Fugu-MT 論文翻訳(概要): TAILOR: Teaching with Active and Incremental Learning for Object Registration

論文の概要: TAILOR: Teaching with Active and Incremental Learning for Object Registration

arxiv url: http://arxiv.org/abs/2205.11692v1
Date: Tue, 24 May 2022 01:14:00 GMT
ステータス: 処理完了
システム内更新日: 2022-05-26 11:42:17.722282
Title: TAILOR: Teaching with Active and Incremental Learning for Object Registration
Title（参考訳）: TAILOR: オブジェクト登録のためのアクティブおよびインクリメンタル学習の指導
Authors: Qianli Xu, Nicolas Gauthier, Wenyu Liang, Fen Fang, Hui Li Tan, Ying Sun, Yan Wu, Liyuan Li, Joo-Hwee Lim
Abstract要約: 本稿では,アクティブかつインクリメンタルな学習を伴うオブジェクト登録のための方法とシステムであるTAILORを提案する。我々は,KUKAロボットを用いた実世界のギアボックス組立作業で使用される新しい物体を自然対話で学習する手法の有効性を実証する。
参考スコア（独自算出の注目度）: 18.941458386996544
License: http://creativecommons.org/licenses/by/4.0/
Abstract: When deploying a robot to a new task, one often has to train it to detect novel objects, which is time-consuming and labor-intensive. We present TAILOR -- a method and system for object registration with active and incremental learning. When instructed by a human teacher to register an object, TAILOR is able to automatically select viewpoints to capture informative images by actively exploring viewpoints, and employs a fast incremental learning algorithm to learn new objects without potential forgetting of previously learned objects. We demonstrate the effectiveness of our method with a KUKA robot to learn novel objects used in a real-world gearbox assembly task through natural interactions.
Abstract（参考訳）: ロボットを新しいタスクにデプロイする際には、時間と労力を要する新しい物体を検出するために、それを訓練する必要があることが多い。本稿では,アクティブかつインクリメンタルな学習を伴うオブジェクト登録システムTAILORを提案する。人間教師がオブジェクトを登録するように指示すると、TAILORは積極的に視点を探索することで情報的画像をキャプチャする視点を自動的に選択でき、学習済みのオブジェクトを忘れることなく新しいオブジェクトを学習するために高速な漸進学習アルゴリズムを使用する。 KUKAロボットを用いた実世界のギアボックス組立作業で使用される新しい物体の自然な相互作用による学習の有効性を実証する。

関連論文リスト

Few-Shot In-Context Imitation Learning via Implicit Graph Alignment [15.215659641228655]
オブジェクトのグラフ表現間の条件付きアライメント問題として模倣学習を定式化する。この条件付けにより、ロボットがデモ直後に新しいオブジェクトのセット上でタスクを実行できる、コンテキスト内学習が可能となることを示す。
論文参考訳（メタデータ） (2023-10-18T18:26:01Z)
Enhancing Robot Learning through Learned Human-Attention Feature Maps [6.724036710994883]
ロボット学習にフォーカスポイントに関する補助情報を埋め込むことで、学習プロセスの効率性と堅牢性が向上すると考えられる。本稿では,人間の注意を近似予測モデルでモデル化し,エミュレートするための新しいアプローチを提案する。我々は,物体検出と模倣学習という2つの学習課題にアプローチを試行する。
論文参考訳（メタデータ） (2023-08-29T14:23:44Z)
Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文参考訳（メタデータ） (2022-11-16T16:26:48Z)
ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文参考訳（メタデータ） (2022-07-27T07:46:23Z)
Continual Learning from Demonstration of Robotics Skills [5.573543601558405]
ロボットに動きのスキルを教える方法は、一度に1つのスキルのトレーニングに集中する。本稿では,ハイパーネットとニューラル常微分方程式解法を用いた実験から連続学習へのアプローチを提案する。
論文参考訳（メタデータ） (2022-02-14T16:26:52Z)
Task-Focused Few-Shot Object Detection for Robot Manipulation [1.8275108630751844]
本研究では,検出のみに基づく操作手法を開発し,タスク中心の少数ショット検出を導入し,新しいオブジェクトや設定を学習する。数ショット学習へのインタラクティブなアプローチの実験では、ロボットに検出からオブジェクトを直接操作するように訓練する(ClickBot)。
論文参考訳（メタデータ） (2022-01-28T21:52:05Z)
Property-Aware Robot Object Manipulation: a Generative Approach [57.70237375696411]
本研究では,操作対象の隠れた特性に適応したロボットの動きを生成する方法に焦点を当てた。本稿では,ジェネレーティブ・アドバイサル・ネットワークを利用して,オブジェクトの特性に忠実な新しいアクションを合成する可能性について検討する。以上の結果から,ジェネレーティブ・アドバイサル・ネットは,新規かつ有意義な輸送行動を生み出すための強力なツールとなる可能性が示唆された。
論文参考訳（メタデータ） (2021-06-08T14:15:36Z)
What Can I Do Here? Learning New Skills by Imagining Visual Affordances [128.65223577406587]
提案手法は,ロボットが可利用性の視覚的表現を学習する上で,どのような結果が得られるかを示す。実際、事前データは、ロボットが不慣れな状況に遭遇したとき、そのモデルから潜在的な結果をサンプリングするように、どのような結果が得られるかを学ぶのに使用される。本稿では, VAL(visuomotor affordance learning)を用いて, 生画像入力で動作する目標条件付きポリシーの学習を行う。
論文参考訳（メタデータ） (2021-06-01T17:58:02Z)
MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
論文参考訳（メタデータ） (2021-04-16T16:38:02Z)
Actionable Models: Unsupervised Offline Reinforcement Learning of Robotic Skills [93.12417203541948]
与えられたデータセットの任意の目標状態に到達するために学習することによって、環境の機能的な理解を学ぶ目的を提案する。提案手法は,高次元カメラ画像上で動作し,これまで見つからなかったシーンやオブジェクトに一般化した実ロボットの様々なスキルを学習することができる。
論文参考訳（メタデータ） (2021-04-15T20:10:11Z)
Tell me what this is: Few-Shot Incremental Object Learning by a Robot [22.387008072671005]
本稿では,ロボットが異なる対象カテゴリを認識できるように,段階的に学習するシステムを提案する。論文は、最近開発された最先端の手法を用いて、オブジェクトを数発インクリメンタルに学習する。
論文参考訳（メタデータ） (2020-07-15T04:42:14Z)

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。