論文の概要: QDP: Learning to Sequentially Optimise Quasi-Static and Dynamic
Manipulation Primitives for Robotic Cloth Manipulation
- arxiv url: http://arxiv.org/abs/2303.13320v1
- Date: Thu, 23 Mar 2023 14:54:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 14:00:45.642545
- Title: QDP: Learning to Sequentially Optimise Quasi-Static and Dynamic
Manipulation Primitives for Robotic Cloth Manipulation
- Title（参考訳）: QDP:ロボットの衣服操作のための準静的および動的マニピュレーションプリミティブを逐次最適化する学習
- Authors: David Blanco-Mulero, Gokhan Alcan, Fares J. Abu-Dakka, Ville Kyrki
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 13.893123411038564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pre-defined manipulation primitives are widely used for cloth manipulation.
However, cloth properties such as its stiffness or density can highly impact
the performance of these primitives. Although existing solutions have tackled
the parameterisation of pick and place locations, the effect of factors such as
the velocity or trajectory of quasi-static and dynamic manipulation primitives
has been neglected. Choosing appropriate values for these parameters is crucial
to cope with the range of materials present in house-hold cloth objects. To
address this challenge, we introduce the Quasi-Dynamic Parameterisable (QDP)
method, which optimises parameters such as the motion velocity in addition to
the pick and place positions of quasi-static and dynamic manipulation
primitives. In this work, we leverage the framework of Sequential Reinforcement
Learning to decouple sequentially the parameters that compose the primitives.
To evaluate the effectiveness of the method we focus on the task of cloth
unfolding with a robotic arm in simulation and real-world experiments. Our
results in simulation show that by deciding the optimal parameters for the
primitives the performance can improve by 20% compared to sub-optimal ones.
Real-world results demonstrate the advantage of modifying the velocity and
height of manipulation primitives for cloths with different mass, stiffness,
shape and size. Supplementary material, videos, and code, can be found at
https://sites.google.com/view/qdp-srl.
- Abstract（参考訳）: 定義済みの操作プリミティブは布の操作に広く使われている。
しかし、その硬さや密度などの布質特性は、これらのプリミティブの性能に大きな影響を及ぼす可能性がある。
既存の解はピック位置と位置のパラメータ化に取り組んでいるが、準静的および動的操作プリミティブの速度や軌道などの要因の影響は無視されている。
これらのパラメータの適切な値を選択することは、ハウスホルドの布地に存在する材料の範囲に対処するために重要である。
この課題に対処するために,準静的および動的操作プリミティブのピック位置と位置位置に加えて,運動速度などのパラメータを最適化する準動的パラメータ可能法(qdp)を提案する。
本研究では,逐次強化学習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逐次的に分離する。
本手法の有効性を評価するため,シミュレーションおよび実世界実験において,ロボットアームによる布の折り畳み作業に注目する。
シミュレーションの結果,プリミティブの最適パラメータを決定することにより,サブ最適パラメータに比べて性能が20%向上することが示された。
実世界の結果は、異なる質量、剛性、形状、大きさの布に対する操作プリミティブの速度と高さを変更する利点を示す。
追加資料、ビデオ、コードはhttps://sites.google.com/view/qdp-srl.comで見ることができる。
関連論文リスト
- Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
本研究は, ロボットアームが弾塑性材料と環境の物理パラメータを推定できる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。
1つの現実世界の相互作用だけで、推定されたパラメータは視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
論文 参考訳（メタデータ） (2024-11-01T13:04:25Z) - PredFormer: Transformers Are Effective Spatial-Temporal Predictive Learners [65.93130697098658]
本稿では、予測学習のための純粋なトランスフォーマーベースのフレームワークであるPredFormerを提案する。
PredFormerは、リカレントフリーでトランスフォーマーベースの設計で、シンプルかつ効率的である。
合成および実世界のデータセットに関する実験は、PredFormerが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-10-07T03:52:06Z) - Incremental Few-Shot Adaptation for Non-Prehensile Object Manipulation using Parallelizable Physics Simulators [5.483662156126757]
本稿では,物理に基づく力学モデルをモデル予測制御に繰り返し適用する,非包括的操作のための新しいアプローチを提案する。
ロボットとオブジェクトの相互作用の例として,モデルのパラメータを漸進的に適用する。
シミュレーションおよび実ロボットを用いたいくつかの物体押出実験において,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-09-20T05:24:25Z) - ManiGaussian: Dynamic Gaussian Splatting for Multi-task Robotic Manipulation [58.615616224739654]
従来のロボット操作法は通常、予測のための観察の意味表現を学ぶ。
マルチ時間ロボット操作のための動的ガウス分割法ManiGaussianを提案する。
我々のフレームワークは、最先端の手法を平均的な成功率で13.1%上回ることができる。
論文 参考訳（メタデータ） (2024-03-13T08:06:41Z) - Dynamic Adapter Meets Prompt Tuning: Parameter-Efficient Transfer Learning for Point Cloud Analysis [51.14136878142034]
ポイントクラウド分析は、事前訓練されたモデルのポイントクラウドの転送によって、優れたパフォーマンスを実現している。
モデル適応のための既存の方法は通常、高い計算コストに依存するため、非効率な全てのモデルパラメータを更新する。
本稿では,タスク性能とパラメータ効率のトレードオフを考慮した,ポイントクラウド解析のためのパラメータ効率変換学習を提案する。
論文 参考訳（メタデータ） (2024-03-03T08:25:04Z) - Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization [17.741546783400484]
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。
論文 参考訳（メタデータ） (2023-03-15T22:25:34Z) - Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value
Functions [65.84090965167535]
本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。
このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
論文 参考訳（メタデータ） (2022-06-29T18:47:05Z) - 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) - Contextual Latent-Movements Off-Policy Optimization for Robotic
Manipulation Skills [41.140532647789456]
本稿では,低次元非線形潜在力学の獲得のために,実験軌道の扱いに関する新しい考え方を提案する。
LAAMPO (Latent-Movements Policy Optimization) と呼ばれる新しい文脈外RLアルゴリズムを導入する。
LAMPOは、文献における一般的なアプローチに対するサンプル効率のよいポリシーを提供する。
論文 参考訳（メタデータ） (2020-10-26T17:53:30Z) - Dynamic Scale Training for Object Detection [111.33112051962514]
本稿では,オブジェクト検出におけるスケール変動問題を軽減するために,動的スケールトレーニングパラダイム(DST)を提案する。
提案したDSTのスケール変動処理に対する有効性を示す実験結果を得た。
推論オーバーヘッドを導入せず、一般的な検出設定のための無料ランチとして機能する。
論文 参考訳（メタデータ） (2020-04-26T16:48:17Z) - Dimensionality Reduction of Movement Primitives in Parameter Space [34.16700176918835]
運動プリミティブは、現実世界のロボティクスにとって重要なポリシークラスである。
パラメトリゼーションの高次元性により、政策最適化はサンプルと計算の両方においてコストがかかる。
本稿では,パラメータ空間における次元減少の応用を提案し,主運動を同定する。
論文 参考訳（メタデータ） (2020-02-26T16:38:39Z)
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。
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。