論文の概要: Exploring the effects of robotic design on learning and neural control
- arxiv url: http://arxiv.org/abs/2306.03757v1
- Date: Tue, 6 Jun 2023 15:17:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 14:58:04.904055
- Title: Exploring the effects of robotic design on learning and neural control
- Title（参考訳）: ロボット設計が学習と神経制御に及ぼす影響を探る
- Authors: Joshua Paul Powers
- Abstract要約: 論文は神経制御装置ではなく ロボット体の開発に焦点を当てています
私は、マルチタスク設定でニューラルネットワークが直面する現在の落とし穴の多くを克服できるように、ロボットを設計できることを発見しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ongoing deep learning revolution has allowed computers to outclass humans
in various games and perceive features imperceptible to humans during
classification tasks. Current machine learning techniques have clearly
distinguished themselves in specialized tasks. However, we have yet to see
robots capable of performing multiple tasks at an expert level. Most work in
this field is focused on the development of more sophisticated learning
algorithms for a robot's controller given a largely static and presupposed
robotic design. By focusing on the development of robotic bodies, rather than
neural controllers, I have discovered that robots can be designed such that
they overcome many of the current pitfalls encountered by neural controllers in
multitask settings. Through this discovery, I also present novel metrics to
explicitly measure the learning ability of a robotic design and its resistance
to common problems such as catastrophic interference.
Traditionally, the physical robot design requires human engineers to plan
every aspect of the system, which is expensive and often relies on human
intuition. In contrast, within the field of evolutionary robotics, evolutionary
algorithms are used to automatically create optimized designs, however, such
designs are often still limited in their ability to perform in a multitask
setting. The metrics created and presented here give a novel path to automated
design that allow evolved robots to synergize with their controller to improve
the computational efficiency of their learning while overcoming catastrophic
interference.
Overall, this dissertation intimates the ability to automatically design
robots that are more general purpose than current robots and that can perform
various tasks while requiring less computation.
- Abstract（参考訳）: 進行中のディープラーニング革命により、コンピュータは様々なゲームで人間を上回ることができ、分類タスク中に人間に知覚できない特徴を認識できるようになった。
現在の機械学習技術は、専門的なタスクで明確に区別されている。
しかし、専門家レベルで複数のタスクを実行できるロボットはまだ見ていません。
この分野でのほとんどの作業は、ロボットの制御器のためのより洗練された学習アルゴリズムの開発に焦点を当てている。
ニューラルコントローラではなく、ロボットボディの開発に焦点を当てることで、ニューラルネットワークがマルチタスク設定で遭遇する現在の落とし穴の多くを克服できるように、ロボットを設計できることがわかりました。
この発見を通じて,ロボット設計の学習能力と,破壊的干渉などの共通問題に対する抵抗を明示的に測定する新しい指標を提案する。
伝統的に、物理的ロボットの設計では、人間のエンジニアはシステムのあらゆる側面を計画する必要がある。
対照的に、進化ロボティクスの分野において、進化的アルゴリズムは最適化された設計を自動生成するために使用されるが、そのような設計はしばしばマルチタスク環境で実行する能力に制限される。
ここで作成され、提示されたメトリクスは、進化したロボットがコントローラと相乗し、破滅的な干渉を克服しながら学習の計算効率を向上する、自動化設計への新たな道筋を提供する。
全体として、この論文は、現在のロボットよりも汎用的なロボットを自動設計し、計算を少なくしながら様々なタスクを実行できることを前提としている。
関連論文リスト
- $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。
我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
論文 参考訳（メタデータ） (2024-10-31T17:22:30Z) - Towards a Robust Soft Baby Robot With Rich Interaction Ability for Advanced Machine Learning Algorithms [25.85850890842541]
我々は、大きなアクションスペースと、複数のカメラからのリッチな知覚データストリームを備えた、頑丈で部分的にソフトなロボットアームを構築します。
概念実証として、2つの現代の機械学習アルゴリズムを訓練し、単純な目標達成タスクを実行する。
論文 参考訳（メタデータ） (2024-04-11T19:15:45Z) - HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。
その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
論文 参考訳（メタデータ） (2024-03-15T17:45:44Z) - Efficient automatic design of robots [43.968830087704035]
本研究では,ロボットの構造を1台のコンシューマ級コンピュータ上で数秒以内の所望の動作を示すために,初めて非ノボ最適化を示す。
他の勾配に基づくロボット設計法とは異なり、このアルゴリズムは特定の解剖学的形態を前提としていない。
この進歩は、医療、環境、車両、宇宙ベースのタスクのためのユニークで有用な機械の設計、製造、展開をほぼ瞬時に約束する。
論文 参考訳（メタデータ） (2023-06-05T21:30:52Z) - HERD: Continuous Human-to-Robot Evolution for Learning from Human
Demonstration [57.045140028275036]
本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。
本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-08T15:56:13Z) - GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。
本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。
我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
論文 参考訳（メタデータ） (2022-09-12T15:14:32Z) - Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots [29.02903745467536]
ソフトロボットの設計と制御を最適化する最初の大規模ベンチマークであるEvolution Gymを提案する。
私たちのベンチマーク環境は、様々な種類の地形の移動や操作など、幅広いタスクにまたがっています。
我々は,最先端設計最適化手法と深層強化学習手法を組み合わせることで,複数のロボット共進化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-01-24T18:39:22Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳（メタデータ） (2021-09-19T18:00:51Z) - Neuroscience-inspired perception-action in robotics: applying active
inference for state estimation, control and self-perception [2.1067139116005595]
神経科学の発見が、ロボット工学における現在の推定と制御アルゴリズムを改善する機会をいかに開放するかについて議論する。
本稿では,実体プラットフォーム上でのこのような計算モデルの開発から得られた実験と教訓を要約する。
論文 参考訳（メタデータ） (2021-05-10T10:59:38Z) - Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。
本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
論文 参考訳（メタデータ） (2020-11-06T07:39:08Z) - A Survey of Behavior Learning Applications in Robotics -- State of the Art and Perspectives [44.45953630612019]
最近の多くの領域での機械学習の成功は圧倒的に多い。
実際のロボットで学んだり使ったりした行動について、幅広い概要を述べます。
論文 参考訳（メタデータ） (2019-06-05T07:54:33Z)
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。