論文の概要: Using Abstraction for Interpretable Robot Programs in Stochastic Domains

• arxiv url: http://arxiv.org/abs/2207.12763v1
• Date: Tue, 26 Jul 2022 09:15:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 12:43:14.076952
• Title: Using Abstraction for Interpretable Robot Programs in Stochastic Domains
• Title（参考訳）: 確率領域における解釈可能なロボットプログラムへの抽象化の利用
• Authors: Till Hofmann, Vaishak Belle
• Abstract要約: ロボットの動作は、そのセンサーがうるさく、その動作が常に意図した効果を持つとは限らないため、本質的にノイズである。 Gologは、信念と行動の学位を持つモデルに拡張されている。 結果として得られるプログラムは、ノイズに対処する必要があるため、理解するのがずっと難しい。 本研究では,ロボットの高次非確率モデルを定義し,高次モデルを低次モデルにマッピングする。
• 参考スコア（独自算出の注目度）: 17.04153879817609
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A robot's actions are inherently stochastic, as its sensors are noisy and its actions do not always have the intended effects. For this reason, the agent language Golog has been extended to models with degrees of belief and stochastic actions. While this allows more precise robot models, the resulting programs are much harder to comprehend, because they need to deal with the noise, e.g., by looping until some desired state has been reached with certainty, and because the resulting action traces consist of a large number of actions cluttered with sensor noise. To alleviate these issues, we propose to use abstraction. We define a high-level and nonstochastic model of the robot and then map the high-level model into the lower-level stochastic model. The resulting programs are much easier to understand, often do not require belief operators or loops, and produce much shorter action traces.
• Abstract（参考訳）: ロボットの動作は本質的に確率的であり、センサーがうるさいし、その動作が常に意図した効果を持つとは限らない。 このため、エージェント言語gologは、信念と確率的行動の程度を持つモデルに拡張されている。 これはより正確なロボットモデルを可能にするが、結果として得られるプログラムは、例えば、ある望ましい状態が確実に到達するまでループすることでノイズに対処する必要があること、そして結果として生じる動作トレースは、センサーノイズで散らばった多数のアクションからなるため、理解しにくい。 これらの問題を緩和するため,我々は抽象化の利用を提案する。 ロボットの高レベルかつ非定型モデルを定義し,高レベルモデルを低レベル確率モデルにマッピングする。 結果として得られるプログラムは理解しやすく、しばしば信念演算子やループを必要とせず、より短いアクショントレースを生成する。

関連論文リスト

• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• Prognostic Framework for Robotic Manipulators Operating Under Dynamic Task Severities [0.6058427379240697]
  ロボットマニピュレータのRemaining Useful Life(RUL)を予測できる予後モデリングフレームワークを提案する。 以上の結果から,両艦隊のロボットは高重度タスクを多く扱う場合,RULが短くなることが示唆された。
  論文  参考訳（メタデータ） (2024-11-30T17:09:18Z)
• Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,新しい値に基づく強化学習アルゴリズムであるCQN-AS(Coarse-to-fine Q-Network with Action Sequence)を紹介する。 我々は,53のロボットタスクに対して,疎密かつ高密度な報酬と実演と無実の報酬を用いたアルゴリズムを検討した。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [2.2120851074630177]
  環境の不確実性は、現実のロボットタスクを実行する際には、長年、扱いにくい特徴だった。 本稿では,動的内部シミュレーションを用いたフォレスト予測を用いた既存の予測学習に基づくロボット制御手法を拡張した。 その結果,提案モデルではドアとの相互作用により動作が適応的に分岐し,従来の手法では安定に分岐しなかった。
  論文  参考訳（メタデータ） (2024-10-01T15:13:27Z)
• Innate Motivation for Robot Swarms by Minimizing Surprise: From Simple Simulations to Real-World Experiments [6.21540494241516]
  大規模モバイルマルチロボットシステムは、堅牢性とスケーラビリティの可能性が高いため、モノリシックロボットよりも有益である。 マルチロボットシステムのためのコントローラの開発は、対話の多さが予測し難く、モデル化が難しいため、難しい。 本質的にモチベーションは報酬の特定の定式化を避け、好奇心などの異なるドライバで作業しようとする。 Swarmのロボットケースのユニークな利点は、Swarmのメンバーがロボットの環境に飛び込み、自己参照ループでより活発な行動を引き起こすことができることである。
  論文  参考訳（メタデータ） (2024-05-04T06:25:58Z)
• ManiGaussian: Dynamic Gaussian Splatting for Multi-task Robotic Manipulation [58.615616224739654]
  従来のロボット操作法は通常、予測のための観察の意味表現を学ぶ。 マルチ時間ロボット操作のための動的ガウス分割法ManiGaussianを提案する。 我々のフレームワークは、最先端の手法を平均的な成功率で13.1%上回ることができる。
  論文  参考訳（メタデータ） (2024-03-13T08:06:41Z)
• Towards Bridging the Gap between High-Level Reasoning and Execution on Robots [2.6107298043931206]
  例えば、タスク計画やGologを使ったエージェントプログラミングによってアクションを推論する場合、ロボットのアクションは一般的に抽象的なレベルでモデル化される。 しかし、そのような動作をロボットで実行すると、もはや原始的とは見なされない。 本稿では,このギャップを埋めるためのいくつかのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-30T12:26:12Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)
• Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
  本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。 ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。 本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T05:57:29Z)
• Can Foundation Models Perform Zero-Shot Task Specification For Robot Manipulation? [54.442692221567796]
  タスク仕様は、熟練していないエンドユーザの関与とパーソナライズされたロボットの採用に不可欠である。 タスク仕様に対する広く研究されているアプローチは、目標を通じて、コンパクトな状態ベクトルまたは同じロボットシーンのゴールイメージを使用することである。 そこで本研究では,人間の指定や使用が容易な目標仕様の代替的,より汎用的な形式について検討する。
  論文  参考訳（メタデータ） (2022-04-23T19:39:49Z)
• Learning from Sparse Demonstrations [17.24236148404065]
  本稿では,ロボットが対象関数を学習できる連続ポントリャーギン微分可能計画法(Continuous PDP)を開発した。 本手法は,ロボットの軌道を逐次追従する目的関数と時間ワープ関数を最小の差分損失で検出する。 本手法はまず,シミュレーションロボットアームを用いて評価し,次に6-DoF四重極子に適用し,非モデル化環境における動作計画の目的関数を学習する。
  論文  参考訳（メタデータ） (2020-08-05T14:25:39Z)

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。