Fugu-MT 論文翻訳(概要): Grasping Student: semi-supervised learning for robotic manipulation

論文の概要: Grasping Student: semi-supervised learning for robotic manipulation

arxiv url: http://arxiv.org/abs/2303.04452v1
Date: Wed, 8 Mar 2023 09:03:11 GMT
ステータス: 処理完了
システム内更新日: 2023-03-09 14:42:08.805894
Title: Grasping Student: semi-supervised learning for robotic manipulation
Title（参考訳）: ロボット操作のための半教師付き学習
Authors: Piotr Krzywicki, Krzysztof Ciebiera, Rafa{\l} Michaluk, Inga Maziarz, Marek Cygan
Abstract要約: 本研究では,ロボットとのインタラクションを伴わずに収集する製品画像を利用した半教師付き把握システムの設計を行う。少数のロボットトレーニングサンプルの体制では、ラベルのないデータを活用することで、10倍のデータセットサイズでパフォーマンスを実現することができる。
参考スコア（独自算出の注目度）: 0.7282230325785884
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gathering real-world data from the robot quickly becomes a bottleneck when constructing a robot learning system for grasping. In this work, we design a semi-supervised grasping system that, on top of a small sample of robot experience, takes advantage of images of products to be picked, which are collected without any interactions with the robot. We validate our findings both in the simulation and in the real world. In the regime of a small number of robot training samples, taking advantage of the unlabeled data allows us to achieve performance at the level of 10-fold bigger dataset size used by the baseline. The code and datasets used in the paper will be released at https://github.com/nomagiclab/grasping-student.
Abstract（参考訳）: ロボットから現実世界のデータを集めることは、ロボット学習システムを構築する際にすぐにボトルネックとなる。本研究では,ロボットの小さなサンプルに加えて,ロボットとのインタラクションなしに収集される,選択すべき製品のイメージを活用する,半教師付き把持システムを設計する。我々はシミュレーションと実世界の両方でこの結果を検証する。少数のロボットトレーニングサンプルのシステムでは、ラベルのないデータを活用することで、ベースラインが使用する10倍のデータセットサイズのパフォーマンスを実現することができます。論文で使用されるコードとデータセットは、https://github.com/nomagiclab/grasping-studentでリリースされる。

関連論文リスト

Simulation-Aided Policy Tuning for Black-Box Robot Learning [47.83474891747279]
本稿では,データ効率の向上に着目した新しいブラックボックスポリシー探索アルゴリズムを提案する。このアルゴリズムはロボット上で直接学習し、シミュレーションを追加の情報源として扱い、学習プロセスを高速化する。ロボットマニピュレータ上でのタスク学習の高速化と成功を,不完全なシミュレータの助けを借りて示す。
論文参考訳（メタデータ） (2024-11-21T15:52:23Z)
Self Supervised Deep Learning for Robot Grasping [1.1433275758269863]
畳み込みニューラルネットワーク(CNN)を学習する自己教師型ロボット構成を提案する。ロボットはトレーニングプロセス中にデータをラベル付けして収集する。ロボットは数百時間にわたって大規模なデータセットで訓練され、訓練されたニューラルネットワークはより大きな把握ロボットにマッピングされる。
論文参考訳（メタデータ） (2024-10-17T23:26:55Z)
Exploring Visual Pre-training for Robot Manipulation: Datasets, Models and Methods [14.780597545674157]
本稿では,3つの基本的視点から,視覚的事前学習がロボット操作作業に及ぼす影響について検討する。自己教師型学習と教師型学習を組み合わせた視覚的事前学習方式Vi-PRoMを提案する。
論文参考訳（メタデータ） (2023-08-07T14:24:52Z)
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)
Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文参考訳（メタデータ） (2023-03-02T18:51:38Z)
Scaling Robot Learning with Semantically Imagined Experience [21.361979238427722]
ロボット学習の最近の進歩は、ロボットが操作タスクを実行できることを約束している。この進歩に寄与する要因の1つは、モデルのトレーニングに使用されるロボットデータのスケールである。本稿では,コンピュータビジョンや自然言語処理に広く用いられているテキスト・ツー・イメージ基盤モデルを利用した代替手法を提案する。
論文参考訳（メタデータ） (2023-02-22T18:47:51Z)
Automatically Prepare Training Data for YOLO Using Robotic In-Hand Observation and Synthesis [14.034128227585143]
本稿では,ロボットが収集した限られたデータセットを拡大するために,ロボット内観察とデータ合成を組み合わせることを提案する。収集された合成画像を組み合わせて、ディープ検出ニューラルネットワークをトレーニングする。その結果, 観察画像と合成画像の組み合わせが手動データ作成に匹敵する性能を示した。
論文参考訳（メタデータ） (2023-01-04T04:20:08Z)
RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
論文参考訳（メタデータ） (2022-12-13T18:55:15Z)
DexTransfer: Real World Multi-fingered Dexterous Grasping with Minimal Human Demonstrations [51.87067543670535]
本研究では,少数の人間によるデモンストレーションを行い,見えない物体のポーズを学習するロボット学習システムを提案する。我々は,物体の点群を入力として捉え,物体を異なる初期ロボット状態から把握するための連続的な動作を予測する,厳密な把握ポリシーを訓練する。我々のデータセットから学んだポリシーは、シミュレーションと現実世界の両方で見えないオブジェクトのポーズをうまく一般化することができる。
論文参考訳（メタデータ） (2022-09-28T17:51:49Z)
Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文参考訳（メタデータ） (2021-09-19T18:00:51Z)
A Framework for Efficient Robotic Manipulation [79.10407063260473]
単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
論文参考訳（メタデータ） (2020-12-14T22:18:39Z)

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。