論文の概要: Real-to-Sim: Deep Learning with Auto-Tuning to Predict Residual Errors using Sparse Data

• arxiv url: http://arxiv.org/abs/2209.03210v1
• Date: Wed, 7 Sep 2022 15:15:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 13:17:19.471366
• Title: Real-to-Sim: Deep Learning with Auto-Tuning to Predict Residual Errors using Sparse Data
• Title（参考訳）: リアルタイム:スパースデータを用いた残差予測のためのオートチューニングによるディープラーニング
• Authors: Alexander Schperberg, Yusuke Tanaka, Feng Xu, Marcel Menner, Dennis Hong
• Abstract要約: 自動チューニングとニューラルネットワークを用いて,キネマティック・シミュレーターモデルと実ロボット間の残差を学習する。 ロボットハードウェア(マニピュレータアームなど)で本手法を実証し,学習した残差誤差により,キネマティックモデル,シミュレーション,実ロボット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。
• 参考スコア（独自算出の注目度）: 65.93205328894608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving highly accurate kinematic or simulator models that are close to the real robot can facilitate model-based controls (e.g., model predictive control or linear-quadradic regulators), model-based trajectory planning (e.g., trajectory optimization), and decrease the amount of learning time necessary for reinforcement learning methods. Thus, the objective of this work is to learn the residual errors between a kinematic and/or simulator model and the real robot. This is achieved using auto-tuning and neural networks, where the parameters of a neural network are updated using an auto-tuning method that applies equations from an Unscented Kalman Filter (UKF) formulation. Using this method, we model these residual errors with only small amounts of data - a necessity as we improve the simulator/kinematic model by learning directly from hardware operation. We demonstrate our method on robotic hardware (e.g., manipulator arm), and show that with the learned residual errors, we can further close the reality gap between kinematic models, simulations, and the real robot.
• Abstract（参考訳）: 実ロボットに近い高精度な運動学モデルやシミュレータモデルを実現することで、モデルベースの制御(例えば、モデル予測制御や線形量子レギュレータ)、モデルベースの軌道計画(例えば軌道最適化)、強化学習法に必要な学習時間を減らすことができる。 そこで本研究の目的は,運動学モデルおよびシミュレータモデルと実ロボットとの残差誤差を学習することである。 これは、ニューラルネットワークのパラメータをUnscented Kalman Filter(UKF)の定式化から方程式を適用する自動チューニング手法を用いて更新する、自動チューニングとニューラルネットワークを使用して実現される。 この手法を用いて, ハードウェア操作から直接学習することにより, シミュレータ/キネマティックモデルを改善するために必要となる, 少ないデータ量で残差誤差をモデル化する。 ロボットハードウェア(マニピュレータアームなど)で本手法を実証し,学習した残差誤差により,キネマティックモデル,シミュレーション,実ロボット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。

関連論文リスト

• Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
  本稿では,低次元物理モデル学習のための合理化手法を提案する。 各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。 物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2024-10-31T18:37:22Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Sample Efficient Dynamics Learning for Symmetrical Legged Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
  本稿では,基礎となるロボットシステムにおける対称性を利用したダイナミクスの学習手法を提案する。 ベクトル空間における全てのデータを表す既存のフレームワークは、ロボットの構造化情報を考えるのに失敗する。
  論文  参考訳（メタデータ） (2022-10-13T19:57:46Z)
• Online Dynamics Learning for Predictive Control with an Application to Aerial Robots [3.673994921516517]
  予測モデルは学習し、モデルベースのコントローラに適用することができるが、これらのモデルはしばしばオフラインで学習される。 このオフライン設定では、トレーニングデータをまず収集し、精巧なトレーニング手順により予測モデルを学ぶ。 本稿では,デプロイ中の動的モデルの精度を継続的に向上するオンライン動的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-19T15:51:25Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• Residual Model Learning for Microrobot Control [17.22836165560292]
  本稿では,ロボットモデル学習に伴うサンプルの複雑さを軽減するために,近似モデルを利用した新しいフレームワーク残差モデル学習(RML)を提案する。 RMLを用いて、受動的に収集された12秒間の相互作用データを用いて、Harvard Ambulatory MicroRobot(HAMR)のモデルを学ぶことができることを示す。 学習モデルは、モデルレス強化学習アルゴリズムを用いて歩行と回転の学習に「プロキシ・シミュレータ」として活用できるほど正確である。
  論文  参考訳（メタデータ） (2021-04-01T17:22:50Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing [2.40966076588569]
  本稿では,ニューラルネットワークを用いた反復学習セミパラメトリックモデルを自律レースの課題に適用する。 我々のモデルは純粋にパラメトリックモデルよりも正確に学習でき、純粋に非パラメトリックモデルよりもより一般化できることを示す。
  論文  参考訳（メタデータ） (2020-11-17T16:24:10Z)

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。