論文の概要: One-shot Learning for Autonomous Aerial Manipulation
- arxiv url: http://arxiv.org/abs/2206.01411v1
- Date: Fri, 3 Jun 2022 06:49:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 01:06:28.848747
- Title: One-shot Learning for Autonomous Aerial Manipulation
- Title（参考訳）: 自律空中操作のためのワンショット学習
- Authors: Claudio Zito and Eliseo Ferrante
- Abstract要約: 本稿では,空中操作作業のための伝達可能な接触モデルについて述べる。
本研究では,無人航空機とケーブル吊り下げ式受動グリップを用いた接触型アプローチを用いて,航空輸送用の新しいペイロードのアタッチポイントを計算した。
実験により,本手法により生じる接触は,輸送作業におけるペイロードの制御性が向上することが示された。
- 参考スコア（独自算出の注目度）: 0.9137554315375919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper is concerned with learning transferable contact models for aerial
manipulation tasks. We investigate a contact-based approach for enabling
unmanned aerial vehicles with cable-suspended passive grippers to compute the
attach points on novel payloads for aerial transportation. This is the first
time that the problem of autonomously generating contact points for such tasks
has been investigated. Our approach builds on the underpinning idea that we can
learn a probability density of contacts over objects' surfaces from a single
demonstration. We enhance this formulation for encoding aerial transportation
tasks while maintaining the one-shot learning paradigm without handcrafting
task-dependent features or employing ad-hoc heuristics; the only prior is
extrapolated directly from a single demonstration. Our models only rely on the
geometrical properties of the payloads computed from a point cloud, and they
are robust to partial views. The effectiveness of our approach is evaluated in
simulation, in which one or three quadropters are requested to transport
previously unseen payloads along a desired trajectory. The contact points and
the quadroptors configurations are computed on-the-fly for each test by our
apporach and compared with a baseline method, a modified grasp learning
algorithm from the literature. Empirical experiments show that the contacts
generated by our approach yield a better controllability of the payload for a
transportation task. We conclude this paper with a discussion on the strengths
and limitations of the presented idea, and our suggested future research
directions.
- Abstract（参考訳）: 本稿では,航空操作タスクにおける移動可能な接触モデルの学習について述べる。
本研究では,無人航空機とケーブル吊り下げ式受動グリップを用いた接触型アプローチにより,航空輸送用の新しいペイロードのアタッチポイントを計算する。
このようなタスクに対して自律的にコンタクトポイントを生成する問題は、これが初めてである。
我々のアプローチは、1つのデモンストレーションから物体の表面上の接触の確率密度を学習できるという基盤となるアイデアに基づいている。
提案手法は,単発学習パラダイムを維持しつつ,手作業に依存しない機能やアドホックなヒューリスティックスを用いることなく,航空輸送タスクを符号化するための定式化を強化する。
我々のモデルは、ポイントクラウドから計算されたペイロードの幾何学的性質にのみ依存しており、部分的なビューに対して堅牢である。
提案手法の有効性をシミュレーションで評価し, 既往のペイロードを所望の軌道に沿って輸送することを要求した。
接触点と四極子構成は,本研究で行った各試験で計算し,ベースライン法と比較し,文献の修正学習アルゴリズムと比較した。
実験の結果,提案手法が生成する接触により,輸送タスクのペイロードの制御性が向上することが示された。
本論文は,提案する概念の強みと限界,今後の研究方向性について考察した。
関連論文リスト
- Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。
既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。
3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文 参考訳（メタデータ） (2024-03-20T02:58:45Z) - A Survey on Deep Learning-Based Monocular Spacecraft Pose Estimation:
Current State, Limitations and Prospects [7.08026800833095]
非協力宇宙船の姿勢を推定することは、軌道上の視覚ベースのシステムを実現するための重要なコンピュータビジョン問題である。
コンピュータビジョンの一般的な傾向に続き、この問題を解決するためにディープラーニング(DL)手法を活用する研究がますます増えている。
有望な研究段階の結果にもかかわらず、実際のミッションでこのような方法が使われるのを防ぐ大きな課題が今も残っている。
論文 参考訳（メタデータ） (2023-05-12T09:52:53Z) - ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。
中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。
直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
論文 参考訳（メタデータ） (2022-12-12T13:10:19Z) - H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding
Object Articulations from Interactions [62.510951695174604]
The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。
提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。
我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
論文 参考訳（メタデータ） (2022-10-22T18:39:33Z) - Hub-Pathway: Transfer Learning from A Hub of Pre-trained Models [89.44031286278347]
本稿では,モデルハブからの知識伝達を可能にするハブパスウェイフレームワークを提案する。
提案するフレームワークは、目的のタスク固有の損失でエンドツーエンドにトレーニングすることができる。
コンピュータビジョンおよび強化学習タスクの実験結果は、このフレームワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2022-06-08T08:00:12Z) - Cut and Continuous Paste towards Real-time Deep Fall Detection [12.15584530151789]
本稿では,単一かつ小型の畳み込みニューラルネットワークを通じてフォールを検出するための,シンプルで効率的なフレームワークを提案する。
まず,人間の動きを1フレームで表現する画像合成手法を提案する。
推論ステップでは、入力フレームの平均値を推定することにより、実際の人間の動きを1つの画像で表現する。
論文 参考訳（メタデータ） (2022-02-22T06:07:16Z) - Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds
with Optimal Transport and Random Walk [59.87525177207915]
シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。
本手法は,自己教師付き学習手法の最先端性能を実現する。
論文 参考訳（メタデータ） (2021-05-18T03:12:42Z) - Sim-to-real reinforcement learning applied to end-to-end vehicle control [0.0]
本研究では車線追従や衝突回避といった車両制御問題のエンドツーエンド強化学習について検討する。
我々の制御ポリシーでは、実際の2車線の道路の右車線を追従するために小型ロボットを制御できますが、その訓練はシミュレーションでのみ行われました。
論文 参考訳（メタデータ） (2020-12-14T12:30:47Z) - Incorporating Count-Based Features into Pre-Trained Models for Improved
Stance Detection [0.6980076213134383]
この研究は、自動姿勢検出の強化に焦点を当てている。
本稿では,事前学習したモデルと機能を統合する新しいアーキテクチャを提案する。
この方法は、テストセット上のF1スコア63.94で最先端の結果を達成する。
論文 参考訳（メタデータ） (2020-10-18T19:37:24Z) - Assisting Scene Graph Generation with Self-Supervision [21.89909688056478]
本稿では,3つの新しい自己スーパービジョンタスクのセットを提案し,それらをメインモデルへの補助的マルチタスクとして訓練する。
比較しながら、これらのセルフスーパービジョンタスクでベースモデルをスクラッチからトレーニングし、すべてのメトリクスとリコール設定で最先端の結果を達成する。
論文 参考訳（メタデータ） (2020-08-08T16:38:03Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。