論文の概要: Learning to Transfer In-Hand Manipulations Using a Greedy Shape Curriculum

• arxiv url: http://arxiv.org/abs/2303.12726v1
• Date: Tue, 14 Mar 2023 17:08:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 03:10:00.132245
• Title: Learning to Transfer In-Hand Manipulations Using a Greedy Shape Curriculum
• Title（参考訳）: グリーディ形状カリキュラムを用いた手指操作の学習
• Authors: Yunbo Zhang, Alexander Clegg, Sehoon Ha, Greg Turk, Yuting Ye
• Abstract要約: 本研究では, 動的シミュレーションにおける簡易物体の自然な, 頑健な手動操作が, 高品質なモーションキャプチャの例から学習可能であることを示す。 本稿では,ティーポット,バニー,ボトル,トレイン,ゾウなど,さまざまな対象に適用可能な,単純なグリージーなカリキュラム検索アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 79.6027464700869
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In-hand object manipulation is challenging to simulate due to complex contact dynamics, non-repetitive finger gaits, and the need to indirectly control unactuated objects. Further adapting a successful manipulation skill to new objects with different shapes and physical properties is a similarly challenging problem. In this work, we show that natural and robust in-hand manipulation of simple objects in a dynamic simulation can be learned from a high quality motion capture example via deep reinforcement learning with careful designs of the imitation learning problem. We apply our approach on both single-handed and two-handed dexterous manipulations of diverse object shapes and motions. We then demonstrate further adaptation of the example motion to a more complex shape through curriculum learning on intermediate shapes morphed between the source and target object. While a naive curriculum of progressive morphs often falls short, we propose a simple greedy curriculum search algorithm that can successfully apply to a range of objects such as a teapot, bunny, bottle, train, and elephant.
• Abstract（参考訳）: 複雑な接触ダイナミクス、非反復的な指の動き、不動物体を間接的に制御する必要があるため、手動物体の操作はシミュレートが難しい。 さらに、異なる形状と物理的性質を持つ新しいオブジェクトに操作スキルを適応させることも同様に難しい問題である。 本研究では, 動的シミュレーションにおける簡易物体の自然な, 頑健な手動操作を, 模倣学習問題を慎重に設計した深部強化学習を通して, 高品質なモーションキャプチャーの例から学習できることを示す。 提案手法は, 物体の形状や動作の操作を片手操作と両手操作の両方に応用する。 次に,サンプル動作のより複雑な形状へのさらなる適応を,ソースと対象オブジェクトの間に変形した中間形状のカリキュラム学習を通して示す。 進歩的形態のナイーブなカリキュラムは、しばしば不足するが、我々は、ティーポット、バニー、ボトル、トレイン、エレファントといった様々なオブジェクトにうまく適用できる単純な欲望のあるカリキュラム探索アルゴリズムを提案する。

関連論文リスト

• Self-Explainable Affordance Learning with Embodied Caption [63.88435741872204]
  具体的キャプションを具現化したSelf-Explainable Affordance Learning (SEA)を紹介する。 SEAは、ロボットが意図を明確に表現し、説明可能な視覚言語キャプションと視覚能力学習のギャップを埋めることを可能にする。 本稿では, 簡便かつ効率的な方法で, 空き地と自己説明を効果的に組み合わせた新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:22:38Z)
• Twisting Lids Off with Two Hands [88.20584085182857]
  深層強化学習を用いたシミュレーションで訓練された政策は,実世界へ効果的に移行可能であることを示す。 我々の研究は、深層強化学習とsim-to-realトランスファーが相まって、前例のない複雑さの操作問題に対処する上で有望なアプローチであることを示す証拠となる。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• DefGoalNet: Contextual Goal Learning from Demonstrations For Deformable Object Manipulation [11.484820908345563]
  変形可能な物体の目標形状を学習するためのニューラルネットワークDefGoalNetを開発した。 シミュレーションと物理ロボットの両方において,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-09-25T18:54:32Z)
• ArtiGrasp: Physically Plausible Synthesis of Bi-Manual Dexterous Grasping and Articulation [29.999224233718927]
  ArtiGraspは、握りと調音を含む双方向の手-物体の相互作用を合成する方法である。 我々のフレームワークは、単一の手ポーズ参照によってガイドされた単一のポリシー内での把握と明瞭化を統一する。 提案手法は,市販画像ベース回帰器からノイズの多い手動ポーズ推定を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-09-07T17:53:20Z)
• DexDeform: Dexterous Deformable Object Manipulation with Human Demonstrations and Differentiable Physics [97.75188532559952]
  人間の実演から巧妙な操作スキルを抽象化する原理的枠組みを提案する。 次に、イマジネーションにおけるアクション抽象化を計画する上で、デモを使ってスキルモデルをトレーニングします。 提案手法の有効性を評価するために,6つの難解な変形可能なオブジェクト操作タスクの組を導入する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:49Z)
• Collaborative Learning for Hand and Object Reconstruction with Attention-guided Graph Convolution [49.10497573378427]
  インタラクション中の手や物体のポーズと形状を推定すると、拡張現実や仮想現実を含む多くの応用が見つかる。 我々のアルゴリズムはオブジェクトモデルへの最適化であり、手動オブジェクトの相互作用を管理する物理規則を学習する。 広範に使用されている4つのベンチマークを用いて実験したところ、我々のフレームワークは3次元ポーズ推定における最先端の精度を超えて達成でき、また、密集した3次元手や物体の形状を復元できることがわかった。
  論文  参考訳（メタデータ） (2022-04-27T17:00:54Z)
• Learning Generalizable Dexterous Manipulation from Human Grasp Affordance [11.060931225148936]
  マルチフィンガーハンドによる有害な操作は、ロボット工学における最も難しい問題の1つだ。 模倣学習の最近の進歩は、強化学習と比較してサンプル効率を大幅に改善した。 本稿では,様々な3Dオブジェクトをカテゴリ内に配置した大規模実演を用いて,デクスタラスな操作を学習することを提案する。
  論文  参考訳（メタデータ） (2022-04-05T16:26:22Z)
• A Differentiable Recipe for Learning Visual Non-Prehensile Planar Manipulation [63.1610540170754]
  視覚的非包括的平面操作の問題に焦点をあてる。 本稿では,ビデオデコードニューラルモデルと接触力学の先行情報を組み合わせた新しいアーキテクチャを提案する。 モジュラーで完全に差別化可能なアーキテクチャは、目に見えないオブジェクトやモーションの学習専用手法よりも優れていることが分かりました。
  論文  参考訳（メタデータ） (2021-11-09T18:39:45Z)

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。