論文の概要: Towards Precise Model-free Robotic Grasping with Sim-to-Real Transfer Learning

• arxiv url: http://arxiv.org/abs/2301.12249v1
• Date: Sat, 28 Jan 2023 16:57:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 18:09:44.329941
• Title: Towards Precise Model-free Robotic Grasping with Sim-to-Real Transfer Learning
• Title（参考訳）: Sim-to-Real Transfer Learningを用いた高精度モデルフリーロボットグラスピングに向けて
• Authors: Lei Zhang, Kaixin Bai, Zhaopeng Chen, Yunlei Shi and Jianwei Zhang
• Abstract要約: 本稿では,ロボットの把持ネットワークについて述べる。 物理ロボット実験では,1つの既知の物体と,90.91%の成功率を持つ新しい複合形状の家庭用物体を把握した。 提案した把握フレームワークは、既知の物体と未知の物体の両方において、最先端の2つの手法より優れていた。
• 参考スコア（独自算出の注目度）: 11.470950882435927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise robotic grasping of several novel objects is a huge challenge in manufacturing, automation, and logistics. Most of the current methods for model-free grasping are disadvantaged by the sparse data in grasping datasets and by errors in sensor data and contact models. This study combines data generation and sim-to-real transfer learning in a grasping framework that reduces the sim-to-real gap and enables precise and reliable model-free grasping. A large-scale robotic grasping dataset with dense grasp labels is generated using domain randomization methods and a novel data augmentation method for deep learning-based robotic grasping to solve data sparse problem. We present an end-to-end robotic grasping network with a grasp optimizer. The grasp policies are trained with sim-to-real transfer learning. The presented results suggest that our grasping framework reduces the uncertainties in grasping datasets, sensor data, and contact models. In physical robotic experiments, our grasping framework grasped single known objects and novel complex-shaped household objects with a success rate of 90.91%. In a complex scenario with multi-objects robotic grasping, the success rate was 85.71%. The proposed grasping framework outperformed two state-of-the-art methods in both known and unknown object robotic grasping.
• Abstract（参考訳）: いくつかの新しい物体をロボットで正確に把握することは、製造、自動化、ロジスティクスにおいて大きな課題である。 モデルフリーハンドリングの現在の方法の多くは、データセット把握におけるスパースデータや、センサデータやコンタクトモデルにおける誤差によって不利である。 本研究は,データ生成とsim-to-real転送学習を組み合わせることで,sim-to-real間ギャップを低減し,正確かつ信頼性の高いモデルフリーな把握を可能にする。 領域ランダム化法と深層学習に基づくロボット把持のための新しいデータ拡張法を用いて、密接な把持ラベルを持つ大規模ロボット把持データセットを生成し、データスパース問題を解決する。 本稿では,把持オプティマイザを用いたエンドツーエンドロボット把持ネットワークを提案する。 把握ポリシはsim-to-real転送学習でトレーニングされる。 以上の結果から, 把持フレームワークはデータセット, センサデータ, コンタクトモデルの不確実性を低減できることが示唆された。 ロボット実験では, 1つの既知の物体と, 90.91%の成功率を持つ新しい複合住宅物体を把持した。 多目的ロボットによる複雑なシナリオでは、成功率は85.71%であった。 提案する把持フレームワークは, 未知のロボット把持法と未知のロボット把持法の両方において, 最先端の2つの手法を上回った。

関連論文リスト

• Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
  本稿では,低次元物理モデル学習のための合理化手法を提案する。 各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。 物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2024-10-31T18:37:22Z)
• Learning-based adaption of robotic friction models [48.453527255659296]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Domain Randomization for Sim2real Transfer of Automatically Generated Grasping Datasets [0.0]
  本稿では,実世界において自動生成された把握がどのように活用されるかを検討する。 7000以上のリーチ・アンド・グラス軌道が3つの異なるアームとグリップにQD(Quality-Diversity)法で生成され、それには平行な指と器用な手が含まれ、現実世界でテストされている。 ドメインランダム化をより堅牢にするために、ついにQDアプローチが提案され、その結果、フランカリサーチ3アームの転送比は84%となった。
  論文  参考訳（メタデータ） (2023-10-06T18:26:09Z)
• Towards Robust Dataset Learning [90.2590325441068]
  本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。 ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
  論文  参考訳（メタデータ） (2022-11-19T17:06:10Z)
• 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)
• Development of a robust cascaded architecture for intelligent robot grasping using limited labelled data [0.0]
  ロボットの場合、オブジェクトを効果的に把握する方法を学ぶために多くの時間を費やす余裕はありません。 本稿では,VQVAEに基づく効率的な学習アーキテクチャを提案する。 ラベル付きデータセットが限定された場合でも,より一般化可能な半教師付き学習ベースモデルについて検討した。
  論文  参考訳（メタデータ） (2021-11-06T11:01:15Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。