論文の概要: Domain Randomization for Sim2real Transfer of Automatically Generated
Grasping Datasets
- arxiv url: http://arxiv.org/abs/2310.04517v1
- Date: Fri, 6 Oct 2023 18:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 17:58:37.790297
- Title: Domain Randomization for Sim2real Transfer of Automatically Generated
Grasping Datasets
- Title(参考訳): 自動生成グラスピングデータセットのSim2real転送のためのドメインランダム化
- Authors: Johann Huber, Fran\c{c}ois H\'el\'enon, Hippolyte Watrelot, Faiz Ben
Amar and St\'ephane Doncieux
- Abstract要約: 本稿では,実世界において自動生成された把握がどのように活用されるかを検討する。
7000以上のリーチ・アンド・グラス軌道が3つの異なるアームとグリップにQD(Quality-Diversity)法で生成され、それには平行な指と器用な手が含まれ、現実世界でテストされている。
ドメインランダム化をより堅牢にするために、ついにQDアプローチが提案され、その結果、フランカリサーチ3アームの転送比は84%となった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic grasping refers to making a robotic system pick an object by applying
forces and torques on its surface. Many recent studies use data-driven
approaches to address grasping, but the sparse reward nature of this task made
the learning process challenging to bootstrap. To avoid constraining the
operational space, an increasing number of works propose grasping datasets to
learn from. But most of them are limited to simulations. The present paper
investigates how automatically generated grasps can be exploited in the real
world. More than 7000 reach-and-grasp trajectories have been generated with
Quality-Diversity (QD) methods on 3 different arms and grippers, including
parallel fingers and a dexterous hand, and tested in the real world. Conducted
analysis on the collected measure shows correlations between several Domain
Randomization-based quality criteria and sim-to-real transferability. Key
challenges regarding the reality gap for grasping have been identified,
stressing matters on which researchers on grasping should focus in the future.
A QD approach has finally been proposed for making grasps more robust to domain
randomization, resulting in a transfer ratio of 84% on the Franka Research 3
arm.
- Abstract(参考訳): ロボット把持(robotic grasping)とは、ロボットシステムがその表面に力とトルクを加えることで物体を拾うことを指す。
最近の多くの研究はデータ駆動のアプローチで把握に取り組んでいますが、このタスクの報酬が少なからぬため、学習プロセスはブートストラップを難しくしました。
運用空間の制約を避けるため、より多くの作業が学習するデータセットの把握を提案している。
しかし、そのほとんどはシミュレーションに限られている。
本稿では,実世界において自動生成した把持をいかに活用できるかについて検討する。
7000以上のリーチ・アンド・グラス軌道が3つの異なるアームとグリップにQD(Quality-Diversity)法で生成され、それには平行な指と器用な手が含まれる。
分析結果から,複数の領域ランダム化に基づく品質基準とSim-to-realトランスファービリティの相関性を示した。
把握のための現実的ギャップに関する主要な課題が特定され、研究者が将来注目すべき課題が強調された。
ドメインランダム化をより堅牢にするために、ついにQDアプローチが提案され、その結果、フランカリサーチ3アームの転送比は84%となった。
関連論文リスト
- Single-Shot Learning of Stable Dynamical Systems for Long-Horizon Manipulation Tasks [48.54757719504994]
本稿では,必要なトレーニングデータ量を削減しつつ,タスク成功率の向上に焦点をあてる。
提案手法では,長距離実証をウェイポイントとサブゴールで定義された離散ステップに分割する手法を提案する。
シミュレーションと実世界の両方の実験を通して,本手法を検証し,シミュレーションから物理ロボットプラットフォームへの効果的移行を実証した。
論文 参考訳(メタデータ) (2024-10-01T19:49:56Z) - Speeding up 6-DoF Grasp Sampling with Quality-Diversity [1.533848041901807]
品質多様性(QD)アルゴリズムは、与えられた問題に対する多様なハイパフォーマンスなソリューションを得るために、一連のソリューションを最適化する。
標準物体に2本から5本の指を持つ4本のグリップで行った実験では、QDは一般的な方法よりも大きなマージンで優れていた。
論文 参考訳(メタデータ) (2024-03-10T10:58:54Z) - Latent Task-Specific Graph Network Simulators [16.881339139068018]
グラフネットワークシミュレータ(GNS)は、従来の物理ベースのシミュレータに代わる効率的な代替手段である。
メッシュに基づくシミュレーションをメタラーニング問題とし,最近のベイズメタラーニング手法を用いて新たなシナリオへのGASの適応性を向上させる。
提案手法の有効性を,様々な実験により検証し,確立されたベースライン法と同等以上の性能を示した。
論文 参考訳(メタデータ) (2023-11-09T10:30:51Z) - PU-Ray: Domain-Independent Point Cloud Upsampling via Ray Marching on Neural Implicit Surface [5.78575346449322]
我々は任意のレートで新しいレイベースのアップサンプリング手法を提案し、各クエリ線とその対応するパッチに対して深さ予測を行う。
非符号距離関数 (UDF) で定義された神経暗示面上の球面追跡線マーチングアルゴリズムをシミュレーションした。
ルールベースの中間点問合せサンプリング手法は, 最寄りの近傍の復元損失関数を用いて訓練されたエンドツーエンドモデルを必要としない, より均等な分散点を生成する。
論文 参考訳(メタデータ) (2023-10-12T22:45:03Z) - Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。
しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。
視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
論文 参考訳(メタデータ) (2023-07-28T05:47:24Z) - Towards Precise Model-free Robotic Grasping with Sim-to-Real Transfer
Learning [11.470950882435927]
本稿では,ロボットの把持ネットワークについて述べる。
物理ロボット実験では,1つの既知の物体と,90.91%の成功率を持つ新しい複合形状の家庭用物体を把握した。
提案した把握フレームワークは、既知の物体と未知の物体の両方において、最先端の2つの手法より優れていた。
論文 参考訳(メタデータ) (2023-01-28T16:57:19Z) - Understanding Domain Randomization for Sim-to-real Transfer [41.33483293243257]
本稿では,シミュレータを調整可能なパラメータを持つMDPの集合としてモデル化する,sim-to-realトランスファーの理論的枠組みを提案する。
実世界のトレーニングサンプルを使わずに, 穏やかな条件下で, sim-to-realトランスファーが成功できることを実証する。
論文 参考訳(メタデータ) (2021-10-07T07:45:59Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z) - Intervention Design for Effective Sim2Real Transfer [48.9711031777803]
この研究は、sim2real設定に対する領域ランダム化とデータ拡張の最近の成功に対処する。
この成功は、因果推論のレンズ、領域ランダム化の位置決め、および環境への介入としてのデータ拡張によって説明される。
論文 参考訳(メタデータ) (2020-12-03T16:38:54Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳(メタデータ) (2020-07-07T18:25:25Z)
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。