論文の概要: GLSO: Grammar-guided Latent Space Optimization for Sample-efficient
Robot Design Automation
- arxiv url: http://arxiv.org/abs/2209.11748v1
- Date: Fri, 23 Sep 2022 17:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 17:34:16.162729
- Title: GLSO: Grammar-guided Latent Space Optimization for Sample-efficient
Robot Design Automation
- Title(参考訳): GLSO:サンプル効率ロボット設計自動化のための文法誘導潜時空間最適化
- Authors: Jiaheng Hu, Julian Whiman, Howie Choset
- Abstract要約: 設計自動化を低次元連続最適化問題に変換するフレームワークであるGrammar-Guided Latent Space Optimization (GLSO)を提案する。
本研究では,グラフ構造設計空間と連続潜在空間とのマッピングを学習するために,グラフ変分オートエンコーダ(VAE)を訓練することにより,設計自動化を低次元連続最適化問題に変換するフレームワークを提案する。
- 参考スコア(独自算出の注目度): 16.96128900256427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots have been used in all sorts of automation, and yet the design of
robots remains mainly a manual task. We seek to provide design tools to
automate the design of robots themselves. An important challenge in robot
design automation is the large and complex design search space which grows
exponentially with the number of components, making optimization difficult and
sample inefficient. In this work, we present Grammar-guided Latent Space
Optimization (GLSO), a framework that transforms design automation into a
low-dimensional continuous optimization problem by training a graph variational
autoencoder (VAE) to learn a mapping between the graph-structured design space
and a continuous latent space. This transformation allows optimization to be
conducted in a continuous latent space, where sample efficiency can be
significantly boosted by applying algorithms such as Bayesian Optimization.
GLSO guides training of the VAE using graph grammar rules and robot world space
features, such that the learned latent space focus on valid robots and is
easier for the optimization algorithm to explore. Importantly, the trained VAE
can be reused to search for designs specialized to multiple different tasks
without retraining. We evaluate GLSO by designing robots for a set of
locomotion tasks in simulation, and demonstrate that our method outperforms
related state-of-the-art robot design automation methods.
- Abstract(参考訳): ロボットはあらゆる種類の自動化に使われてきたが、ロボットの設計は主に手作業で行われている。
ロボット自体の設計を自動化するための設計ツールを提供したいと考えている。
ロボット設計の自動化における重要な課題は、コンポーネントの数に応じて指数関数的に成長し、最適化が困難でサンプル非効率な大規模で複雑なデザイン検索空間である。
本研究では,グラフ構造設計空間と連続潜在空間とのマッピングを学習するために,グラフ変分オートエンコーダ(VAE)をトレーニングすることにより,設計自動化を低次元連続最適化問題に変換するフレームワークであるGLSOを提案する。
この変換により、ベイズ最適化のようなアルゴリズムを適用することで、サンプル効率を大幅に向上できる連続潜在空間で最適化を行うことができる。
glsoはグラフ文法規則とロボットの世界空間の特徴を用いてvaeの訓練をガイドしており、学習された潜在空間は有効なロボットに焦点を当て、最適化アルゴリズムを探索しやすくしている。
重要なのは、トレーニングされたvaeを再利用して、再トレーニングすることなく、複数の異なるタスクに特化した設計を検索できることだ。
シミュレーションにおけるロコモーションタスクのセットのためのロボットの設計によりglsoを評価し,その手法が関連する最先端ロボット設計自動化手法よりも優れていることを示す。
関連論文リスト
- RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳(メタデータ) (2024-02-22T15:12:00Z) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning
via Generative Simulation [64.51563634951394]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳(メタデータ) (2023-11-02T17:59:21Z) - Leveraging Hyperbolic Embeddings for Coarse-to-Fine Robot Design [40.01142267374432]
マルチセルロボットの設計は、多様なタスクを実行するために効率的に制御できる多数のセルからなるロボットを作ることを目的としている。
これまでの研究では、さまざまなタスクのためのロボットを生成する能力が実証されてきたが、これらのアプローチは、広大なデザイン空間でロボットを直接最適化することが多い。
本稿では,多細胞ロボットを設計するための新しい粗粒化手法を提案する。
論文 参考訳(メタデータ) (2023-11-01T11:56:32Z) - Design Optimizer for Planar Soft-Growing Robot Manipulators [1.1888144645004388]
本研究は,ソフト成長ロボットの設計最適化のための新しいアプローチを提案する。
ソフトマニピュレータのキネマティックチェーンを最適化し、ターゲットに到達し、材料や資源の不要な過剰使用を避ける。
提案手法を最適性にアクセスするために, 提案手法を検証したところ, 解法の性能は著しく向上した。
論文 参考訳(メタデータ) (2023-10-05T08:23:17Z) - 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) - Symmetry-Aware Robot Design with Structured Subgroups [31.422714467666637]
本稿では,ロボット設計プロセスに対称性探索を組み込むことにより,設計空間の構造を活用するシンメトリ・アウェア・ロボット設計フレームワークを提案する。
具体的には、二面群の部分群の対称性を表現し、構造化された部分群の最適対称性を探索する。
このようにして、SARDは理論的に解析された元の設計空間をカバーしながら効率的な対称ロボットを設計できる。
論文 参考訳(メタデータ) (2023-05-31T08:57:03Z) - Obstacle Avoidance for Robotic Manipulator in Joint Space via Improved
Proximal Policy Optimization [6.067589886362815]
本稿では,6-DoFマニピュレータのタスク空間から関節空間にマップするために,改良されたPPOアルゴリズムを用いて深層ニューラルネットワークを訓練する。
実ロボットでそのようなタスクを訓練するのは時間を要するので、モデルを訓練するためのシミュレーション環境を開発する。
実験結果から,ロボットは非構造環境下で1つの目標をトラッキングしたり,複数の目標に到達することができた。
論文 参考訳(メタデータ) (2022-10-03T10:21:57Z) - REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy
Transfer [57.045140028275036]
本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。
模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。
本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-10T18:50:25Z) - Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots [29.02903745467536]
ソフトロボットの設計と制御を最適化する最初の大規模ベンチマークであるEvolution Gymを提案する。
私たちのベンチマーク環境は、様々な種類の地形の移動や操作など、幅広いタスクにまたがっています。
我々は,最先端設計最適化手法と深層強化学習手法を組み合わせることで,複数のロボット共進化アルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-01-24T18:39:22Z) - Large Scale Distributed Collaborative Unlabeled Motion Planning with
Graph Policy Gradients [122.85280150421175]
本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。
ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
論文 参考訳(メタデータ) (2021-02-11T21:57:43Z) - Machine Learning-Based Automated Design Space Exploration for Autonomous
Aerial Robots [55.056709056795206]
自律飛行ロボットのためのドメイン固有のアーキテクチャの構築は、オンボードコンピューティングを設計するための体系的な方法論が欠如しているため、難しい。
F-1ルーフラインと呼ばれる新しいパフォーマンスモデルを導入し、アーキテクトがバランスの取れたコンピューティングシステムを構築する方法を理解するのを助ける。
サイバー物理設計空間を自動でナビゲートするために、AutoPilotを導入します。
論文 参考訳(メタデータ) (2021-02-05T03:50:54Z)
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。