論文の概要: Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization
- arxiv url: http://arxiv.org/abs/2303.08965v1
- Date: Wed, 15 Mar 2023 22:25:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 17:40:35.888318
- Title: Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization
- Title(参考訳): 接触暗黙的二レベル最適化によるロバストピボット操作
- Authors: Yuki Shirai, Devesh K. Jha, Arvind U. Raghunathan
- Abstract要約: 汎用的な操作には、ロボットが新しいオブジェクトや環境と対話する必要がある。
不確実性の存在下でのピボット操作計画のための頑健な最適化について検討する。
操作中の物理特性の推定における不正確さを補うために、摩擦をどのように活用できるかについての知見を提示する。
- 参考スコア(独自算出の注目度): 11.335977814233043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generalizable manipulation requires that robots be able to interact with
novel objects and environment. This requirement makes manipulation extremely
challenging as a robot has to reason about complex frictional interactions with
uncertainty in physical properties of the object and the environment. In this
paper, we study robust optimization for planning of pivoting manipulation in
the presence of uncertainties. We present insights about how friction can be
exploited to compensate for inaccuracies in the estimates of the physical
properties during manipulation. Under certain assumptions, we derive analytical
expressions for stability margin provided by friction during pivoting
manipulation. This margin is then used in a Contact Implicit Bilevel
Optimization (CIBO) framework to optimize a trajectory that maximizes this
stability margin to provide robustness against uncertainty in several physical
parameters of the object. We present analysis of the stability margin with
respect to several parameters involved in the underlying bilevel optimization
problem. We demonstrate our proposed method using a 6 DoF manipulator for
manipulating several different objects.
- Abstract(参考訳): 汎用的な操作は、ロボットが新しい物体や環境と対話できることを必要とする。
この要件は、ロボットが物体と環境の物理的性質の不確実性と複雑な摩擦相互作用を推論する必要があるため、操作を極めて困難にする。
本稿では,不確実性の存在下でのピボット操作計画のためのロバスト最適化について検討する。
操作中の物理特性の推定の不正確さを補うために摩擦をいかに活用できるかについて考察する。
ある種の仮定の下では,ピボット操作時の摩擦による安定性マージンの解析式を導出する。
このマージンは、この安定性マージンを最大化し、オブジェクトのいくつかの物理パラメータの不確実性に対する堅牢性を提供する軌道を最適化するために、コンタクト暗黙の2レベル最適化(cibo)フレームワークで使用される。
基礎となる二値最適化問題に関わるいくつかのパラメータについて,安定性マージンの解析を行った。
提案手法は6自由度マニピュレータを用いて複数の物体を操作する方法である。
関連論文リスト
- Goal-Oriented Sensitivity Analysis of Hyperparameters in Deep Learning [0.0]
Hilbert-Schmidt Independence Criterion (HSIC) に基づく目標指向感度分析のハイパーパラメータ解析および最適化への応用について検討した。
MNISTやCifar、古典的な機械学習データセットに応用したHSICに基づく最適化アルゴリズムを導出し、科学的な機械学習に関心を持つ。
論文 参考訳(メタデータ) (2022-07-13T14:21:12Z) - On Parametric Optimal Execution and Machine Learning Surrogates [4.894243551960491]
本稿では, 瞬時価格影響とレジリエンスによる最適実行問題について検討する。
本研究では,値関数とフィードバック制御のための2つのニューラルネットワークサロゲートを構成するアクタ批判フレームワークを開発する。
我々のパラメトリックニューラルネットワーク(NN)学習者は3-6の入力次元にわたってスケールし、正確な最適戦略を示す。
論文 参考訳(メタデータ) (2022-04-18T22:40:14Z) - Robust Pivoting: Exploiting Frictional Stability Using Bilevel
Optimization [13.687891070512828]
汎用的な操作には、ロボットが新しいオブジェクトや環境と対話する必要がある。
本研究では,不確実性の存在下でのピボット操作制御のためのロバストな最適化について検討する。
論文 参考訳(メタデータ) (2022-03-22T01:44:15Z) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [50.591267188664666]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳(メタデータ) (2021-12-16T10:14:39Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳(メタデータ) (2021-11-15T18:50:04Z) - Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。
本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。
より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
論文 参考訳(メタデータ) (2021-05-25T19:48:35Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳(メタデータ) (2020-07-04T19:07:51Z) - ADD: Analytically Differentiable Dynamics for Multi-Body Systems with
Frictional Contact [26.408218913234872]
剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。
本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
論文 参考訳(メタデータ) (2020-07-02T09:51:36Z) - Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。
提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文 参考訳(メタデータ) (2020-06-01T13:48:59Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳(メタデータ) (2020-04-07T12:29:06Z) - Gaining a Sense of Touch. Physical Parameters Estimation using a Soft
Gripper and Neural Networks [3.0892724364965005]
ロボットグリップを用いた物体との直接相互作用の測定における深層学習アルゴリズムを用いた物理パラメータ推定に関する十分な研究はない。
本研究では、剛性係数の回帰をトレーニング可能なシステムを提案し、物理シミュレータ環境を用いて広範な実験を行った。
本システムでは,Yale OpenHandソフトグリップを用いて,指に装着した慣性測定ユニット(IMU)の読み値に基づいて,物体の硬さを確実に推定することができる。
論文 参考訳(メタデータ) (2020-03-02T11:56:14Z)
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。