論文の概要: GRID: A Platform for General Robot Intelligence Development

• arxiv url: http://arxiv.org/abs/2310.00887v2
• Date: Sat, 7 Oct 2023 17:38:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 02:18:33.596186
• Title: GRID: A Platform for General Robot Intelligence Development
• Title（参考訳）: GRID: 汎用ロボットインテリジェンス開発のためのプラットフォーム
• Authors: Sai Vemprala, Shuhang Chen, Abhinav Shukla, Dinesh Narayanan, Ashish Kapoor
• Abstract要約: 汎用ロボットインテリジェンス開発(GRID)のための新しいプラットフォームを提案する。 このプラットフォームにより、ロボットは物理的な能力、環境制約、目標にスキルを学習し、構成し、適応することができる。 GRIDは、新しいタイプのロボット、車両、ハードウェアプラットフォーム、ソフトウェアプロトコルに対応するように設計されている。
• 参考スコア（独自算出の注目度）: 22.031523876249484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing machine intelligence abilities in robots and autonomous systems is an expensive and time consuming process. Existing solutions are tailored to specific applications and are harder to generalize. Furthermore, scarcity of training data adds a layer of complexity in deploying deep machine learning models. We present a new platform for General Robot Intelligence Development (GRID) to address both of these issues. The platform enables robots to learn, compose and adapt skills to their physical capabilities, environmental constraints and goals. The platform addresses AI problems in robotics via foundation models that know the physical world. GRID is designed from the ground up to be extensible to accommodate new types of robots, vehicles, hardware platforms and software protocols. In addition, the modular design enables various deep ML components and existing foundation models to be easily usable in a wider variety of robot-centric problems. We demonstrate the platform in various aerial robotics scenarios and demonstrate how the platform dramatically accelerates development of machine intelligent robots.
• Abstract（参考訳）: ロボットと自律システムにおけるマシンインテリジェンス能力の開発は、高価で時間のかかるプロセスである。 既存のソリューションは特定のアプリケーションに適したもので、一般化が難しい。 さらに、トレーニングデータの不足により、深層機械学習モデルのデプロイが複雑になる。 本稿では,これらの問題に対処する汎用ロボット知能開発(GRID)のための新しいプラットフォームを提案する。 このプラットフォームにより、ロボットは物理的な能力、環境制約、目標にスキルを学習し、構成し、適応することができる。 このプラットフォームは、物理世界を知っている基礎モデルを通じて、ロボット工学におけるAI問題に対処する。 GRIDは、新しいタイプのロボット、車、ハードウェアプラットフォーム、ソフトウェアプロトコルに対応できるように、ゼロから設計されている。 さらに、モジュール設計により、様々な深層MLコンポーネントや既存の基礎モデルが、より広範なロボット中心の問題で容易に利用できるようになる。 我々は、このプラットフォームを様々な航空ロボットのシナリオでデモし、プラットフォームが機械知能ロボットの開発を劇的に加速させる様子をデモする。

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)
• Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
  脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。 現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。 本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T21:00:30Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• Toward General-Purpose Robots via Foundation Models: A Survey and Meta-Analysis [82.59451639072073]
  汎用ロボットはどんな環境でも、どんな物体でもシームレスに動作し、様々なスキルを使って様々なタスクをこなす。 コミュニティとしては、特定のタスク用に設計し、特定のデータセットでトレーニングし、特定の環境にデプロイすることで、ほとんどのロボットシステムを制約してきました。 ウェブスケールで大規模で大容量の事前学習型モデルの優れたオープンセット性能とコンテンツ生成能力に感銘を受けて,本調査は,汎用ロボティクスに基礎モデルを適用する方法について検討した。
  論文  参考訳（メタデータ） (2023-12-14T10:02:55Z)
• ExAug: Robot-Conditioned Navigation Policies via Geometric Experience Augmentation [73.63212031963843]
  本研究では,多様な環境における複数のデータセットから異なるロボットプラットフォームを体験するための新しいフレームワークであるExAugを提案する。 トレーニングされたポリシーは、屋内と屋外の障害物のある3つの異なるカメラを備えた2つの新しいロボットプラットフォームで評価される。
  論文  参考訳（メタデータ） (2022-10-14T01:32:15Z)
• Tiny Robot Learning: Challenges and Directions for Machine Learning in Resource-Constrained Robots [57.27442333662654]
  機械学習(ML)は、コンピュータシステムにまたがる普及したツールとなっている。 ティニー・ロボット・ラーニング(Tiny Robot Learning)とは、リソースに制約された低コストの自律ロボットにMLを配置する手法である。 小型ロボット学習は、サイズ、重量、面積、パワー(SWAP)の制約によって困難にさらされる。 本稿では,小型ロボットの学習空間を簡潔に調査し,重要な課題を詳述し,MLシステム設計における将来的な仕事の機会を提案する。
  論文  参考訳（メタデータ） (2022-05-11T19:36:15Z)
• 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)
• Learning Locomotion Skills in Evolvable Robots [10.167123492952694]
  本稿では,任意の形状のモジュール型ロボットが目標に向かって歩いたり,移動した場合にこの目標に従うことを学習できるようにするための,コントローラアーキテクチャと汎用学習手法を提案する。 我々のアプローチは、現実世界の3つのシナリオにおいて、クモ、ヤモリ、そしてその子孫の3つのロボットに対して検証されている。
  論文  参考訳（メタデータ） (2020-10-19T14:01:50Z)

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。