Fugu-MT 論文翻訳(概要): On the Origins of Self-Modeling

論文の概要: On the Origins of Self-Modeling

arxiv url: http://arxiv.org/abs/2209.02010v1
Date: Mon, 5 Sep 2022 15:27:04 GMT
ステータス: 処理完了
システム内更新日: 2022-09-07 13:07:42.990767
Title: On the Origins of Self-Modeling
Title（参考訳）: 自己モデリングの起源について
Authors: Robert Kwiatkowski, Yuhang Hu, Boyuan Chen, Hod Lipson
Abstract要約: 自己モデリング(Self-Modeling)とは、動物や機械などのエージェントが、自身のダイナミクスの予測モデルを作成する過程である。本稿では,ロボットの複雑さに対する自己モデリングの利点を定量化する。
参考スコア（独自算出の注目度）: 27.888203008100113
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Self-Modeling is the process by which an agent, such as an animal or machine, learns to create a predictive model of its own dynamics. Once captured, this self-model can then allow the agent to plan and evaluate various potential behaviors internally using the self-model, rather than using costly physical experimentation. Here, we quantify the benefits of such self-modeling against the complexity of the robot. We find a R2 =0.90 correlation between the number of degrees of freedom a robot has, and the added value of self-modeling as compared to a direct learning baseline. This result may help motivate self modeling in increasingly complex robotic systems, as well as shed light on the origins of self-modeling, and ultimately self-awareness, in animals and humans.
Abstract（参考訳）: 自己モデリング(self-modeling)とは、動物や機械などのエージェントが自身のダイナミクスの予測モデルを作成することを学ぶプロセスである。この自己モデルは、コストのかかる物理的実験を使わずに、自己モデルを用いて内部で様々な潜在的な行動を計画し、評価することができる。本稿では,ロボットの複雑さに対する自己モデリングの利点を定量化する。ロボットが持つ自由度と、直接学習ベースラインと比較して自己モデリングの付加価値との間には、R2 =0.90の相関関係が認められる。この結果は、ますます複雑なロボットシステムにおける自己モデリングの動機付けに役立つだけでなく、動物や人間の自己モデリングや最終的には自己認識の起源にも光を当てる。

関連論文リスト

Unexpected Benefits of Self-Modeling in Neural Systems [0.7179624965454197]
人工ネットワークが内部状態を補助的タスクとして予測することを学ぶと、それらが根本的に変化することを示す。自己モデルタスクをより良く実行するために、ネットワークはよりシンプルで、より正規化され、よりパラメータ効率が良いものにすることを学ぶ。この自己正規化は、最近の機械学習文献で報告されている自己モデルの有用性を説明するのに役立つかもしれない。
論文参考訳（メタデータ） (2024-07-14T13:16:23Z)
AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
論文参考訳（メタデータ） (2024-01-23T18:45:54Z)
Robot at the Mirror: Learning to Imitate via Associating Self-supervised Models [0.0]
我々は、トレーニングや微調整の代わりにアソシエイトを通じて、準備済みの自己教師付きモデルからカスタムモデルを構築するアプローチを導入する。そこで本研究では,鏡を映し出したヒューマノイドロボットが,知覚した画像から身体の3Dポーズを検出することを実演する。
論文参考訳（メタデータ） (2023-11-22T08:30:20Z)
High-Degrees-of-Freedom Dynamic Neural Fields for Robot Self-Modeling and Motion Planning [6.229216953398305]
ロボットの自己モデル(英: Robot self-model)は、ロボットの運動計画タスクに使用できる身体形態の表現である。本研究では,高次自由度を条件とした動的オブジェクト中心シーンのためのエンコーダに基づくニューラル密度場アーキテクチャを提案する。 7-DOFロボットテストセットでは、学習された自己モデルは、ロボットの次元ワークスペースの2%のChamfer-L2距離を達成する。
論文参考訳（メタデータ） (2023-10-05T16:01:29Z)
Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文参考訳（メタデータ） (2023-06-16T17:58:10Z)
Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文参考訳（メタデータ） (2023-03-02T18:51:38Z)
Learning body models: from humans to humanoids [2.855485723554975]
人間と動物は、複数の感覚のモダリティからの情報を組み合わせて、複雑な体を制御し、成長、失敗、ツールの使用に適応する。鍵となる基礎は、エージェント(人間、動物、ロボット)が開発してきた身体の内部表現である。脳内での体モデルの操作のメカニズムは、ほとんど不明であり、出生後の経験からどのように構築されているかは、あまり分かっていない。
論文参考訳（メタデータ） (2022-11-06T07:30:01Z)
A Capability and Skill Model for Heterogeneous Autonomous Robots [69.50862982117127]
機能モデリングは、異なるマシンが提供する機能を意味的にモデル化するための有望なアプローチと考えられている。この貢献は、製造から自律ロボットの分野への能力モデルの適用と拡張の仕方について考察する。
論文参考訳（メタデータ） (2022-09-22T10:13:55Z)
Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文参考訳（メタデータ） (2022-09-07T15:15:12Z)
Full-Body Visual Self-Modeling of Robot Morphologies [29.76701883250049]
身体の内部計算モデルは、ロボットや動物が行動の計画と制御を行う能力の基礎である。完全データ駆動型自己モデリングの最近の進歩により、マシンはタスク非依存の相互作用データから直接フォワードキネマティクスを学習できるようになった。ここでは、フォワードキネマティクスを直接モデル化するのではなく、空間占有クエリに答えることのできる、より有用な自己モデリング形式を提案する。
論文参考訳（メタデータ） (2021-11-11T18:58:07Z)
Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。