論文の概要: Rethinking Optimization with Differentiable Simulation from a Global
Perspective
- arxiv url: http://arxiv.org/abs/2207.00167v1
- Date: Tue, 28 Jun 2022 17:08:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-10 11:21:41.719800
- Title: Rethinking Optimization with Differentiable Simulation from a Global
Perspective
- Title(参考訳): 地球から見た微分可能シミュレーションによる最適化の再考
- Authors: Rika Antonova, Jingyun Yang, Krishna Murthy Jatavallabhula, Jeannette
Bohg
- Abstract要約: 微分可能シミュレーションは、高速勾配に基づくポリシー最適化とシステム同定のための有望なツールキットである。
一つの降下がグローバルな最適値に達することを期待できない場合に、微分可能シミュレーションがもたらす課題について検討する。
本研究では,ベイズ最適化を半局所的な「リープ」と組み合わせて,勾配を効果的に活用できる大域的探索手法を提案する。
- 参考スコア(独自算出の注目度): 20.424212055832676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differentiable simulation is a promising toolkit for fast gradient-based
policy optimization and system identification. However, existing approaches to
differentiable simulation have largely tackled scenarios where obtaining smooth
gradients has been relatively easy, such as systems with mostly smooth
dynamics. In this work, we study the challenges that differentiable simulation
presents when it is not feasible to expect that a single descent reaches a
global optimum, which is often a problem in contact-rich scenarios. We analyze
the optimization landscapes of diverse scenarios that contain both rigid bodies
and deformable objects. In dynamic environments with highly deformable objects
and fluids, differentiable simulators produce rugged landscapes with
nonetheless useful gradients in some parts of the space. We propose a method
that combines Bayesian optimization with semi-local 'leaps' to obtain a global
search method that can use gradients effectively, while also maintaining robust
performance in regions with noisy gradients. We show that our approach
outperforms several gradient-based and gradient-free baselines on an extensive
set of experiments in simulation, and also validate the method using
experiments with a real robot and deformables. Videos and supplementary
materials are available at https://tinyurl.com/globdiff
- Abstract(参考訳): 微分可能シミュレーションは、高速勾配に基づくポリシー最適化とシステム同定のための有望なツールキットである。
しかし、微分可能なシミュレーションに対する既存のアプローチは、滑らかな勾配を得るのが比較的容易であるようなシナリオに主に取り組まれている。
本研究では,一つの降下がグローバルな最適値に達することを期待できない場合に,微分可能シミュレーションがもたらす課題について検討する。
剛体と変形可能な物体の両方を含む多様なシナリオの最適化状況を分析する。
高度に変形可能な物体や流体を持つ動的環境において、微分可能なシミュレータは、空間の一部で有用な勾配を持つ頑丈な風景を作り出す。
本研究では,ベイズ最適化を半局所的な「リープ」と組み合わせて,勾配を効果的に活用できる大域的探索法を提案する。
提案手法は,シミュレーション実験の大規模セットにおいて,勾配ベースおよび勾配フリーベースラインよりも優れており,実ロボットと変形可能ロボットを用いた実験による検証も可能であることを示す。
ビデオと補足資料はhttps://tinyurl.com/globdiffで入手できる。
関連論文リスト
- Improving Gradient Computation for Differentiable Physics Simulation
with Contacts [10.450509067356148]
接触による剛体シミュレーションについて検討した。
連続衝突検出による勾配計算の改善とTOI(Time-of-Ipact)の利用を提案する。
そこで,TOI-Veでは,解析解と一致する最適制御系列を学習できることを示す。
論文 参考訳(メタデータ) (2023-04-28T21:10:16Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Near-optimal Policy Identification in Active Reinforcement Learning [84.27592560211909]
AE-LSVI はカーネル化された最小二乗値 RL (LSVI) アルゴリズムの新しい変種であり、楽観主義と悲観主義を組み合わせて活発な探索を行う。
AE-LSVIは初期状態に対するロバスト性が必要な場合、様々な環境で他のアルゴリズムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-19T14:46:57Z) - Differentiable Physics Simulations with Contacts: Do They Have Correct
Gradients w.r.t. Position, Velocity and Control? [9.883261192383612]
物理シミュレーションをエンドツーエンドで微分可能にすることで、勾配に基づく最適化と学習のタスクを実行できる。
微分可能シミュレータの大多数は物体間の衝突や接触を考慮しているが、異なる接触モデルを用いて微分可能である。
本稿では、線形相補性問題(LCP)、凸最適化モデル、コンプライアンスモデル、位置ベースダイナミクス(PBD)の4種類の微分可能な接触定式化について概説する。
論文 参考訳(メタデータ) (2022-07-08T19:30:09Z) - DiffCloud: Real-to-Sim from Point Clouds with Differentiable Simulation
and Rendering of Deformable Objects [18.266002992029716]
変形可能な物体の操作に関する研究は、典型的には限られたシナリオで行われている。
様々な種類の変形と相互作用をサポートする現実的なシミュレータは、実験をスピードアップする可能性がある。
高度に変形可能なオブジェクトに対しては、シミュレータの出力と実際のオブジェクトの振る舞いを一致させることが困難である。
論文 参考訳(メタデータ) (2022-04-07T00:45:26Z) - DiffSkill: Skill Abstraction from Differentiable Physics for Deformable
Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。
特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。
次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文 参考訳(メタデータ) (2022-03-31T17:59:38Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳(メタデータ) (2021-04-07T17:59:23Z) - TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。
特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。
TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
論文 参考訳(メタデータ) (2021-01-17T00:29:30Z) - Black-Box Optimization with Local Generative Surrogates [6.04055755718349]
物理学や工学などの分野において、多くのプロセスは難易度を持つ非微分可能シミュレータでモデル化される。
本稿では,パラメータ空間の局所的近傍におけるシミュレータを近似するために,深部生成モデルを導入する。
パラメータ空間に対するシミュレータの依存性が低次元部分多様体に制約されている場合、本手法はベースライン法よりも高速にミニマを実現する。
論文 参考訳(メタデータ) (2020-02-11T19:02:57Z)
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。