論文の概要: Centralized and Decentralized Control in Modular Robots and Their Effect
on Morphology
- arxiv url: http://arxiv.org/abs/2206.13366v1
- Date: Mon, 27 Jun 2022 15:22:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 13:57:17.310684
- Title: Centralized and Decentralized Control in Modular Robots and Their Effect
on Morphology
- Title（参考訳）: モジュラーロボットの集中制御と分散制御とその形態的影響
- Authors: Mia-Katrin Kvalsund, Kyrre Glette, Frank Veenstra
- Abstract要約: モジュール型ロボットの性能と形態に及ぼす集中型・分散型コントローラの影響について検討する。
形態学的な大きさに依存しない分散的アプローチは、他のアプローチよりも大幅に向上した。
- 参考スコア（独自算出の注目度）: 1.4502611532302039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In Evolutionary Robotics, evolutionary algorithms are used to co-optimize
morphology and control. However, co-optimizing leads to different challenges:
How do you optimize a controller for a body that often changes its number of
inputs and outputs? Researchers must then make some choice between centralized
or decentralized control. In this article, we study the effects of centralized
and decentralized controllers on modular robot performance and morphologies.
This is done by implementing one centralized and two decentralized continuous
time recurrent neural network controllers, as well as a sine wave controller
for a baseline. We found that a decentralized approach that was more
independent of morphology size performed significantly better than the other
approaches. It also worked well in a larger variety of morphology sizes. In
addition, we highlighted the difficulties of implementing centralized control
for a changing morphology, and saw that our centralized controller struggled
more with early convergence than the other approaches. Our findings indicate
that duplicated decentralized networks are beneficial when evolving both the
morphology and control of modular robots. Overall, if these findings translate
to other robot systems, our results and issues encountered can help future
researchers make a choice of control method when co-optimizing morphology and
control.
- Abstract（参考訳）: 進化ロボティクスでは、進化的アルゴリズムは形態学と制御を共最適化するために用いられる。
入力や出力の数を頻繁に変更するボディのコントローラを最適化するには、どうすればよいのでしょう?
研究者は中央集権的制御と分散制御のどちらかを選択しなければならない。
本稿では,集中型および分散型コントローラがモジュール型ロボットの性能と形態に及ぼす影響について検討する。
これは、1つの集中型および2つの分散した連続時間リカレントニューラルネットワークコントローラと、ベースライン用の正弦波コントローラを実装することによって行われる。
その結果, 形態素サイズに依存しない分散的アプローチは, 他の手法よりも有意に優れていた。
様々な形態学的なサイズでもうまく機能した。
さらに,形態変化に対して集中制御を実装することの難しさを強調し,集中制御が他の手法よりも早期収束に苦しむことを見出した。
本研究は,モジュール型ロボットの形態と制御の両方を進化させる際に,重複分散ネットワークが有益であることを示す。
全体として、これらの結果が他のロボットシステムに変換された場合、我々の結果と問題は、将来の研究者が形態学と制御を共最適化する際に制御方法を選択するのに役立つ。
関連論文リスト
- A comparison of controller architectures and learning mechanisms for
arbitrary robot morphologies [2.884244918665901]
学習ロボットの形態が事前に分かっていない場合、ロボットコントローラと学習方法の組み合わせはどのように使うべきか。
我々は3つのコントローラとラーナーの組み合わせを実験的に比較した。
有効性、効率、堅牢性を比較します。
論文 参考訳（メタデータ） (2023-09-25T07:11:43Z) - Universal Morphology Control via Contextual Modulation [52.742056836818136]
異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。
既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。
本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-22T00:04:12Z) - Co-evolving morphology and control of soft robots using a single genome [0.0]
本稿では,ロボットの形態と制御を共進化させる新しい手法を提案する。
本手法は,1つのゲノムからエージェントの「脳」と「体」の両方を抽出し,それらを同時に開発する。
提案手法を4つのタスクで評価し,探索空間が大きくても1つのゲノムを持つと進化過程の収束が早くなることを示した。
論文 参考訳（メタデータ） (2022-12-22T07:34:31Z) - Low-Rank Modular Reinforcement Learning via Muscle Synergy [25.120547719120765]
モジュール強化学習(RL)は、アクチュエータごとに学習ポリシーを学習することで、多関節ロボットの制御を分散化する。
ロボット制御におけるDoFの冗長性を利用したSOLAR(Synergy-Oriented LeARning)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-26T16:01:31Z) - Graph Neural Networks for Decentralized Multi-Robot Submodular Action
Selection [101.38634057635373]
ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。
分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。
大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
論文 参考訳（メタデータ） (2021-05-18T15:32:07Z) - Decentralized Control with Graph Neural Networks [147.84766857793247]
分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。
GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。
分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
論文 参考訳（メタデータ） (2020-12-29T18:59:14Z) - Populations of Spiking Neurons for Reservoir Computing: Closed Loop
Control of a Compliant Quadruped [64.64924554743982]
本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。
本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
論文 参考訳（メタデータ） (2020-04-09T14:32:49Z) - Graph Neural Networks for Decentralized Controllers [171.6642679604005]
自律エージェントで構成される動的システムは、ロボット工学、スマートグリッド、スマートシティなど、多くの関連する問題に現れる。
最適な集中型コントローラは容易に利用できるが、スケーラビリティと実用的な実装の面で制限に直面している。
グラフニューラルネットワーク(GNN)を用いて,データから分散制御系を学習するフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-23T13:51:18Z) - VGAI: End-to-End Learning of Vision-Based Decentralized Controllers for
Robot Swarms [237.25930757584047]
ビジュアル入力のみに基づいて分散制御系を学習することを提案する。
初めて、コミュニケーションと視覚知覚という2つの重要な要素の学習を統合する。
提案する学習フレームワークは,各ロボットが視覚入力からメッセージを取り出すための畳み込みニューラルネットワーク(CNN)と,これらのメッセージの送信,受信,処理を行うためのSwarm全体のグラフニューラルネットワーク(GNN)を組み合わせる。
論文 参考訳（メタデータ） (2020-02-06T15:25:23Z)
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。