論文の概要: A comparison of controller architectures and learning mechanisms for arbitrary robot morphologies

• arxiv url: http://arxiv.org/abs/2309.13908v1
• Date: Mon, 25 Sep 2023 07:11:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 16:51:50.578372
• Title: A comparison of controller architectures and learning mechanisms for arbitrary robot morphologies
• Title（参考訳）: 任意のロボット形態の制御系と学習機構の比較
• Authors: Jie Luo, Jakub Tomczak, Karine Miras, Agoston E. Eiben
• Abstract要約: 学習ロボットの形態が事前に分かっていない場合、ロボットコントローラと学習方法の組み合わせはどのように使うべきか。 我々は3つのコントローラとラーナーの組み合わせを実験的に比較した。 有効性、効率、堅牢性を比較します。
• 参考スコア（独自算出の注目度）: 2.884244918665901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The main question this paper addresses is: What combination of a robot controller and a learning method should be used, if the morphology of the learning robot is not known in advance? Our interest is rooted in the context of morphologically evolving modular robots, but the question is also relevant in general, for system designers interested in widely applicable solutions. We perform an experimental comparison of three controller-and-learner combinations: one approach where controllers are based on modelling animal locomotion (Central Pattern Generators, CPG) and the learner is an evolutionary algorithm, a completely different method using Reinforcement Learning (RL) with a neural network controller architecture, and a combination `in-between' where controllers are neural networks and the learner is an evolutionary algorithm. We apply these three combinations to a test suite of modular robots and compare their efficacy, efficiency, and robustness. Surprisingly, the usual CPG-based and RL-based options are outperformed by the in-between combination that is more robust and efficient than the other two setups.
• Abstract（参考訳）: ロボットコントローラと学習方法の組み合わせは,学習ロボットの形態が事前に分かっていない場合,どのような組み合わせを用いるべきか,という問題に対処する。 我々の関心は、形態的に進化するモジュラーロボットの文脈に根ざしているが、問題は、広く適用可能なソリューションに関心を持つシステムデザイナーにとって、一般的にも関係している。 本稿では, モデル動物移動(中央パターン生成器, CPG)に基づくコントローラと学習者の組み合わせを実験的に比較し, 学習者は進化的アルゴリズムであり, 強化学習(RL)とニューラルネットワークコントローラアーキテクチャを用いた全く異なる手法であり, コントローラがニューラルネットワークであり, 学習者が進化的アルゴリズムである「in-between」の組み合わせである。 これら3つの組み合わせをモジュール型ロボットのテストスイートに適用し,その有効性,効率性,堅牢性を比較した。 驚いたことに、通常のcpgベースのオプションとrlベースのオプションは、他の2つの設定よりも堅牢で効率的である中間の組み合わせに勝っている。

関連論文リスト

• Text Classification: Neural Networks VS Machine Learning Models VS Pre-trained Models [0.0]
  テキスト分類を行う異なる手法の比較を行う。 我々は、事前訓練されたモデル7つ、標準ニューラルネットワーク3つ、機械学習モデル3つを考慮する。 標準的なニューラルネットワークと機械学習モデルでは、TF-IDFとGloVeという2つの埋め込みテクニックを比較します。
  論文  参考訳（メタデータ） (2024-12-30T15:44:05Z)
• Combining model-predictive control and predictive reinforcement learning for stable quadrupedal robot locomotion [0.0]
  モデル予測型と予測型強化型学習コントローラの組み合わせによりこれを実現できるかを検討する。 本研究では,両制御手法を組み合わせて,四足歩行ロボットの安定ゲート生成問題に対処する。
  論文  参考訳（メタデータ） (2023-07-15T09:22:37Z)
• Universal Morphology Control via Contextual Modulation [52.742056836818136]
  異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。 既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。 本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:04:12Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Comparative analysis of machine learning methods for active flow control [60.53767050487434]
  遺伝的プログラミング(GP)と強化学習(RL)はフロー制御において人気を集めている。 この研究は2つの比較分析を行い、地球規模の最適化手法に対して最も代表的なアルゴリズムのいくつかをベンチマークする。
  論文  参考訳（メタデータ） (2022-02-23T18:11:19Z)
• Morpho-evolution with learning using a controller archive as an inheritance mechanism [4.364091192392204]
  本稿では,ボディープランを生成する進化的アルゴリズムと,ニューラルコントローラのパラメータを最適化する学習アルゴリズムを組み合わせたフレームワークを提案する。 ランダムに初期化したものから学習するのではなく,アーカイブから適切なコントローラを継承することにより,学習の速度と規模が時間とともに大きくなることを示す。 このフレームワークはまた、進化と学習の複雑な相互作用と、ロボット設計における形態的知性の役割に関する新しい洞察を提供する。
  論文  参考訳（メタデータ） (2021-04-09T09:32:36Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• Data-driven Koopman Operators for Model-based Shared Control of Human-Machine Systems [66.65503164312705]
  本稿では,データ駆動型共有制御アルゴリズムを提案する。 ユーザのインタラクションに関するダイナミクスと情報は、Koopman演算子を使用して観察から学習される。 モデルに基づく共有制御は、自然な学習やユーザのみの制御パラダイムと比較して、タスクとコントロールのメトリクスを著しく改善する。
  論文  参考訳（メタデータ） (2020-06-12T14:14:07Z)
• Populations of Spiking Neurons for Reservoir Computing: Closed Loop Control of a Compliant Quadruped [64.64924554743982]
  本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。 本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
  論文  参考訳（メタデータ） (2020-04-09T14:32:49Z)
• Learning Directed Locomotion in Modular Robots with Evolvable Morphologies [11.006321791711175]
  この研究は、形態学とコントローラの両方が進化する進化ロボットシステムに対する我々の関心に基づいている。 このようなシステムでは、新生児ロボットは、両親の身体のランダムな組み合わせである自身の身体を制御することを学ばなければならない。
  論文  参考訳（メタデータ） (2020-01-21T23:01:00Z)

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。