論文の概要: Meta-Learning Regrasping Strategies for Physical-Agnostic Objects
- arxiv url: http://arxiv.org/abs/2205.11110v1
- Date: Mon, 23 May 2022 07:58:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 14:10:53.277088
- Title: Meta-Learning Regrasping Strategies for Physical-Agnostic Objects
- Title(参考訳): 物理非依存物体のメタラーニング規則
- Authors: Ruijie Chen, Ning Gao, Ngo Anh Vien, Hanna Ziesche, Gerhard Neumann
- Abstract要約: 本稿では,視覚に基づくメタ学習アルゴリズムを提案する。
我々は,DexNet-2.0上に条件付きニューラルネットワーク(CNP)を導入し,物理埋め込みを高速に学習する。
我々のモデルはオリジナルのDexNet-2.0より優れており、異なる形状の未確認オブジェクトを一般化することができる。
- 参考スコア(独自算出の注目度): 17.09361699231931
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Grasping inhomogeneous objects, practical use in real-world applications,
remains a challenging task due to the unknown physical properties such as mass
distribution and coefficient of friction. In this study, we propose a
vision-based meta-learning algorithm to learn physical properties in an
agnostic way. In particular, we employ Conditional Neural Processes (CNPs) on
top of DexNet-2.0. CNPs learn physical embeddings rapidly from a few
observations where each observation is composed of i) the cropped depth image,
ii) the grasping height between the gripper and estimated grasping point, and
iii) the binary grasping result. Our modified conditional DexNet-2.0
(DexNet-CNP) updates the predicted grasping quality iteratively from new
observations, which can be executed in an online fashion. We evaluate our
method in the Pybullet simulator using various shape primitive objects with
different physical parameters. The results show that our model outperforms the
original DexNet-2.0 and is able to generalize on unseen objects with different
shapes.
- Abstract(参考訳): 現実の応用で実用化されている非均質な物体をグラッピングすることは、質量分布や摩擦係数のような未知の物理的性質のために難しい課題である。
本研究では,視覚に基づくメタ学習アルゴリズムを提案する。
特に、DexNet-2.0上に条件付きニューラルネットワーク(CNP)を採用。
CNPは、各観測が構成されているいくつかの観測から、物理埋め込みを迅速に学習する
一 収穫深度画像
二 グリッパーと推定把持点との間の把持高さ
三 二の把握結果
我々の修正条件であるDexNet-2.0 (DexNet-CNP) は、新しい観測結果から予測された把握品質を反復的に更新する。
本手法は,物理パラメータの異なる形状原始オブジェクトを用いてpybulletシミュレータで評価する。
結果は,本モデルがオリジナルのDexNet-2.0より優れており,異なる形状のオブジェクトに対して一般化可能であることを示す。
関連論文リスト
- MBDS: A Multi-Body Dynamics Simulation Dataset for Graph Networks Simulators [4.5353840616537555]
物理現象をモデル化する主要な手法として,グラフネットワークシミュレータ (GNS) が登場している。
我々は,1D,2D,3Dシーンを含む高品質な物理シミュレーションデータセットを構築した。
私たちのデータセットの重要な特徴は、物理世界のより現実的なシミュレーションを促進する、正確な多体ダイナミクスを取り入れることである。
論文 参考訳(メタデータ) (2024-10-04T03:03:06Z) - GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。
物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。
本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。
抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
論文 参考訳(メタデータ) (2024-06-21T07:37:17Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳(メタデータ) (2023-10-11T05:34:36Z) - EGraFFBench: Evaluation of Equivariant Graph Neural Network Force Fields
for Atomistic Simulations [18.864836264183467]
等変グラフニューラルネットワーク力場(EGraFF)は、原子系の複雑な相互作用をモデル化する上で大きな可能性を示している。
この研究は、原子シミュレーションの文脈で機械学習力場を評価するための厳密な枠組みを確立する。
論文 参考訳(メタデータ) (2023-10-03T20:49:00Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳(メタデータ) (2023-06-20T09:46:01Z) - Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳(メタデータ) (2023-01-11T18:17:10Z) - Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。
我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文 参考訳(メタデータ) (2022-09-29T15:24:47Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - Attribute Descent: Simulating Object-Centric Datasets on the Content
Level and Beyond [17.949962340691673]
合成と現実の間には、コンテンツレベルと外観レベルを含む2段階のドメインギャップが存在する。
本稿では,エンジン属性を自動的に最適化し,実世界のデータに近い合成データを実現する属性降下手法を提案する。
画像分類とオブジェクト再同定の実験により、適応された合成データが3つのシナリオで効果的に利用できることを確認した。
論文 参考訳(メタデータ) (2022-02-28T18:58:05Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳(メタデータ) (2020-02-21T16:44:28Z)
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。