論文の概要: UniDexGrasp++: Improving Dexterous Grasping Policy Learning via
Geometry-aware Curriculum and Iterative Generalist-Specialist Learning
- arxiv url: http://arxiv.org/abs/2304.00464v2
- Date: Tue, 4 Apr 2023 03:05:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 10:28:19.982189
- Title: UniDexGrasp++: Improving Dexterous Grasping Policy Learning via
Geometry-aware Curriculum and Iterative Generalist-Specialist Learning
- Title（参考訳）: UniDexGrasp++:幾何認識カリキュラムと反復的ジェネリスト-スペシャリスト学習によるデクサラスグラフピングポリシー学習の改善
- Authors: Weikang Wan, Haoran Geng, Yun Liu, Zikang Shan, Yaodong Yang, Li Yi,
He Wang
- Abstract要約: そこで我々は,テーブルトップ設定,すなわち UniDexGrasp++ の下で,デクサラスオブジェクトを把握するための普遍的なポリシーを学習するための,新しいオブジェクトに依存しない手法を提案する。
数千のオブジェクトインスタンスにまたがって視覚ベースのポリシーを学習する課題に対処するために、幾何学を意識したカリキュラム学習(GeoCurriculum)と幾何学を意識した反復的ジェネリスト・スペシャリスト学習(GiGSL)を提案する。
- 参考スコア（独自算出の注目度）: 21.82470413326072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel, object-agnostic method for learning a universal policy
for dexterous object grasping from realistic point cloud observations and
proprioceptive information under a table-top setting, namely UniDexGrasp++. To
address the challenge of learning the vision-based policy across thousands of
object instances, we propose Geometry-aware Curriculum Learning (GeoCurriculum)
and Geometry-aware iterative Generalist-Specialist Learning (GiGSL) which
leverage the geometry feature of the task and significantly improve the
generalizability. With our proposed techniques, our final policy shows
universal dexterous grasping on thousands of object instances with 85.4% and
78.2% success rate on the train set and test set which outperforms the
state-of-the-art baseline UniDexGrasp by 11.7% and 11.3%, respectively.
- Abstract（参考訳）: 現実的な雲の観測や、テーブルトップ設定(UniDexGrasp++)下でのプロプリセプティブ情報を把握し、デキスタスオブジェクトの普遍的なポリシーを学習するための新しいオブジェクト指向手法を提案する。
数千のオブジェクトインスタンスにまたがって視覚ベースのポリシーを学習する課題を解決するために,タスクの幾何学的特徴を活用し,一般化性を大幅に向上する幾何学的学習(GeoCurriculum)と幾何学的認識的反復的一般性学習(GiGSL)を提案する。
提案手法を用いた最終方針では,列車セットの85.4%,試験セットの78.2%で数千件のオブジェクトインスタンスを普遍的に把握し,現状のUniDexGraspを11.7%,テストセットを11.3%上回った。
関連論文リスト
- Efficient Residual Learning with Mixture-of-Experts for Universal Dexterous Grasping [29.546108234906196]
ResDexは、残留ポリシー学習とエキスパートの混合フレームワークを統合する新しいアプローチである。
88.8%の成功率で3,200のオブジェクトからなるDexGraspNetデータセット上での最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-10-03T13:33:02Z) - Zero-Shot Object-Centric Representation Learning [72.43369950684057]
ゼロショット一般化のレンズによる現在の対象中心法について検討する。
8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。
多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
論文 参考訳（メタデータ） (2024-08-17T10:37:07Z) - Efficient Representations of Object Geometry for Reinforcement Learning
of Interactive Grasping Policies [29.998917158604694]
本稿では,様々な幾何学的に異なる実世界の物体の対話的把握を学習する強化学習フレームワークを提案する。
学習したインタラクティブなポリシーのビデオはhttps://maltemosbach.org/io/geometry_aware_grasping_policiesで公開されている。
論文 参考訳（メタデータ） (2022-11-20T11:47:33Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-25T03:54:53Z) - Generalization in Dexterous Manipulation via Geometry-Aware Multi-Task
Learning [108.08083976908195]
既存の強化学習アルゴリズムで学習したポリシーは、実際は一般化可能であることを示す。
本稿では,100以上の幾何学的に異なる実世界のオブジェクトを,単一のジェネラリストポリシーで手動操作できることを示す。
興味深いことに、オブジェクトポイントクラウド表現によるマルチタスク学習は、より一般化するだけでなく、シングルオブジェクトのスペシャリストポリシーよりも優れています。
論文 参考訳（メタデータ） (2021-11-04T17:59:56Z) - Momentum Contrastive Voxel-wise Representation Learning for
Semi-supervised Volumetric Medical Image Segmentation [2.3322477552758234]
医用画像セグメンテーションのためのグローバルな視覚表現を学習するための幾何学的制約付きコントラストVoxel-wise Representation(CVRL)法を提案する。
このフレームワークは,3次元空間的コンテキストと豊かな解剖学的情報をキャプチャすることで,グローバルおよびローカルな特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2021-05-14T20:27:23Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-04-27T21:09:51Z) - Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。
提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。
この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文 参考訳（メタデータ） (2021-02-14T05:36:25Z) - Accelerating Grasp Exploration by Leveraging Learned Priors [24.94895421569869]
ロボットが新しい物体を把握できることは、eコマースのオーダーフルフィルメントとホームサービスに産業的応用をもたらす。
オンライン体験を用いて、未知の形状の物体を学習するトンプソンサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-11T09:42:56Z) - Meta-Gradient Reinforcement Learning with an Objective Discovered Online [54.15180335046361]
本稿では,深層ニューラルネットワークによって柔軟にパラメータ化される,自己目的のメタ段階的降下に基づくアルゴリズムを提案する。
目的はオンラインで発見されるため、時間とともに変化に適応することができる。
Atari Learning Environmentでは、メタグラディエントアルゴリズムが時間とともに適応して、より効率よく学習する。
論文 参考訳（メタデータ） (2020-07-16T16:17:09Z)
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。