論文の概要: A Non-parametric Skill Representation with Soft Null Space Projectors
for Fast Generalization
- arxiv url: http://arxiv.org/abs/2209.08522v1
- Date: Sun, 18 Sep 2022 10:04:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 16:57:54.560243
- Title: A Non-parametric Skill Representation with Soft Null Space Projectors
for Fast Generalization
- Title（参考訳）: ソフトヌル空間プロジェクタを用いた高速一般化のための非パラメトリックスキル表現
- Authors: Jo\~ao Silv\'erio and Yanlong Huang
- Abstract要約: ヌル空間プロジェクタを含む非パラメトリック運動プリミティブを導出する。
このような定式化により,行列逆変換を伴わずに計算複雑性O(n2)で高速かつ効率的な運動生成が可能となることを示す。
高次元入力による実演技術については、オンザフライ適応も可能であることを示す。
- 参考スコア（独自算出の注目度）: 7.119677737397071
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the last two decades, the robotics community witnessed the emergence of
various motion representations that have been used extensively, particularly in
behavorial cloning, to compactly encode and generalize skills. Among these,
probabilistic approaches have earned a relevant place, owing to their encoding
of variations, correlations and adaptability to new task conditions. Modulating
such primitives, however, is often cumbersome due to the need for parameter
re-optimization which frequently entails computationally costly operations. In
this paper we derive a non-parametric movement primitive formulation that
contains a null space projector. We show that such formulation allows for fast
and efficient motion generation with computational complexity O(n2) without
involving matrix inversions, whose complexity is O(n3). This is achieved by
using the null space to track secondary targets, with a precision determined by
the training dataset. Using a 2D example associated with time input we show
that our non-parametric solution compares favourably with a state-of-the-art
parametric approach. For demonstrated skills with high-dimensional inputs we
show that it permits on-the-fly adaptation as well.
- Abstract（参考訳）: 過去20年間、ロボティクスのコミュニティは様々な動きの表現の出現を目撃し、特に行動的クローニングにおいて、スキルをコンパクトにエンコードし、一般化するために広く使われた。
これらのうち、確率論的アプローチは、変化のエンコーディング、相関、新しいタスク条件への適応性など、関連する位置を占めてきた。
しかし、そのようなプリミティブの変調は、しばしば計算コストのかかる演算を伴うパラメータの再最適化を必要とするため、しばしば面倒である。
本稿では、ヌル空間プロジェクタを含む非パラメトリック運動原始的な定式化を導出する。
このような定式化は,計算量 O(n2) を計算量 O(n3) に含まない高速かつ効率的な運動生成を可能にすることを示す。
これは、nullスペースを使用してセカンダリターゲットを追跡することで実現され、トレーニングデータセットによって精度が決定される。
時間入力に関連する2次元例を用いて、我々の非パラメトリック解が最先端パラメトリック法と好適に比較できることを示す。
高次元入力による実演スキルについては,オンザフライ適応も可能であることを示す。
関連論文リスト
- Generative modeling of time-dependent densities via optimal transport
and projection pursuit [3.069335774032178]
本稿では,時間的モデリングのための一般的なディープラーニングアルゴリズムの代替として,安価に提案する。
我々の手法は最先端の解法と比較して非常に競争力がある。
論文 参考訳（メタデータ） (2023-04-19T13:50:13Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。
対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。
この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文 参考訳（メタデータ） (2023-02-02T00:13:32Z) - Quantum Sparse Coding [5.130440339897477]
我々はスパース符号化のための量子インスピレーション付きアルゴリズムを開発した。
量子コンピュータとイジングマシンの出現は、より正確な推定につながる可能性がある。
我々はLightrの量子インスパイアされたデジタルプラットフォーム上でシミュレーションデータを用いて数値実験を行う。
論文 参考訳（メタデータ） (2022-09-08T13:00:30Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Toward Learning Robust and Invariant Representations with Alignment
Regularization and Data Augmentation [76.85274970052762]
本論文はアライメント正則化の選択肢の増大を動機としている。
我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。
我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
論文 参考訳（メタデータ） (2022-06-04T04:29:19Z) - Neural Implicit Flow: a mesh-agnostic dimensionality reduction paradigm
of spatio-temporal data [4.996878640124385]
大規模・パラメトリック・時空間データに対してメッシュに依存しない低ランクな表現を可能にする,NIF(Neural Implicit Flow)と呼ばれる汎用フレームワークを提案する。
NIFは、2つの修正された多層パーセプトロン(i)ShapeNetで構成されており、これは空間的複雑さ(i)ShapeNetを分離し、表現し、パラメトリック依存関係、時間、センサー測定を含む他の入力測定を考慮に入れている。
パラメトリックサロゲートモデリングにおけるNIFの有用性を実証し、複雑な時空間力学の解釈可能な表現と圧縮を可能にし、多空間時空間の効率的な一般化を実現し、スパースの性能を改善した。
論文 参考訳（メタデータ） (2022-04-07T05:02:58Z) - Sketching as a Tool for Understanding and Accelerating Self-attention
for Long Sequences [52.6022911513076]
トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。
我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。
理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
論文 参考訳（メタデータ） (2021-12-10T06:58:05Z) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳（メタデータ） (2021-07-13T16:05:28Z) - Mixed-Integer Nonlinear Programming for State-based Non-Intrusive Load
Monitoring [2.2237337682863125]
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、1つのスマートメーターによって記録された集約信号に対して、各アプライアンスのエネルギー消費を推定するタスクである。
エネルギー分散のための2段階最適化手法を提案する。
論文 参考訳（メタデータ） (2021-06-16T22:16:00Z)
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。