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
- STRIDE: Automating Reward Design, Deep Reinforcement Learning Training and Feedback Optimization in Humanoid Robotics Locomotion [33.91518509518502]
我々は,人型ロボットの移動作業に対する報酬設計,DRLトレーニング,フィードバック最適化を自動化するために,エージェント工学に基づく新しいフレームワークSTRIDEを紹介する。
エージェントエンジニアリングの構造化された原則と、コード記述、ゼロショット生成、コンテキスト内最適化のための大きな言語モデル(LLM)を組み合わせることで、STRIDEはタスク固有のプロンプトやテンプレートに頼ることなく報酬関数を生成し、評価し、反復的に洗練する。
ヒューマノイドロボットの形態を特徴とする多様な環境において、STRIDEは最先端の報酬設計フレームワークであるEUREKAよりも優れており、ラウンド250%の平均的な改善を実現している。
論文 参考訳（メタデータ） (2025-02-07T06:37:05Z) - Design Optimizer for Soft Growing Robot Manipulators in Three-Dimensional Environments [0.7209792639354117]
ソフト成長ロボットは、散らかったり危険な環境下でのナビゲーションのための植物のような成長を模倣する新しいデバイスである。
本研究は,ソフト成長ロボットの設計最適化のためのアプローチを提案する。
これは、特定のタスクを解くためのロボットの最適なサイズを示唆している。
論文 参考訳（メタデータ） (2024-12-31T09:44:18Z) - Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - Structural Optimization of Lightweight Bipedal Robot via SERL [6.761861053481078]
本稿では,移動課題の強化学習と進化アルゴリズムを組み合わせたSERL(Structure Evolution Reinforcement Learning)アルゴリズムを提案する。
We designed a bipedal robot called Wow Orin, where the optimal leg length are obtained through optimization based on body structure and motor Turk。
論文 参考訳（メタデータ） (2024-08-28T08:34:05Z) - A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。
本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。
移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
論文 参考訳（メタデータ） (2024-08-11T14:57:57Z) - RoboMorph: Evolving Robot Morphology using Large Language Models [0.5812095716568273]
本稿では,モジュール型ロボットの設計を自動生成・最適化するRoboMorphを紹介する。
自動プロンプト設計と強化学習に基づく制御アルゴリズムを統合することで、RoboMorphはフィードバックループを通じてロボット設計を反復的に改善する。
論文 参考訳（メタデータ） (2024-07-11T16:05:56Z) - 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 [68.70755196744533]
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) - 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。