論文の概要: SE(3)-DiffusionFields: Learning cost functions for joint grasp and
motion optimization through diffusion
- arxiv url: http://arxiv.org/abs/2209.03855v1
- Date: Thu, 8 Sep 2022 14:50:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 13:37:12.612248
- Title: SE(3)-DiffusionFields: Learning cost functions for joint grasp and
motion optimization through diffusion
- Title(参考訳): SE(3)-DiffusionFields: 拡散による関節握りと運動最適化のための学習コスト関数
- Authors: Julen Urain and Niklas Funk and Georgia Chalvatzaki and Jan Peters
- Abstract要約: 拡散モデルとして,学習タスク空間,データ駆動コスト関数を提案する。
学習したコスト関数と、他の潜在的に学習されたコストや手作業によるコストを1つの目的関数に統合することにより、これらの特性を運動最適化に活用する。
- 参考スコア(独自算出の注目度): 34.25379651790627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-objective high-dimensional motion optimization problems are ubiquitous
in robotics and highly benefit from informative gradients. To this end, we
require all cost functions to be differentiable. We propose learning
task-space, data-driven cost functions as diffusion models. Diffusion models
represent expressive multimodal distributions and exhibit proper gradients over
the entire space. We exploit these properties for motion optimization by
integrating the learned cost functions with other potentially learned or
hand-tuned costs in a single objective function and optimize all of them
jointly by gradient descent. We showcase the benefits of joint optimization in
a set of complex grasp and motion planning problems and compare against
hierarchical approaches that decouple grasp selection from motion optimization.
- Abstract(参考訳): 多目的高次元運動最適化問題は、ロボット工学においてユビキタスであり、情報勾配の恩恵が大きい。
この目的のために、全てのコスト関数を微分可能とする。
拡散モデルとして,学習タスク空間,データ駆動コスト関数を提案する。
拡散モデルは表現的マルチモーダル分布を表し、空間全体に適切な勾配を示す。
これらの特性を,学習コスト関数と1つの目的関数に潜在的に学習あるいは手作業のコストを統合することで,運動最適化に活用する。
複雑な把握と運動計画問題の集合における共同最適化の利点を示し、動作最適化からグリップ選択を分離する階層的アプローチと比較する。
関連論文リスト
- Dynamics-Guided Diffusion Model for Robot Manipulator Design [24.703003555261482]
本稿では,データ駆動型マニピュレータ幾何設計を所定の操作タスクのために生成するフレームワークを提案する。
タスク毎に異なる設計モデルをトレーニングする代わりに、私たちのアプローチでは、タスク間で共有される学習された動的ネットワークを採用しています。
論文 参考訳(メタデータ) (2024-02-23T01:19:30Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - VeCAF: VLM-empowered Collaborative Active Finetuning with Training
Objective Awareness [58.40419742596087]
PVM(Pretrained Vision Model)は、下流の視覚タスクを学習するための一般的なテクニックである。
VLMを用いた協調型アクティブファインタニング(VeCAF)を提案する。
VeCAFは、調整中のモデルのトレーニング目標を組み込むことで、パラメトリックデータ選択モデルを最適化する。
論文 参考訳(メタデータ) (2024-01-15T17:28:37Z) - E$^{2}$GAN: Efficient Training of Efficient GANs for Image-to-Image
Translation [71.7970885247162]
拡散モデルからGANを蒸留するプロセスは、より効率的にできるのか?
まず、一般化された特徴を持つベースGANモデルを構築し、微調整により異なる概念に適応し、スクラッチからトレーニングの必要性を排除した。
第2に,ベースモデル全体の微調整を行うのではなく,低ランク適応(LoRA)を簡易かつ効果的なランク探索プロセスで行う。
論文 参考訳(メタデータ) (2024-01-11T18:59:14Z) - Improving Efficiency of Diffusion Models via Multi-Stage Framework and
Tailored Multi-Decoder Architectures [13.4613041236933]
拡散モデルは強力な深層生成ツールとして登場し、様々な応用に優れている。
しかし、その顕著な生成性能は、遅いトレーニングとサンプリングによって妨げられている。
これは、広範囲の前方および逆拡散軌道を追跡する必要があるためである。
本稿では,これらの課題に対処するための経験的知見から着想を得た多段階フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-14T17:48:09Z) - Asynchronous Multi-Model Dynamic Federated Learning over Wireless
Networks: Theory, Modeling, and Optimization [20.741776617129208]
分散機械学習(ML)の鍵となる技術として、フェデレートラーニング(FL)が登場した。
まず、システムパラメータが学習性能に与える影響を捉えるために、長方形のスケジューリングステップと関数を定式化する。
我々の分析は、デバイストレーニング変数と非同期スケジューリング決定の協調的影響に光を当てている。
論文 参考訳(メタデータ) (2023-05-22T21:39:38Z) - 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) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳(メタデータ) (2020-12-10T03:24:53Z)
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。