論文の概要: Adversarial Body Shape Search for Legged Robots

• arxiv url: http://arxiv.org/abs/2205.10187v1
• Date: Fri, 20 May 2022 13:55:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 15:02:50.780483
• Title: Adversarial Body Shape Search for Legged Robots
• Title（参考訳）: 脚型ロボットの逆物体形状探索
• Authors: Takaaki Azakami, Hiroshi Kera, Kazuhiko Kawamoto
• Abstract要約: ロボットの脚の長さと厚みに対する逆襲攻撃の進化的計算法を提案する。 対向体の形状を見つけることで、足歩行の脆弱性を積極的に診断することができる。
• 参考スコア（独自算出の注目度）: 3.480626767752489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose an evolutionary computation method for an adversarial attack on the length and thickness of parts of legged robots by deep reinforcement learning. This attack changes the robot body shape and interferes with walking-we call the attacked body as adversarial body shape. The evolutionary computation method searches adversarial body shape by minimizing the expected cumulative reward earned through walking simulation. To evaluate the effectiveness of the proposed method, we perform experiments with three-legged robots, Walker2d, Ant-v2, and Humanoid-v2 in OpenAI Gym. The experimental results reveal that Walker2d and Ant-v2 are more vulnerable to the attack on the length than the thickness of the body parts, whereas Humanoid-v2 is vulnerable to the attack on both of the length and thickness. We further identify that the adversarial body shapes break left-right symmetry or shift the center of gravity of the legged robots. Finding adversarial body shape can be used to proactively diagnose the vulnerability of legged robot walking.
• Abstract（参考訳）: 深部強化学習による脚付きロボットの部品の長さと厚さに対する対角攻撃の進化的計算法を提案する。 この攻撃はロボットの体形を変えて歩行を妨害し、攻撃された体を敵の体形と呼ぶ。 進化的計算法は,歩行シミュレーションによって得られる期待累積報酬を最小化し,逆体形状を探索する。 提案手法の有効性を評価するため,OpenAI Gymで3脚ロボット,Walker2d,Ant-v2,Humanoid-v2を用いて実験を行った。 実験の結果,walker2dとant-v2は体部の厚みよりも体長に対する攻撃に弱いが,humanoid-v2は体長と厚みの両方に対する攻撃に弱いことが明らかとなった。 さらに,物体形状が左右対称を破ったり,脚型ロボットの重心を移動させたりすることも確認した。 対向体の形状を見つけることで、足歩行の脆弱性を積極的に診断することができる。

関連論文リスト

• 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)
• Kidnapping Deep Learning-based Multirotors using Optimized Flying Adversarial Patches [0.0]
  我々は、複数の画像が少なくとも1つの飛行ロボットに搭載された飛行対向パッチを紹介した。 攻撃ロボットを導入することにより、システムは敵のマルチロボットシステムに拡張される。 提案手法は, 敵パッチ数に比例して拡張可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-01T07:38:31Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)
• Robots with Different Embodiments Can Express and Influence Carefulness in Object Manipulation [104.5440430194206]
  本研究では,2つのロボットによるコミュニケーション意図による物体操作の知覚について検討する。 ロボットの動きを設計し,物体の搬送時に注意を喚起するか否かを判断した。
  論文  参考訳（メタデータ） (2022-08-03T13:26:52Z)
• Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
  エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。 既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。 以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
  論文  参考訳（メタデータ） (2022-07-20T19:49:09Z)
• Adversarial joint attacks on legged robots [3.480626767752489]
  深部強化学習によって訓練された脚付きロボットの関節におけるアクチュエータに対する敵攻撃について検討する。 本研究では,アクチュエータのトルク制御信号に対する逆方向の摂動が,ロボットの報酬を著しく低減し,歩行不安定を生じさせることを示す。
  論文  参考訳（メタデータ） (2022-05-20T11:30:23Z)
• 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)
• Continual Learning from Synthetic Data for a Humanoid Exercise Robot [15.297262564198972]
  実用的なシナリオでは、理学療法士のような専門家が身体運動を行い、ペッパーのようなヒューマノイドロボットの基準として使用し、患者の同じ運動の実行に対するフィードバックを与える。 本稿では,視野の中心に関する翻訳と回転の許容性を実現するアーキテクチャを設計することで,第1の課題に挑戦する。 第2の課題は、GWRがインクリメンタルデータでオンラインで成長できるようにすることです。 評価のために,仮想アバターを用いた新しいエクササイズデータセット「virtual-squat dataset」を作成した。
  論文  参考訳（メタデータ） (2021-02-19T17:05:25Z)
• Fault-Aware Robust Control via Adversarial Reinforcement Learning [35.16413579212691]
  本稿では, 関節損傷症例に対するロボットの脆弱性を大幅に向上させる, 対向強化学習フレームワークを提案する。 我々は,本アルゴリズムを3本指ロボットと4本指ロボットで検証する。 我々のアルゴリズムはシミュレーションでのみ訓練でき、微調整なしで実際のロボットに直接展開できる。
  論文  参考訳（メタデータ） (2020-11-17T16:01:06Z)

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。