論文の概要: Tiny Robot Learning: Challenges and Directions for Machine Learning in
Resource-Constrained Robots
- arxiv url: http://arxiv.org/abs/2205.05748v1
- Date: Wed, 11 May 2022 19:36:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:19:29.012731
- Title: Tiny Robot Learning: Challenges and Directions for Machine Learning in
Resource-Constrained Robots
- Title(参考訳): Tiny Robot Learning:資源制約型ロボットにおける機械学習の課題と方向性
- Authors: Sabrina M. Neuman, Brian Plancher, Bardienus P. Duisterhof, Srivatsan
Krishnan, Colby Banbury, Mark Mazumder, Shvetank Prakash, Jason Jabbour,
Aleksandra Faust, Guido C.H.E. de Croon, and Vijay Janapa Reddi
- Abstract要約: 機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。
ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。
小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。
本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
- 参考スコア(独自算出の注目度): 57.27442333662654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) has become a pervasive tool across computing systems.
An emerging application that stress-tests the challenges of ML system design is
tiny robot learning, the deployment of ML on resource-constrained low-cost
autonomous robots. Tiny robot learning lies at the intersection of embedded
systems, robotics, and ML, compounding the challenges of these domains. Tiny
robot learning is subject to challenges from size, weight, area, and power
(SWAP) constraints; sensor, actuator, and compute hardware limitations;
end-to-end system tradeoffs; and a large diversity of possible deployment
scenarios. Tiny robot learning requires ML models to be designed with these
challenges in mind, providing a crucible that reveals the necessity of holistic
ML system design and automated end-to-end design tools for agile development.
This paper gives a brief survey of the tiny robot learning space, elaborates on
key challenges, and proposes promising opportunities for future work in ML
system design.
- Abstract(参考訳): 機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。
MLシステム設計の課題をストレステストする新たなアプリケーションは、リソースに制約された低コストの自律ロボットにMLをデプロイする、小さなロボット学習である。
ロボット学習は組み込みシステム、ロボット工学、MLの交差点にあり、これらの領域の課題を複雑にしている。
小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約、センサー、アクチュエータ、計算ハードウェアの制限、エンドツーエンドのシステムトレードオフ、デプロイメントシナリオの多様化といった課題に直面する。
簡潔なロボット学習は、これらの課題を念頭に設計するMLモデルを必要とし、総合的なMLシステム設計とアジャイル開発のための自動エンドツーエンド設計ツールの必要性を明らかにするための十字架を提供する。
本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
関連論文リスト
- RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳(メタデータ) (2024-02-22T15:12:00Z) - Large Language Models for Robotics: A Survey [40.76581696885846]
大規模言語モデル(LLM)は自然言語の処理と生成能力を有しており、ロボットとの効率的な対話と協調を促進する。
本レビューは,ロボット制御,知覚,意思決定,経路計画といった重要な領域に対する,ロボット工学におけるLLMの応用と貢献を要約することを目的としている。
論文 参考訳(メタデータ) (2023-11-13T10:46:35Z) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning
via Generative Simulation [64.51563634951394]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳(メタデータ) (2023-11-02T17:59:21Z) - GRID: A Platform for General Robot Intelligence Development [22.031523876249484]
汎用ロボットインテリジェンス開発(GRID)のための新しいプラットフォームを提案する。
このプラットフォームにより、ロボットは物理的な能力、環境制約、目標にスキルを学習し、構成し、適応することができる。
GRIDは、新しいタイプのロボット、車両、ハードウェアプラットフォーム、ソフトウェアプロトコルに対応するように設計されている。
論文 参考訳(メタデータ) (2023-10-02T04:09:27Z) - Prompt a Robot to Walk with Large Language Models [19.89815242751014]
巨大な言語モデル(LLM)は、大規模なインターネットスケールのデータで事前訓練されている。
物理的環境から収集した数発のプロンプトを使用する新しいパラダイムを導入する。
様々なロボットと環境をまたいだ実験により、我々の手法がロボットに歩行を効果的に促すことが検証された。
論文 参考訳(メタデータ) (2023-09-18T17:50:17Z) - WALL-E: Embodied Robotic WAiter Load Lifting with Large Language Model [92.90127398282209]
本稿では,最新のLarge Language Models(LLM)と既存のビジュアルグラウンドとロボットグルーピングシステムを統合する可能性について検討する。
本稿では,この統合の例としてWALL-E (Embodied Robotic WAiter load lifting with Large Language model)を紹介する。
我々は,このLCMを利用したシステムを物理ロボットに展開し,よりユーザフレンドリなインタフェースで指導誘導型把握タスクを実現する。
論文 参考訳(メタデータ) (2023-08-30T11:35:21Z) - MLCopilot: Unleashing the Power of Large Language Models in Solving
Machine Learning Tasks [31.733088105662876]
我々は、新しいフレームワークを導入することで、機械学習と人間の知識のギャップを埋めることを目指している。
本稿では、構造化された入力を理解するためのLLMの能力を拡張し、新しいMLタスクを解くための徹底的な推論を行う可能性を示す。
論文 参考訳(メタデータ) (2023-04-28T17:03:57Z) - What Matters in Language Conditioned Robotic Imitation Learning [26.92329260907805]
オフラインのフリーフォーム模倣データセットから言語条件付きポリシーを学習する際の最も重要な課題について検討する。
本稿では,CALVINベンチマークを用いて,言語条件の難易度を向上する手法を提案する。
論文 参考訳(メタデータ) (2022-04-13T08:45:32Z) - Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic
Platforms [60.59764170868101]
強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。
私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。
我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
論文 参考訳(メタデータ) (2021-03-05T14:16:20Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
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。
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。