論文の概要: Autonomous Golf Putting with Data-Driven and Physics-Based Methods
- arxiv url: http://arxiv.org/abs/2211.08081v1
- Date: Tue, 15 Nov 2022 12:05:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 16:19:21.103102
- Title: Autonomous Golf Putting with Data-Driven and Physics-Based Methods
- Title（参考訳）: データ駆動型および物理に基づく自動ゴルフパッティング
- Authors: Annika Junker, Niklas Fittkau, Julia Timmermann, Ansgar Tr\"achtler
- Abstract要約: 我々は,データ駆動と物理を併用した自己学習型メカトロニックゴルフロボットを開発している。
ロボットのメカトロニクス制御設計とは別に、このタスクは画像認識とニューラルネットワークを備えたカメラシステムによって達成される。
本稿では,メカトロニクスの例示システムとして,ゴルフロボットにおけるデータ駆動と物理に基づく手法の相乗結合を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We are developing a self-learning mechatronic golf robot using combined
data-driven and physics-based methods, to have the robot autonomously learn to
putt the ball from an arbitrary point on the green. Apart from the mechatronic
control design of the robot, this task is accomplished by a camera system with
image recognition and a neural network for predicting the stroke velocity
vector required for a successful hole-in-one. To minimize the number of
time-consuming interactions with the real system, the neural network is
pretrained by evaluating basic physical laws on a model, which approximates the
golf ball dynamics on the green surface in a data-driven manner. Thus, we
demonstrate the synergetic combination of data-driven and physics-based methods
on the golf robot as a mechatronic example system.
- Abstract（参考訳）: 我々は、データ駆動型と物理ベースを組み合わせた自己学習型メカトロニックゴルフロボットを開発し、グリーン上の任意の点からボールを置くことを自律的に学ばせるようにしている。
ロボットのメカトロニクス制御設計とは別に、このタスクは画像認識を備えたカメラシステムと、ホールインワンの成功に必要なストローク速度ベクトルを予測するニューラルネットワークによって達成される。
実システムとの時間消費相互作用を最小化するために、グリーン面のゴルフボールダイナミクスをデータ駆動方式で近似するモデルの基本物理法則を評価することにより、ニューラルネットワークを事前学習する。
そこで,本稿では,ゴルフロボットにおけるデータ駆動法と物理ベース法の相乗的組み合わせをメカトロニクスの例システムとして示す。
関連論文リスト
- Learning Object Properties Using Robot Proprioception via Differentiable Robot-Object Interaction [52.12746368727368]
微分可能シミュレーションは、システム識別の強力なツールとなっている。
本手法は,オブジェクト自体のデータに頼ることなく,ロボットからの情報を用いてオブジェクト特性を校正する。
低コストなロボットプラットフォームにおける本手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-10-04T20:48:38Z) - RoboPack: Learning Tactile-Informed Dynamics Models for Dense Packing [38.97168020979433]
本稿では, 視覚と触覚を組み合わせ, 触覚インフォームド・ダイナミックスモデルを学習することでロボット操作を実現するアプローチを提案する。
提案するフレームワークであるRoboPackは、オブジェクト状態を推定するために、リカレントグラフニューラルネットワークを使用している。
我々は,非包括的操作と密包装作業に対するソフトバブル触覚センサを備えた実ロボットへのアプローチを実証する。
論文 参考訳（メタデータ） (2024-07-01T16:08:37Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳（メタデータ） (2023-11-28T18:58:48Z) - High-Degrees-of-Freedom Dynamic Neural Fields for Robot Self-Modeling and Motion Planning [6.229216953398305]
ロボットの自己モデル(英: Robot self-model)は、ロボットの運動計画タスクに使用できる身体形態の表現である。
本研究では,高次自由度を条件とした動的オブジェクト中心シーンのためのエンコーダに基づくニューラル密度場アーキテクチャを提案する。
7-DOFロボットテストセットでは、学習された自己モデルは、ロボットの次元ワークスペースの2%のChamfer-L2距離を達成する。
論文 参考訳（メタデータ） (2023-10-05T16:01:29Z) - 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) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects
with Graph Networks [32.00371492516123]
弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。
我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。
実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
論文 参考訳（メタデータ） (2022-05-05T20:28:15Z) - In-air Knotting of Rope using Dual-Arm Robot based on Deep Learning [8.365690203298966]
深層学習に基づく双腕二本指ロボットを用いて,ロープの空中結節を成功させた。
全ての対象状態に対応する適切なロボット動作のマニュアル記述を事前に作成することは困難である。
そこで我々は,ロボットに2つの深層ニューラルネットワークを訓練し,そのセンサモデレータから収集したデータに基づいてボクノットとオーバーハンドノットを行うよう指示するモデルを構築した。
論文 参考訳（メタデータ） (2021-03-17T02:11:58Z) - 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) - An analytical diabolo model for robotic learning and control [15.64227695210532]
本研究では、ダイアボロストリングシステムの解析モデルを作成し、その精度をモーションキャプチャーで記録したデータを用いて比較する。
我々のモデルは、精度と物理的に一貫した振る舞いの両方において、ディープラーニングベースの予測器よりも優れていることを示す。
実際のロボットシステム上で,ダイアボロを演奏し,人間のプレーヤーに投げてキャッチすることで,本手法を検証した。
論文 参考訳（メタデータ） (2020-11-18T03:38:12Z) - Populations of Spiking Neurons for Reservoir Computing: Closed Loop
Control of a Compliant Quadruped [64.64924554743982]
本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。
本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
論文 参考訳（メタデータ） (2020-04-09T14:32:49Z)
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。