Fugu-MT 論文翻訳(概要): Differentiable and Learnable Robot Models

論文の概要: Differentiable and Learnable Robot Models

arxiv url: http://arxiv.org/abs/2202.11217v1
Date: Tue, 22 Feb 2022 22:26:36 GMT
ステータス: 処理完了
システム内更新日: 2022-02-25 05:09:23.545535
Title: Differentiable and Learnable Robot Models
Title（参考訳）: 微分可能・学習可能なロボットモデル
Authors: Franziska Meier and Austin Wang and Giovanni Sutanto and Yixin Lin and Paarth Shah
Abstract要約: 図書館のEmphDifferentiable Robot Modelsは、Pytorchにおけるロボットのキネマティクスと力学の、EmphdifferentiableモデルとEmphlearnableモデルの両方を実装している。
参考スコア（独自算出の注目度）: 6.988699529097697
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Building differentiable simulations of physical processes has recently received an increasing amount of attention. Specifically, some efforts develop differentiable robotic physics engines motivated by the computational benefits of merging rigid body simulations with modern differentiable machine learning libraries. Here, we present a library that focuses on the ability to combine data driven methods with analytical rigid body computations. More concretely, our library \emph{Differentiable Robot Models} implements both \emph{differentiable} and \emph{learnable} models of the kinematics and dynamics of robots in Pytorch. The source-code is available at \url{https://github.com/facebookresearch/differentiable-robot-model}
Abstract（参考訳）: 物理プロセスの微分可能なシミュレーションの構築は、最近注目を集めている。具体的には、剛体シミュレーションと現代の微分可能な機械学習ライブラリの融合による計算上の利点により、微分可能なロボット物理エンジンを開発する。本稿では,データ駆動型手法と解析的剛体計算を組み合わせることに焦点を当てたライブラリを提案する。より具体的には、我々のライブラリである \emph{differentiable robot models} は、pytorch におけるロボットの運動学とダイナミクスの \emph{differentiable} モデルと \emph{learnable} モデルの両方を実装している。ソースコードは \url{https://github.com/facebookresearch/differentiable-robot-model} で入手できる。

関連論文リスト

Knowledge-based Neural Ordinary Differential Equations for Cosserat Rod-based Soft Robots [10.511173252165287]
高空間次元のため,ソフトロボットの力学をモデル化することは困難である。ディープラーニングアルゴリズムは、ソフトロボットのデータ駆動モデリングにおける約束を示している。第一原理物理モデルとニューラル常微分方程式を組み合わせたフレームワークであるKNODE-Cosseratを提案する。
論文参考訳（メタデータ） (2024-08-14T19:07:28Z)
DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
論文参考訳（メタデータ） (2024-05-12T15:38:17Z)
DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文参考訳（メタデータ） (2023-11-28T18:58:48Z)
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)
Full-Body Visual Self-Modeling of Robot Morphologies [29.76701883250049]
身体の内部計算モデルは、ロボットや動物が行動の計画と制御を行う能力の基礎である。完全データ駆動型自己モデリングの最近の進歩により、マシンはタスク非依存の相互作用データから直接フォワードキネマティクスを学習できるようになった。ここでは、フォワードキネマティクスを直接モデル化するのではなく、空間占有クエリに答えることのできる、より有用な自己モデリング形式を提案する。
論文参考訳（メタデータ） (2021-11-11T18:58:07Z)
Robot Learning from Randomized Simulations: A Review [59.992761565399185]
ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
論文参考訳（メタデータ） (2021-11-01T13:55:41Z)
Learning Cross-Domain Correspondence for Control with Dynamics Cycle-Consistency [60.39133304370604]
サイクル一貫性制約を用いて2つのドメインで動的ロボットの挙動を調整することを学ぶ。本フレームワークは,実ロボットアームの無補間単眼映像とシミュレーションアームの動的状態動作軌跡をペアデータなしで一致させることができる。
論文参考訳（メタデータ） (2020-12-17T18:22:25Z)
Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
論文参考訳（メタデータ） (2020-10-11T01:40:03Z)
Encoding Physical Constraints in Differentiable Newton-Euler Algorithm [22.882483860087948]
本研究では,学習パラメータに構造を加えることで,学習に物理的な制約を組み込む。 7自由度ロボットアームを用いたリアルタイム逆ダイナミクス制御タスクの評価を行った。
論文参考訳（メタデータ） (2020-01-24T02:08:09Z)

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。