論文の概要: End-to-end Manipulator Calligraphy Planning via Variational Imitation Learning

• arxiv url: http://arxiv.org/abs/2304.02801v1
• Date: Thu, 6 Apr 2023 00:34:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 15:42:57.036238
• Title: End-to-end Manipulator Calligraphy Planning via Variational Imitation Learning
• Title（参考訳）: 変分模倣学習によるエンドツーエンドマニピュレータ書字計画
• Authors: Fangping Xie, Pierre Le Meur, Charith Fernando
• Abstract要約: デモからの計画は、ディープニューラルネットワークの進歩によって有望な結果を示している。 最も人気のある実世界の応用の1つは、ロボットマニピュレータを使った手書きの自動化である。 本稿では、画像とポーズデータを組み合わせて専門家によるデモンストレーションから学習する、新しい擬似学習ニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Planning from demonstrations has shown promising results with the advances of deep neural networks. One of the most popular real-world applications is automated handwriting using a robotic manipulator. Classically it is simplified as a two-dimension problem. This representation is suitable for elementary drawings, but it is not sufficient for Japanese calligraphy or complex work of art where the orientation of a pen is part of the user expression. In this study, we focus on automated planning of Japanese calligraphy using a three-dimension representation of the trajectory as well as the rotation of the pen tip, and propose a novel deep imitation learning neural network that learns from expert demonstrations through a combination of images and pose data. The network consists of a combination of variational auto-encoder, bi-directional LSTM, and Multi-Layer Perceptron (MLP). Experiments are conducted in a progressive way, and results demonstrate that the proposed approach is successful in completion of tasks for real-world robots, overcoming the distribution shift problem in imitation learning. The source code and dataset will be public.
• Abstract（参考訳）: デモからの計画は、ディープニューラルネットワークの進歩によって有望な結果を示している。 現実世界で最も人気のあるアプリケーションの一つは、ロボットマニピュレータを使った自動手書きである。 古典的には2次元問題として単純化されている。 この表現は初歩的な図面に向いているが、日本の書道や複雑な芸術作品には不十分で、ペンの向きがユーザ表現の一部となっている。 本研究では,3次元の軌跡表現とペン先回転を用いた日本語書跡の自動計画に着目し,画像とポーズデータを組み合わせて専門家によるデモンストレーションから学習する深層模倣学習ニューラルネットワークを提案する。 このネットワークは、可変オートエンコーダ、双方向LSTM、マルチ層パーセプトロン(MLP)の組み合わせで構成されている。 実験は漸進的に行われ,提案手法が実世界のロボットの作業の完了に成功し,模倣学習における分散シフト問題を克服していることを示す。 ソースコードとデータセットは公開されます。

関連論文リスト

• Convolutional Learning on Multigraphs [153.20329791008095]
  我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。 情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。 我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。 導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-09-23T00:33:04Z)
• Drawing out of Distribution with Neuro-Symbolic Generative Models [49.79371715591122]
  ドローイング・アウト・オブ・ディストリクト(英: Drawing out of Distribution)は、ストローク・ベース・ドローイングの神経象徴的生成モデルである。 DooDは画像を直接操作するが、監視や高価なテストタイム推論は必要ない。 我々は、データとタスクをまたいだ一般化能力について、DooDを評価した。
  論文  参考訳（メタデータ） (2022-06-03T21:40:22Z)
• I Know What You Draw: Learning Grasp Detection Conditioned on a Few Freehand Sketches [74.63313641583602]
  そこで本研究では,スケッチ画像に関連のある潜在的な把握構成を生成する手法を提案する。 私たちのモデルは、現実世界のアプリケーションで簡単に実装できるエンドツーエンドで訓練され、テストされています。
  論文  参考訳（メタデータ） (2022-05-09T04:23:36Z)
• Geometric Understanding of Sketches [0.0]
  そこで本研究では,システムのスケッチの幾何学的理解を支援する2つの手法について検討する。 最初の研究は、グラフ構造としての2次元線描画の解釈を扱い、また、ロボットによる物理的再構成によってその効果を示す。 2つ目の研究では、3次元幾何学に関する情報に明示的にアクセスすることなく、スケッチベースシステムの3次元幾何学的理解をテストする。
  論文  参考訳（メタデータ） (2022-04-13T23:55:51Z)
• FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
  ニューラルネットワークの高次元景観特性を探索する方法を示す。 我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。 インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
  論文  参考訳（メタデータ） (2022-04-09T16:41:53Z)
• A Variational Graph Autoencoder for Manipulation Action Recognition and Prediction [1.1816942730023883]
  シンボルシーングラフから操作タスクの認識と予測を共同で学習するディープグラフオートエンコーダを提案する。 我々のネットワークは2つの分岐を持つ変分オートエンコーダ構造を持ち、1つは入力グラフタイプを識別し、もう1つは将来のグラフを予測する。 提案手法は,MANIACとMSRC-9の2つの異なるデータセット上で異なる最先端手法に対してベンチマークを行い,提案手法がより優れた性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-10-25T21:40:42Z)
• Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learning [48.09362183184101]
  マルチスケールのコントラスト学習によるシームズ自己蒸留の強化により,ノード表現を学習するための新しい自己教師型アプローチを提案する。 提案手法は,新しい最先端の成果を達成し,半教師ありの成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-12T14:20:13Z)
• Vectorization and Rasterization: Self-Supervised Learning for Sketch and Handwriting [168.91748514706995]
  自己監督型機能学習のための2つの新しいクロスモーダル翻訳プリテキストタスクを提案する:ベクトル化とラスタリゼーション。 当社の学習したエンコーダモジュールは、手書きデータを分析するために、ベースとベクターの両方のダウンストリームアプローチに役立ちます。
  論文  参考訳（メタデータ） (2021-03-25T09:47:18Z)
• Graphs for deep learning representations [1.0152838128195467]
  グラフ信号処理(GSP)の最近の進歩に基づくグラフ形式化について紹介します。 すなわち、ディープニューラルネットワークの潜在空間を表すためにグラフを使用します。 このグラフ形式化によって,頑健性の確保,学習プロセスの設計における任意の選択量の削減,入力に付加された小さな一般化の改善,計算複雑性の低減など,さまざまな質問に答えることができることが示されています。
  論文  参考訳（メタデータ） (2020-12-14T11:51:23Z)

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。