論文の概要: Learning A Simulation-based Visual Policy for Real-world Peg In Unseen Holes

• arxiv url: http://arxiv.org/abs/2205.04297v1
• Date: Mon, 9 May 2022 14:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 16:50:30.545470
• Title: Learning A Simulation-based Visual Policy for Real-world Peg In Unseen Holes
• Title（参考訳）: 実世界pegの非知覚穴におけるシミュレーションに基づく視覚政策の学習
• Authors: Liang Xie, Hongxiang Yu, Kechun Xu, Tong Yang, Minhang Wang, Haojian Lu, Rong Xiong, Yue Wang
• Abstract要約: 本稿では,学習型ビジュアルペグ・イン・ホールを提案する。 シミュレーションにおけるいくつかの形状のトレーニングを可能にし、最小のsim-to-realコストで現実世界の任意の見えない形状に適応する。
• 参考スコア（独自算出の注目度）: 17.733997883206424
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper proposes a learning-based visual peg-in-hole that enables training with several shapes in simulation, and adapting to arbitrary unseen shapes in real world with minimal sim-to-real cost. The core idea is to decouple the generalization of the sensory-motor policy to the design of a fast-adaptable perception module and a simulated generic policy module. The framework consists of a segmentation network (SN), a virtual sensor network (VSN), and a controller network (CN). Concretely, the VSN is trained to measure the pose of the unseen shape from a segmented image. After that, given the shape-agnostic pose measurement, the CN is trained to achieve generic peg-in-hole. Finally, when applying to real unseen holes, we only have to fine-tune the SN required by the simulated VSN+CN. To further minimize the transfer cost, we propose to automatically collect and annotate the data for the SN after one-minute human teaching. Simulated and real-world results are presented under the configurations of eye-to/in-hand. An electric vehicle charging system with the proposed policy inside achieves a 10/10 success rate in 2-3s, using only hundreds of auto-labeled samples for the SN transfer.
• Abstract（参考訳）: 本稿では,シミュレーションにおける複数の形状のトレーニングを可能とし,シミュレーションコストを最小限に抑えながら実世界の任意の形に適応できる学習型ビジュアルペグ・イン・ホールを提案する。 中心となる考え方は、感覚運動のポリシーの一般化を、高速適応型認識モジュールとシミュレートされた汎用ポリシーモジュールの設計に分離することである。 このフレームワークはセグメンテーションネットワーク(SN)、仮想センサーネットワーク(VSN)、コントローラネットワーク(CN)で構成されている。 具体的には、VSNは、セグメント画像から見えない形状のポーズを測定するために訓練される。 その後、形状非依存なポーズ測定により、cnは一般的なpeg-in-holeを達成するように訓練される。 最後に、実際の見えない穴に適用する場合、シミュレーションVSN+CNで必要とされるSNを微調整するだけでよい。 転送コストをさらに最小化するために,1分間の人間教育後にSNのデータを自動的に収集・注釈する手法を提案する。 実世界および実世界のシミュレーション結果は、目/目/手の設定の下で提示される。 提案手法を組み込んだ電気自動車充電システムでは,SN転送において,数百個の自動ラベル付きサンプルを用いて2～3秒で10/10の成功率を達成する。

関連論文リスト

• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Fine Structure-Aware Sampling: A New Sampling Training Scheme for Pixel-Aligned Implicit Models in Single-View Human Reconstruction [98.30014795224432]
  本研究では,単一視点の人物再構成のための暗黙的画素アライメントモデルをトレーニングするために,FSS(Final Structured-Aware Sampling)を導入する。 FSSは表面の厚さと複雑さに積極的に適応する。 また、画素アライメント型暗黙的モデルのためのメッシュ厚み損失信号を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:26:46Z)
• Training Deep 3D Convolutional Neural Networks to Extract BSM Physics Parameters Directly from HEP Data: a Proof-of-Concept Study Using Monte Carlo Simulations [0.0]
  角分布とキネマティック分布を「準像」に変換する単純だが斬新なデータ表現を提案する。 概念実証として、34層の残留ニューラルネットワークをトレーニングし、これらの画像を回帰させ、Wilson Coefficient $C_9$ in Monte Carlo Simulations of $B0 rightarrow K*0mu+mu-$ decays(英語版)のWilson Coefficient $C_9$に関する情報を決定する。
  論文  参考訳（メタデータ） (2023-11-21T23:49:51Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
  現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。 本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。 我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
  論文  参考訳（メタデータ） (2022-01-11T20:53:15Z)
• OpeNPDN: A Neural-network-based Framework for Power Delivery Network Synthesis [3.7338875223247436]
  電力配信ネットワーク(PDN)の設計は、非自明で、時間集約的で反復的なタスクである。 この研究は、事前定義されたPDNテンプレートのセットを利用する機械学習ベースの方法論を提案する。
  論文  参考訳（メタデータ） (2021-10-27T05:33:33Z)
• Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
  そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。 提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。 また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
  論文  参考訳（メタデータ） (2021-02-03T09:30:45Z)
• Active Learning for Deep Gaussian Process Surrogates [0.3222802562733786]
  深層ガウス過程(dgps)は機械学習(ml)の予測モデルとしてますます普及している そこで我々はDGPを,応答面が類似した特性を示す計算機シミュレーション実験のサロゲートとして検討する。 我々は,シミュレータコードの高価な評価とDGP推論の3乗コストの軽減を両立させ,設計を逐次構築する。
  論文  参考訳（メタデータ） (2020-12-15T00:09:37Z)

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。