論文の概要: Physics-Based Task Generation Through Causal Sequence of Physical Interactions

• arxiv url: http://arxiv.org/abs/2308.02835v1
• Date: Sat, 5 Aug 2023 10:15:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 18:31:06.113435
• Title: Physics-Based Task Generation Through Causal Sequence of Physical Interactions
• Title（参考訳）: 物理相互作用の因果配列による物理ベースタスク生成
• Authors: Chathura Gamage, Vimukthini Pinto, Matthew Stephenson, Jochen Renz
• Abstract要約: 物理的な環境でタスクを実行することは、現実世界で動作するAIシステムにとって決定的に難しい問題である。 本稿では,物体間の物理的相互作用の因果シーケンスを用いて物理シナリオを定義するための体系的なアプローチを提案する。 次に,定義したシナリオを入力として,物理シミュレーション環境でタスクを生成する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.785123406103386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Performing tasks in a physical environment is a crucial yet challenging problem for AI systems operating in the real world. Physics simulation-based tasks are often employed to facilitate research that addresses this challenge. In this paper, first, we present a systematic approach for defining a physical scenario using a causal sequence of physical interactions between objects. Then, we propose a methodology for generating tasks in a physics-simulating environment using these defined scenarios as inputs. Our approach enables a better understanding of the granular mechanics required for solving physics-based tasks, thereby facilitating accurate evaluation of AI systems' physical reasoning capabilities. We demonstrate our proposed task generation methodology using the physics-based puzzle game Angry Birds and evaluate the generated tasks using a range of metrics, including physical stability, solvability using intended physical interactions, and accidental solvability using unintended solutions. We believe that the tasks generated using our proposed methodology can facilitate a nuanced evaluation of physical reasoning agents, thus paving the way for the development of agents for more sophisticated real-world applications.
• Abstract（参考訳）: 物理的な環境でタスクを実行することは、現実世界で動作するAIシステムにとって決定的に難しい問題である。 物理シミュレーションに基づくタスクは、この課題に対処する研究を促進するためにしばしば用いられる。 本稿ではまず,物体間の物理的相互作用の因果関係を用いて物理シナリオを定義するための体系的なアプローチを提案する。 そこで,これらのシナリオを入力として,物理シミュレーション環境でタスクを生成する手法を提案する。 本手法は、物理系タスクの解法に必要な粒度力学をよりよく理解し、aiシステムの物理的推論能力の正確な評価を容易にする。 本研究では,物理ベースのパズルゲームangry birdsを用いてタスク生成手法を実証し,物理的安定性,意図した物理的相互作用による可解性,意図しない解を用いた偶発的可解性など,様々な指標を用いて生成タスクを評価する。 提案手法を用いて生成したタスクは,物理推論エージェントの微妙な評価を容易にし,より洗練された実世界のアプリケーションのためのエージェント開発への道を開くことができると考えている。

関連論文リスト

• LLMPhy: Complex Physical Reasoning Using Large Language Models and World Models [35.01842161084472]
  そこで我々は,TraySimという物理推論タスクとデータセットを提案する。 私たちのタスクは、外部の影響を受けるトレイ上のいくつかのオブジェクトのダイナミクスを予測することです。 LLMの物理知識とプログラム合成能力を活用するゼロショットブラックボックス最適化フレームワークであるLLMPhyを提案する。 この結果から,LLMと物理エンジンの組み合わせにより,最先端のゼロショット物理推論性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-11-12T18:56:58Z)
• PhyPlan: Compositional and Adaptive Physical Task Reasoning with Physics-Informed Skill Networks for Robot Manipulators [5.680235630702706]
  物理推論の既存の方法は、実世界固有の複雑さと不確実性に苦しむデータハングリーである。 本稿では,物理インフォームドニューラルネットワーク(PINN)と修正モンテカルロ木探索(MCTS)を組み合わせた物理インフォームド計画フレームワークであるPhyPlanについて述べる。
  論文  参考訳（メタデータ） (2024-02-24T08:51:03Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• SPOTS: Stable Placement of Objects with Reasoning in Semi-Autonomous Teleoperation Systems [12.180724520887853]
  配置タスクの2つの側面、安定性の堅牢性とオブジェクト配置の文脈的合理性に焦点を当てる。 提案手法は,シミュレーション駆動型物理安定性検証と大規模言語モデルの意味論的推論能力を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-09-25T08:13:49Z)
• GridWarm: Towards Practical Physics-Informed ML Design and Evaluation for Power Grid [0.08602553195689511]
  一般的な機械学習手法は、高価なトレーニング、非物理的ソリューション、限定的な解釈可能性に悩まされている。 本稿では,「MLモデルが物理的に意味のある方法でどのように予測を行うか」を評価する,物理的解釈可能性の新しい概念を定式化する。 このフレームワークにインスパイアされたこの論文は、MadIoTサイバー攻撃のための新しい緊急解析ウォームスターターであるGridWarmをさらに発展させた。
  論文  参考訳（メタデータ） (2022-05-07T15:54:33Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
  人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。 この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
  論文  参考訳（メタデータ） (2020-04-30T19:35:54Z)

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。