論文の概要: Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization
- arxiv url: http://arxiv.org/abs/2303.08965v2
- Date: Thu, 4 Jul 2024 17:51:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 03:12:39.138513
- Title: Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization
- Title(参考訳): 接触入射二レベル最適化を用いたロバストピボットマニピュレーション
- 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): 17.741546783400484
- 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. We also design and validate an MPC controller using the proposed algorithm which can track and regulate the position of the object during manipulation.
- 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している。
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。
特定の仮定の下では、ピボット操作時の摩擦によって得られる安定性の限界に対する解析的表現を導出する。
このマージンは、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して堅牢性を提供するために、この安定性マージンを最大化する軌道を最適化するために、CIBO(Contact Implicit Bilevel Optimization)フレームワークで使用される。
本稿では、基礎となる二段階最適化問題に関わるいくつかのパラメータについて、安定性マージンの分析を行う。
提案手法は,複数の異なる物体を操作するための 6 DoF マニピュレータを用いて提案手法を実証する。
また,提案アルゴリズムを用いて,操作中の物体の位置をトラッキングし,制御できるMPCコントローラの設計と評価を行う。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - QDP: Learning to Sequentially Optimise Quasi-Static and Dynamic
Manipulation Primitives for Robotic Cloth Manipulation [9.469635938429645]
Quasi-Dynamic isable (QDP) 法は運動速度などのパラメータを最適化する。
逐次強化学習(Sequential Reinforcement Learning)の枠組みを利用して、プリミティブを構成するパラメータを分離する。
論文 参考訳(メタデータ) (2023-03-23T14:54:01Z) - Safe Machine-Learning-supported Model Predictive Force and Motion
Control in Robotics [0.0]
人間とロボットの相互作用や脆弱な物体のハンドリングのような多くのロボットタスクは、安全かつ高性能な操作を実現するために、動き制御と共に現れる力とモーメントの厳密な制御と制限を必要とする。
本研究では,学習支援型モデル予測力と運動制御方式を提案する。
論文 参考訳(メタデータ) (2023-03-08T13:30:02Z) - On Parametric Optimal Execution and Machine Learning Surrogates [3.077531983369872]
本研究では,短時間の価格変動とレジリエンスを考慮した離散時間における最適順序実行問題について検討する。
動的プログラミングとディープラーニングに基づく数値アルゴリズムを開発した。
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) - 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) - Heteroscedastic Bayesian Optimisation for Stochastic Model Predictive
Control [23.180330602334223]
モデル予測制御(MPC)は、複雑な物理システムの制御を含むアプリケーションで成功している。
制御器の動作のランダム性に起因した余分な課題を提示する,MPC のコンテキストにおける微調整 MPC 手法について検討する。
論文 参考訳(メタデータ) (2020-10-01T05:31:41Z) - 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) - 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)
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。