Fugu-MT 論文翻訳(概要): Where To Start? Transferring Simple Skills to Complex Environments

論文の概要: Where To Start? Transferring Simple Skills to Complex Environments

arxiv url: http://arxiv.org/abs/2212.06111v1
Date: Mon, 12 Dec 2022 18:37:10 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 18:24:54.724808
Title: Where To Start? Transferring Simple Skills to Complex Environments
Title（参考訳）: どこから始めるか? 簡単なスキルを複雑な環境に移す
Authors: Vitalis Vosylius, Edward Johns
Abstract要約: 本研究では,環境のグラフ表現に基づくアベイランスモデルを導入し,デプロイ中に最適なロボット構成を見つけるために最適化した。提案手法は,事前取得したスキルをシミュレーションや実世界において,これまで見られなかった乱雑な環境や制約のある環境に一般化し,把握作業と配置作業の両方に応用できることを実証する。
参考スコア（独自算出の注目度）: 16.39683357703568
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Robot learning provides a number of ways to teach robots simple skills, such as grasping. However, these skills are usually trained in open, clutter-free environments, and therefore would likely cause undesirable collisions in more complex, cluttered environments. In this work, we introduce an affordance model based on a graph representation of an environment, which is optimised during deployment to find suitable robot configurations to start a skill from, such that the skill can be executed without any collisions. We demonstrate that our method can generalise a priori acquired skills to previously unseen cluttered and constrained environments, in simulation and in the real world, for both a grasping and a placing task.
Abstract（参考訳）: ロボット学習は、把持など、ロボットに簡単なスキルを教える多くの方法を提供する。しかし、これらのスキルは通常、オープンで散らかった環境で訓練されているため、より複雑で散らかった環境では望ましくない衝突を引き起こす可能性がある。そこで本研究では,環境のグラフ表現に基づくアプライアンスモデルを提案する。これは,展開中に最適化され,スキルを開始するための適切なロボット構成を見つける。提案手法は,事前取得したスキルをシミュレーションや実環境において,把握作業と配置作業の両方において,これまで見つからなかった制約のある環境に一般化できることを実証する。

関連論文リスト

Robot Skill Generalization via Keypoint Integrated Soft Actor-Critic Gaussian Mixture Models [21.13906762261418]
ロボット操作システムの長年の課題は、取得したモータースキルを、目に見えない環境に適応させ、一般化することだ。我々は、模倣と強化のパラダイムを統合するハイブリッドスキルモデルを用いて、この課題に取り組む。提案手法は,ロボットが新規環境への大幅なゼロショット一般化を実現し,目標環境におけるスキルをスクラッチから学習するよりも早く洗練することができることを示す。
論文参考訳（メタデータ） (2023-10-23T16:03:23Z)
ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters [123.88692739360457]
汎用運動技術により、人間は複雑な作業を行うことができる。これらのスキルは、新しいタスクを学ぶときの振る舞いを導くための強力な先駆者も提供します。物理シミュレーション文字のための汎用的で再利用可能なスキル埋め込みを学習するためのフレームワークを提案する。
論文参考訳（メタデータ） (2022-05-04T06:13:28Z)
Continual Predictive Learning from Videos [100.27176974654559]
本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
論文参考訳（メタデータ） (2022-04-12T08:32:26Z)
Robot Skill Adaptation via Soft Actor-Critic Gaussian Mixture Models [29.34375999491465]
現実の世界で行動する自律的エージェントにとっての中核的な課題は、その騒々しい知覚とダイナミクスに対処するために、そのスキルのレパートリーを適応させることである。ロングホライズンタスクにスキルの学習を拡大するためには、ロボットは学習し、その後、構造化された方法でスキルを洗練する必要がある。 SAC-GMMは,動的システムを通じてロボットのスキルを学習し,学習したスキルを自身の軌道分布空間に適応させる,新しいハイブリッドアプローチである。
論文参考訳（メタデータ） (2021-11-25T15:36:11Z)
Zero-Shot Reinforcement Learning on Graphs for Autonomous Exploration Under Uncertainty [6.42522897323111]
シミュレーション環境で高性能探査政策を自己学習するための枠組みを提案する。本稿では,グラフニューラルネットワークと深層強化学習を併用した新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-11T02:42:17Z)
SKID RAW: Skill Discovery from Raw Trajectories [23.871402375721285]
すべてのスキルではなく、完全なタスクの実行を示すことが望ましい。軌跡を反復パターンに分割することを同時に学習する新しい手法を提案する。このアプローチは、スキルのシーケンスを理解するのに使用できるスキルコンディショニングを学習する。
論文参考訳（メタデータ） (2021-03-26T17:27:13Z)
Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
論文参考訳（メタデータ） (2020-11-17T15:24:01Z)
Solving Challenging Dexterous Manipulation Tasks With Trajectory Optimisation and Reinforcement Learning [14.315501760755609]
人為的なロボットハンドの使い方を自律的に学ぶ訓練エージェントは、様々な複雑な操作タスクを実行できるシステムに繋がる可能性を秘めている。まず、現在の強化学習と軌跡最適化技術が困難であるような、シミュレーション操作の難易度を課題として紹介する。次に、これらの環境における既存の手法よりもはるかに優れた性能を示す、単純な軌道最適化を導入する。
論文参考訳（メタデータ） (2020-09-09T13:49:52Z)
Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文参考訳（メタデータ） (2020-05-21T19:47:05Z)
SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文参考訳（メタデータ） (2020-03-19T00:11:34Z)
The Chef's Hat Simulation Environment for Reinforcement-Learning-Based Agents [54.63186041942257]
本稿では,人間-ロボットインタラクションのシナリオで使用されるように設計されたChef's Hatカードゲームを実装する仮想シミュレーション環境を提案する。本稿では,強化学習アルゴリズムにおける制御可能かつ再現可能なシナリオを提案する。
論文参考訳（メタデータ） (2020-03-12T15:52:49Z)

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。