed of Rubik's cube
manipulation. This protocol can be attempted by any general-purpose
manipulator, and only requires a standard 3x3 Rubik's cube and a flat surface
upon which the Rubik's cube initially rests (e.g. a table). We demonstrate this
protocol for two distinct baseline approaches on a PR2 robot. The first
baseline provides a fundamental approach for pose-based Rubik's cube
manipulation. The second baseline demonstrates the benchmark's ability to
quantify improved performance by the system, particularly that resulting from
the integration of pre-touch sensing. To demonstrate the benchmark's
applicability to other robot platforms and algorithmic approaches, we present
the functional blocks required to enable the HERB robot to manipulate the
Rubik's cube via push-grasping.
- Abstract（参考訳）: ロボット操作のベンチマークはこの分野の進歩を測定するのに不可欠であるが、重要な操作スキルを示し、標準化されたメトリクスを持ち、様々なロボットプラットフォームで試すことができるベンチマークは少ない。
このようなベンチマークの欠如に対処するために,我々はルービックキューブ操作を,精密操作とシーケンシャル操作を同時に測定するベンチマークとして提案する。
ルービックキューブのサブ構造は、ロボットのエンドエフェクターの正確な位置決めを要求するが、その高度に再構成可能な性質は、ロボットに長いアクションの連続を通して不確実性を管理することを要求するタスクを可能にする。
本稿では,ルービックキューブ操作の精度と速度を定量的に測定するプロトコルを提案する。
このプロトコルは汎用マニピュレータで試すことができ、標準の3x3ルービックキューブと、ルービックキューブが最初に静止する平らな面(例えばテーブル)のみを必要とする。
このプロトコルをpr2ロボット上で2つの異なるベースラインアプローチで実証する。
最初のベースラインは、ポーズベースのルービックキューブ操作の基本的なアプローチを提供する。
第2のベースラインは、システムによるパフォーマンス向上、特にタッチ前のセンシングの統合による結果の定量化が可能なベンチマークの能力を示している。
ベンチマークが他のロボットプラットフォームやアルゴリズムアプローチに適用可能であることを示すため、HERBロボットがプッシュグラスピングによりルービックキューブを操作するのに必要な機能ブロックを提示する。
関連論文リスト
- Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction [51.49400490437258]
本研究は,1つの単分子RGB人間の実演から音声による物体操作を模倣する手法を開発した。
まず,モノクロ映像から3次元部分運動を復元する4次元微分可能部品モデル(4D-DPM)を提案する。
この4D再構成を前提として、ロボットは物体の軌道を再現し、両腕の動きを計画し、実証された物体部分の動きを誘導する。
両用するYuMiロボットを用いて,4D-DPMの3D追跡精度を実写3D部分軌跡に基づいて評価し,9つのオブジェクトに対してRSRDの物理的実行性能を評価した。
論文 参考訳（メタデータ） (2024-09-26T17:57:16Z) - Hand-Object Interaction Pretraining from Videos [77.92637809322231]
我々は,3次元ハンドオブジェクトインタラクショントラジェクトリから,一般的なロボット操作を学習する。
人間の手と操作された物体を3D空間で共有し、人間の動きをロボットの動きと共有する。
我々は、このポリシーを、強化学習(RL)と行動クローニング(BC)の両方で微調整することで、下流タスクへのサンプル効率の適応を可能にし、従来のアプローチと比較して堅牢性と一般化性を同時に改善できることを実証的に実証した。
論文 参考訳（メタデータ） (2024-09-12T17:59:07Z) - Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。
本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。
GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文 参考訳（メタデータ） (2024-07-22T06:12:21Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳（メタデータ） (2024-05-02T17:56:55Z) - Silver-Bullet-3D at ManiSkill 2021: Learning-from-Demonstrations and
Heuristic Rule-based Methods for Object Manipulation [118.27432851053335]
本稿では,SAPIEN ManiSkill Challenge 2021: No Interaction Trackにおいて,以下の2つのトラックを対象としたシステムの概要と比較分析を行った。
No Interactionは、事前に収集された実証軌道からの学習ポリシーのターゲットを追跡する。
このトラックでは,タスクを一連のサブタスクに分解することで,高品質なオブジェクト操作をトリガするHuristic Rule-based Method (HRM) を設計する。
各サブタスクに対して、ロボットアームに適用可能なアクションを予測するために、単純なルールベースの制御戦略が採用されている。
論文 参考訳（メタデータ） (2022-06-13T16:20:42Z) - Memory-based gaze prediction in deep imitation learning for robot
manipulation [2.857551605623957]
提案アルゴリズムは、逐次データに基づく視線推定にTransformerベースの自己アテンションアーキテクチャを用いてメモリを実装している。
提案手法は,従来の状態の記憶を必要とする実ロボット多目的操作タスクを用いて評価した。
論文 参考訳（メタデータ） (2022-02-10T07:30:08Z) - CubeTR: Learning to Solve The Rubiks Cube Using Transformers [0.0]
ルービックス立方体は、可能な構成の五重項に対して単一の解状態を持ち、非常にスパースな報酬をもたらす。
提案モデルであるCubeTRは、より長いアクションシーケンスに参加し、スパース報酬の問題に対処する。
論文 参考訳（メタデータ） (2021-11-11T03:17:28Z) - Real Robot Challenge using Deep Reinforcement Learning [6.332038240397164]
本稿では,2021年リアルロボットチャレンジの第1フェーズの優勝を詳述する。
課題は、3本指のロボットが特定の目標軌道に沿って立方体を運ばなければならないことだ。
我々は、ロボットシステムの知識を最小限にする必要のある、純粋な強化学習アプローチを使用している。
論文 参考訳（メタデータ） (2021-09-30T16:12:17Z) - Learning Language-Conditioned Robot Behavior from Offline Data and
Crowd-Sourced Annotation [80.29069988090912]
本研究では,ロボットインタラクションの大規模なオフラインデータセットから視覚に基づく操作タスクを学習する問題について検討する。
クラウドソースの自然言語ラベルを用いたオフラインロボットデータセットの活用を提案する。
提案手法は目標画像仕様と言語条件付き模倣技術の両方を25%以上上回っていることがわかった。
論文 参考訳（メタデータ） (2021-09-02T17:42:13Z) - In-air Knotting of Rope using Dual-Arm Robot based on Deep Learning [8.365690203298966]
深層学習に基づく双腕二本指ロボットを用いて,ロープの空中結節を成功させた。
全ての対象状態に対応する適切なロボット動作のマニュアル記述を事前に作成することは困難である。
そこで我々は,ロボットに2つの深層ニューラルネットワークを訓練し,そのセンサモデレータから収集したデータに基づいてボクノットとオーバーハンドノットを行うよう指示するモデルを構築した。
論文 参考訳（メタデータ） (2021-03-17T02:11:58Z)
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。