Fugu-MT 論文翻訳(概要): Morphological Wobbling Can Help Robots Learn

論文の概要: Morphological Wobbling Can Help Robots Learn

arxiv url: http://arxiv.org/abs/2205.02811v1
Date: Thu, 5 May 2022 17:41:58 GMT
ステータス: 処理完了
システム内更新日: 2022-05-06 16:00:47.464209
Title: Morphological Wobbling Can Help Robots Learn
Title（参考訳）: ロボットの学習に役立つ形態学
Authors: Fabien C. Y. Benureau and Jun Tani
Abstract要約: 我々は、通常ロボットで固定される質量、アクチュエータ強度、サイズなどの量について検討する。シミュレーションされた2次元ソフトロボットの学習過程の開始時にこれらの量が振動すると,タスクの性能が大幅に向上することを示した。
参考スコア（独自算出の注目度）: 5.000272778136268
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose to make the physical characteristics of a robot oscillate while it learns to improve its behavioral performance. We consider quantities such as mass, actuator strength, and size that are usually fixed in a robot, and show that when those quantities oscillate at the beginning of the learning process on a simulated 2D soft robot, the performance on a locomotion task can be significantly improved. We investigate the dynamics of the phenomenon and conclude that in our case, surprisingly, a high-frequency oscillation with a large amplitude for a large portion of the learning duration leads to the highest performance benefits. Furthermore, we show that morphological wobbling significantly increases exploration of the search space.
Abstract（参考訳）: ロボットの身体特性を振動させ,その動作性能を向上させることを提案する。ロボットでは通常固定される質量、アクチュエータ強度、大きさなどの量について検討し、シミュレーションされた2Dソフトロボットで学習プロセスの開始時にそれらの量が振動すると、移動タスクの性能が大幅に向上することを示す。本研究は,この現象のダイナミクスを調査し,本事例では,学習時間の大部分に振幅が大きい高周波振動が最高性能の利点をもたらすと結論づける。さらに,形態的ウォブリングが探索空間の探索を著しく増加させることを示す。

関連論文リスト

Causal Reinforcement Learning for Optimisation of Robot Dynamics in Unknown Environments [4.494898338391223]
本研究は,ロボット操作の高度化に向けた新しい因果強化学習手法を導入する。提案する機械学習アーキテクチャにより,ロボットは物体の視覚的特徴間の因果関係を学習することができる。
論文参考訳（メタデータ） (2024-09-20T11:40:51Z)
Innate Motivation for Robot Swarms by Minimizing Surprise: From Simple Simulations to Real-World Experiments [6.21540494241516]
大規模モバイルマルチロボットシステムは、堅牢性とスケーラビリティの可能性が高いため、モノリシックロボットよりも有益である。マルチロボットシステムのためのコントローラの開発は、対話の多さが予測し難く、モデル化が難しいため、難しい。本質的にモチベーションは報酬の特定の定式化を避け、好奇心などの異なるドライバで作業しようとする。 Swarmのロボットケースのユニークな利点は、Swarmのメンバーがロボットの環境に飛び込み、自己参照ループでより活発な行動を引き起こすことができることである。
論文参考訳（メタデータ） (2024-05-04T06:25:58Z)
Unsupervised Learning of Effective Actions in Robotics [0.9374652839580183]
ロボット工学における現在の最先端のアクション表現は、ロボットのアクションに対する適切な効果駆動学習を欠いている。連続運動空間の離散化と「アクションプロトタイプ」生成のための教師なしアルゴリズムを提案する。シミュレーションされた階段登上補強学習課題について,本手法の評価を行った。
論文参考訳（メタデータ） (2024-04-03T13:28:52Z)
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)
Robotic Arm Manipulation to Perform Rock Skipping in Simulation [0.0]
このプロジェクトの目的は、ロボットマニピュレーションで学んだ教訓を活用して、ロックスキップをロボット環境に持ち込むことだ。具体的には、ロボットアームと動的環境からなるシステムを実装し、シミュレーションでロックスキップを行う。
論文参考訳（メタデータ） (2023-10-23T01:55:43Z)
Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
論文参考訳（メタデータ） (2023-10-06T20:48:43Z)
Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文参考訳（メタデータ） (2023-06-16T17:58:10Z)
Learning with Muscles: Benefits for Data-Efficiency and Robustness in Anthropomorphic Tasks [13.545245521356218]
人間は、さまざまな動作において、堅牢性、汎用性、新しいタスクの学習という点でロボットより優れています。我々は、高非線形筋力は、学習に好適な固有の安定性を提供する上で大きな役割を果たすと仮定する。
論文参考訳（メタデータ） (2022-07-08T15:16:38Z)
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)
Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文参考訳（メタデータ） (2021-09-19T18:00:51Z)
SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文参考訳（メタデータ） (2020-03-19T00:11:34Z)

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。