論文の概要: ControlVAE: Model-Based Learning of Generative Controllers for
Physics-Based Characters
- arxiv url: http://arxiv.org/abs/2210.06063v1
- Date: Wed, 12 Oct 2022 10:11:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 15:58:19.705890
- Title: ControlVAE: Model-Based Learning of Generative Controllers for
Physics-Based Characters
- Title（参考訳）: controlvae: 物理型文字生成制御系のモデルベース学習
- Authors: Heyuan Yao, Zhenhua Song, Baoquan Chen, Libin Liu
- Abstract要約: 可変オートエンコーダ(VAE)に基づく生成動作制御ポリシーを学習するためのモデルベースのフレームワークであるControlVAEを紹介する。
我々のフレームワークは、多種多様な非組織的な動作シーケンスから、リッチで柔軟なスキル表現と、スキル条件付き生成制御ポリシーを学習することができる。
シミュレーション文字のリアルかつインタラクティブな制御を可能にする多種多様なタスクセットを用いた制御VAEの有効性を実証する。
- 参考スコア（独自算出の注目度）: 28.446959320429656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce ControlVAE, a novel model-based framework for
learning generative motion control policies based on variational autoencoders
(VAE). Our framework can learn a rich and flexible latent representation of
skills and a skill-conditioned generative control policy from a diverse set of
unorganized motion sequences, which enables the generation of realistic human
behaviors by sampling in the latent space and allows high-level control
policies to reuse the learned skills to accomplish a variety of downstream
tasks. In the training of ControlVAE, we employ a learnable world model to
realize direct supervision of the latent space and the control policy. This
world model effectively captures the unknown dynamics of the simulation system,
enabling efficient model-based learning of high-level downstream tasks. We also
learn a state-conditional prior distribution in the VAE-based generative
control policy, which generates a skill embedding that outperforms the
non-conditional priors in downstream tasks. We demonstrate the effectiveness of
ControlVAE using a diverse set of tasks, which allows realistic and interactive
control of the simulated characters.
- Abstract（参考訳）: 本稿では,変分オートエンコーダ(VAE)に基づく生成動作制御ポリシーを学習するための新しいモデルベースフレームワークであるControlVAEを紹介する。
このフレームワークは,多種多様な非組織的な動作シーケンスから,リッチでフレキシブルな潜在能力表現とスキル条件付き生成制御ポリシーを学習し,潜在空間をサンプリングすることで現実的な人間の行動の生成を可能にし,学習したスキルを再利用してさまざまな下流タスクを達成できるようにする。
ControlVAEのトレーニングでは、学習可能な世界モデルを用いて、潜伏空間の直接的な監視と制御ポリシーを実現する。
この世界モデルはシミュレーションシステムの未知のダイナミクスを効果的に捉え、高レベル下流タスクの効率的なモデルベース学習を可能にする。
また,vaeに基づく生成制御ポリシにおける状態条件優先分布を学習し,下流タスクにおける非条件優先性を上回るスキル埋め込みを生成する。
シミュレーション文字のリアルかつインタラクティブな制御を可能にする多種多様なタスクセットを用いた制御VAEの有効性を実証する。
関連論文リスト
- RoboKoop: Efficient Control Conditioned Representations from Visual Input in Robotics using Koopman Operator [14.77553682217217]
本研究では,高次元潜在空間におけるエージェントの視覚データから効率的な線形化視覚表現を学習するコントラストスペクトル・クープマン埋め込みネットワークを提案する。
本手法は、時間とともに勾配力学の安定性と制御を向上し、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-09-04T22:14:59Z) - ControlVAR: Exploring Controllable Visual Autoregressive Modeling [48.66209303617063]
拡散モデル(DM)の出現により、条件付き視覚発生は顕著に進展した。
高価な計算コスト、高い推論遅延、大規模言語モデル(LLM)との統合の難しさといった課題は、DMに代わる方法を模索する必要がある。
本稿では,フレキシブルかつ効率的な条件生成のための視覚自己回帰モデリングにおける画素レベル制御を探求する新しいフレームワークであるControlmoreを紹介する。
論文 参考訳（メタデータ） (2024-06-14T06:35:33Z) - Learning Exactly Linearizable Deep Dynamics Models [0.07366405857677226]
本稿では, 安定度, 信頼性, 信頼性を確保するために, 様々な制御理論を容易に適用可能な, 線形化可能な動的モデルの学習法を提案する。
提案手法は, 自動車エンジンのリアルタイム制御に応用され, 予測性能と制約下での安定制御が良好であることを示す。
論文 参考訳（メタデータ） (2023-11-30T05:40:55Z) - Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。
我々は、切り離された潜在的想像力に基づいて政策最適化を行う。
これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文 参考訳（メタデータ） (2023-03-27T02:55:56Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z) - ConBaT: Control Barrier Transformer for Safe Policy Learning [26.023275758215423]
Control Barrier Transformer (ConBaT) は、自己管理型でデモから安全な動作を学ぶアプローチである。
デプロイメントでは、軽量なオンライン最適化を使用して、学習された安全なセット内に将来状態が確実に配置されるアクションを見つけます。
論文 参考訳（メタデータ） (2023-03-07T20:04:28Z) - In-Distribution Barrier Functions: Self-Supervised Policy Filters that
Avoid Out-of-Distribution States [84.24300005271185]
本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。
本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
論文 参考訳（メタデータ） (2023-01-27T22:28:19Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z) - Dream to Explore: Adaptive Simulations for Autonomous Systems [3.0664963196464448]
ベイズ的非パラメトリック法を適用し,力学系制御の学習に挑戦する。
ガウス過程を用いて潜在世界力学を探索することにより、強化学習で観測される一般的なデータ効率の問題を緩和する。
本アルゴリズムは,ログの変動的下界を最適化することにより,世界モデルと政策を共同で学習する。
論文 参考訳（メタデータ） (2021-10-27T04:27:28Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
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。