Fugu-MT 論文翻訳(概要): Comparing lifetime learning methods for morphologically evolving robots

論文の概要: Comparing lifetime learning methods for morphologically evolving robots

arxiv url: http://arxiv.org/abs/2203.03967v1
Date: Tue, 8 Mar 2022 09:49:56 GMT
ステータス: 処理完了
システム内更新日: 2023-02-22 20:03:22.701744
Title: Comparing lifetime learning methods for morphologically evolving robots
Title（参考訳）: 形態的進化型ロボットの生涯学習法の比較
Authors: Fuda van Diggelen, Eliseo Ferrante, A.E. Eiben
Abstract要約: ロボットの形態やコントローラーの進化は同時に問題を引き起こす。親が健康な体と脳を持っているとしても、組み換えによってこのマッチを破り、子孫に脳のミスマッチを引き起こす可能性がある。我々は、新生児ロボットが、出生後すぐに遺伝した脳を最適化する学習プロセスを実行することで、これを緩和できると主張している。
参考スコア（独自算出の注目度）: 3.6095388702618414
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Evolving morphologies and controllers of robots simultaneously leads to a problem: Even if the parents have well-matching bodies and brains, the stochastic recombination can break this match and cause a body-brain mismatch in their offspring. We argue that this can be mitigated by having newborn robots perform a learning process that optimizes their inherited brain quickly after birth. We compare three different algorithms for doing this. To this end, we consider three algorithmic properties, efficiency, efficacy, and the sensitivity to differences in the morphologies of the robots that run the learning process.
Abstract（参考訳）: 進化するロボットの形態学と制御器は同時に問題を引き起こします。親がよくマッチした体と脳を持っているとしても、確率的な再結合はマッチを壊し、子孫に体脳のミスマッチを引き起こす可能性があるのです。我々は、新生児ロボットが、出生後すぐに遺伝した脳を最適化する学習プロセスを実行することで、これを緩和できると主張している。これを3つの異なるアルゴリズムで比較する。そこで本研究では, 学習過程を行うロボットの形状の違いに対する, 効率, 有効性, 感度の3つのアルゴリズム特性について考察する。

関連論文リスト

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)
Evolution and learning in differentiable robots [0.0]
我々は、異なるシミュレーションを用いて、多数の候補体計画において、行動の個々の神経制御を迅速かつ同時に最適化する。個体群における各ロボットの機械的構造の変化は,探索の外ループに遺伝的アルゴリズムを適用した。シミュレーションで発見された非常に微分可能な形態の1つは、物理ロボットとして実現され、その最適化された振る舞いを維持できた。
論文参考訳（メタデータ） (2024-05-23T15:45:43Z)
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)
Universal Morphology Control via Contextual Modulation [52.742056836818136]
異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
論文参考訳（メタデータ） (2023-02-22T00:04:12Z)
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)
The Effects of Learning in Morphologically Evolving Robot Systems [8.627180519837657]
学習はタスクのパフォーマンスを大幅に向上させ、特定のフィットネスレベルに達するために必要な世代数を削減できることを示す。学習はコントローラにのみ直接影響を与えるが、進化した形態も異なることを実証する。進化過程を通じて、遺伝と学習した脳のパフォーマンス差である学習デルタが成長しているのを観察する。
論文参考訳（メタデータ） (2021-11-18T18:20:33Z)
The Effects of Learning in Morphologically Evolving Robot Systems [10.592277756185046]
モジュール型ロボットは、組換えと突然変異によって両親の身体を継承する子孫を生成できるシステムを構築した。第1のアプローチは、ロボットの子供の脳が親から受け継がれていることを意味する進化のみを含む。第2のアプローチは進化と学習であり、これは子供の脳も継承されることを意味するが、さらに学習アルゴリズムによって開発される。
論文参考訳（メタデータ） (2021-07-17T14:38:26Z)
The Dynamic of Body and Brain Co-Evolution [0.0]
本稿では,ロボットの身体と制御特性の共進化を可能にする手法を提案する。ロボットの形態的特性を手作業で設計した形態的バプランに適応させたり、形態的バプランを進化させたりすることができる。以上の結果から,共適応体と制御特性を持つロボットは,手作り形態が固定されたロボットよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2020-11-23T14:41:57Z)
Hierarchical Affordance Discovery using Intrinsic Motivation [69.9674326582747]
本研究では,移動ロボットの価格学習を支援するために,本質的なモチベーションを用いたアルゴリズムを提案する。このアルゴリズムは、事前にプログラムされたアクションなしで、相互に関連のある価格を自律的に発見し、学習し、適応することができる。一度学習すると、これらの余裕はアルゴリズムによって様々な困難を伴うタスクを実行するために一連のアクションを計画するために使われる。
論文参考訳（メタデータ） (2020-09-23T07:18:21Z)
A Developmental Neuro-Robotics Approach for Boosting the Recognition of Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文参考訳（メタデータ） (2020-03-23T14:55:00Z)
Learning Directed Locomotion in Modular Robots with Evolvable Morphologies [11.006321791711175]
この研究は、形態学とコントローラの両方が進化する進化ロボットシステムに対する我々の関心に基づいている。このようなシステムでは、新生児ロボットは、両親の身体のランダムな組み合わせである自身の身体を制御することを学ばなければならない。
論文参考訳（メタデータ） (2020-01-21T23:01:00Z)

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。