論文の概要: Learning with Muscles: Benefits for Data-Efficiency and Robustness in Anthropomorphic Tasks

• arxiv url: http://arxiv.org/abs/2207.03952v1
• Date: Fri, 8 Jul 2022 15:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-11 15:59:47.441352
• Title: Learning with Muscles: Benefits for Data-Efficiency and Robustness in Anthropomorphic Tasks
• Title（参考訳）: 筋肉を用いた学習 : 人為的タスクにおけるデータ効率とロバスト性
• Authors: Isabell Wochner, Pierre Schumacher, Georg Martius, Dieter B\"uchler, Syn Schmitt, Daniel F.B. Haeufle
• Abstract要約: 人間は、さまざまな動作において、堅牢性、汎用性、新しいタスクの学習という点でロボットより優れています。 我々は、高非線形筋力は、学習に好適な固有の安定性を提供する上で大きな役割を果たすと仮定する。
• 参考スコア（独自算出の注目度）: 13.545245521356218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans are able to outperform robots in terms of robustness, versatility, and learning of new tasks in a wide variety of movements. We hypothesize that highly nonlinear muscle dynamics play a large role in providing inherent stability, which is favorable to learning. While recent advances have been made in applying modern learning techniques to muscle-actuated systems both in simulation as well as in robotics, so far, no detailed analysis has been performed to show the benefits of muscles in this setting. Our study closes this gap by investigating core robotics challenges and comparing the performance of different actuator morphologies in terms of data-efficiency, hyperparameter sensitivity, and robustness.
• Abstract（参考訳）: 人間は、さまざまな動作において、堅牢性、汎用性、新しいタスクの学習という点でロボットより優れています。 高い非線形筋力は、学習に有利な固有の安定性を提供する上で大きな役割を果たすと仮定する。 近年, シミュレーション, ロボット工学の両分野において, 近代的な学習技術の適用が進んでいるが, 筋の利点を示すための詳細な分析は行われていない。 本研究は,コアロボットの課題を調査し,データ効率,ハイパーパラメータ感度,ロバスト性の観点から異なるアクチュエータ形状の性能を比較することで,このギャップを解消する。

関連論文リスト

• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• The bionic neural network for external simulation of human locomotor system [2.6311880922890842]
  本稿では,筋骨格モデルに基づく物理インフォームド深層学習法を提案し,関節運動と筋力を予測する。 この方法は、被験者固有のMSK生理学的パラメータを効果的に同定することができ、訓練された物理インフォームドフォワード力学は、正確な動きと筋力予測をもたらす。
  論文  参考訳（メタデータ） (2023-09-11T23:02:56Z)
• Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
  視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。 シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-30T17:58:36Z)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• Morphological Wobbling Can Help Robots Learn [5.000272778136268]
  我々は、通常ロボットで固定される質量、アクチュエータ強度、サイズなどの量について検討する。 シミュレーションされた2次元ソフトロボットの学習過程の開始時にこれらの量が振動すると,タスクの性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2022-05-05T17:41:58Z)
• Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
  近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。 本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
  論文  参考訳（メタデータ） (2022-04-15T08:12:15Z)
• OstrichRL: A Musculoskeletal Ostrich Simulation to Study Bio-mechanical Locomotion [8.849771760994273]
  MuJoCoシミュレータに基づくオストリッチの3次元筋骨格シミュレーションを作成した。 このモデルは、実際の筋肉データを集めるために使用されるCTスキャンと解剖に基づいている。 また,レファレンス・モーション・トラッキングや,ネック付きリーチ・タスクなど,一連の強化学習タスクも提供する。
  論文  参考訳（メタデータ） (2021-12-11T19:58:11Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Modelling Human Kinetics and Kinematics during Walking using Reinforcement Learning [0.0]
  実世界の人間の運動に匹敵する3次元歩行運動をシミュレーションにより自動生成する手法を開発した。 本手法は, 異なる運動構造と歩行特性を持つヒト-サブジェクトをまたいでよく一般化することを示す。
  論文  参考訳（メタデータ） (2021-03-15T04:01:20Z)
• Emergent Hand Morphology and Control from Optimizing Robust Grasps of Diverse Objects [63.89096733478149]
  多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。 形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。 我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-22T17:52:29Z)

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。