論文の概要: Estimating Material Properties of Interacting Objects Using Sum-GP-UCB
- arxiv url: http://arxiv.org/abs/2310.11749v1
- Date: Wed, 18 Oct 2023 07:16:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-19 17:38:49.024004
- Title: Estimating Material Properties of Interacting Objects Using Sum-GP-UCB
- Title(参考訳): Sum-GP-UCBを用いた相互作用物体の材料特性の推定
- Authors: M. Yunus Seker, Oliver Kroemer
- Abstract要約: 観測結果に基づいて,物体の材料特性パラメータを同定するベイズ最適化手法を提案する。
本手法は, 収集した観測結果の報酬をリセットすることなく, 逐次学習を効果的に行うことができることを示す。
- 参考スコア(独自算出の注目度): 17.813871065276636
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Robots need to estimate the material and dynamic properties of objects from
observations in order to simulate them accurately. We present a Bayesian
optimization approach to identifying the material property parameters of
objects based on a set of observations. Our focus is on estimating these
properties based on observations of scenes with different sets of interacting
objects. We propose an approach that exploits the structure of the reward
function by modeling the reward for each observation separately and using only
the parameters of the objects in that scene as inputs. The resulting
lower-dimensional models generalize better over the parameter space, which in
turn results in a faster optimization. To speed up the optimization process
further, and reduce the number of simulation runs needed to find good parameter
values, we also propose partial evaluations of the reward function, wherein the
selected parameters are only evaluated on a subset of real world evaluations.
The approach was successfully evaluated on a set of scenes with a wide range of
object interactions, and we showed that our method can effectively perform
incremental learning without resetting the rewards of the gathered
observations.
- Abstract(参考訳): ロボットは、それらを正確にシミュレートするために、観察から物体の物質と動的特性を推定する必要がある。
本稿では,一連の観測に基づいて物体の物質特性パラメータを同定するベイズ最適化手法を提案する。
我々は,相互作用対象の異なるシーンの観察に基づいて,これらの特性を推定することに注力する。
本稿では,各観測対象に対する報酬を個別にモデル化し,そのシーンのオブジェクトのパラメータのみを入力として利用することにより,報酬関数の構造を利用する手法を提案する。
その結果得られる低次元モデルはパラメータ空間をより一般化し、結果として最適化がより速くなる。
さらに最適化プロセスを高速化し、優れたパラメータ値を求めるのに必要なシミュレーションの実行回数を減らすために、選択したパラメータが実世界の評価のサブセットでのみ評価されるような報酬関数の部分的な評価も提案する。
本手法は,物体間相互作用の広い場面で評価し,収集した観測結果の報奨をリセットすることなく,効果的なインクリメンタル学習が可能であることを示した。
関連論文リスト
- OmniPose6D: Towards Short-Term Object Pose Tracking in Dynamic Scenes from Monocular RGB [40.62577054196799]
実環境の多様性を反映した大規模合成データセットOmniPose6Dを提案する。
本稿では,ポーズ追跡アルゴリズムの総合的な比較のためのベンチマークフレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-09T09:01:40Z) - Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳(メタデータ) (2024-06-12T08:30:16Z) - Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。
提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。
パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
論文 参考訳(メタデータ) (2023-12-18T18:59:51Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳(メタデータ) (2023-07-26T08:25:46Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳(メタデータ) (2022-08-10T19:17:45Z) - HPS-Det: Dynamic Sample Assignment with Hyper-Parameter Search for
Object Detection [25.71039912705784]
本稿では,ハイパーパラメータ探索に基づく新しい動的サンプル割当て方式を提案する。
実験により、結果のHPS-Detは、異なるオブジェクト検出ベースラインよりもパフォーマンスが向上することが示された。
論文 参考訳(メタデータ) (2022-07-23T15:13:57Z) - Shapley-NAS: Discovering Operation Contribution for Neural Architecture
Search [96.20505710087392]
ニューラルアーキテクチャ探索のための演算寄与度(Shapley-NAS)を評価するためのShapley値に基づく手法を提案する。
提案手法は,光探索コストに比例して最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-20T14:41:49Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - Flexible Networks for Learning Physical Dynamics of Deformable Objects [2.567499374977917]
本稿では, 粒子ベース表現を用いた変形可能な物体の将来の状態を推定するために, 時間的ポイントネット (TP-Net) というモデルを提案する。
TP-Netは、並列に設定された各入力ポイントからグローバルな特徴を抽出する共有特徴抽出器と、これらの特徴を集約して将来の予測を行う予測ネットワークから構成される。
実験により,我々のモデルは,リアルタイム予測速度で,合成データセットと実世界のデータセットの両方で最先端の性能を達成できることが実証された。
論文 参考訳(メタデータ) (2021-12-07T14:34:52Z) - Model-Based Parameter Optimization for Ground Texture Based Localization
Methods [16.242924916178286]
ロボットの正確な位置決めへの有望なアプローチは、地面テクスチャに基づくローカライゼーションである。
アプリケーション領域のサンプル画像の少数の収集しか必要としないローカライゼーション性能の予測モデルを導出する。
論文 参考訳(メタデータ) (2021-09-03T14:29:36Z) - OrcVIO: Object residual constrained Visual-Inertial Odometry [18.3130718336919]
この研究は、構造化対象モデルに対する追跡と最適化と密結合した視覚慣性オドメトリーのためのOrcVIOを提示する。
OrcVIOの正確な軌道推定および大規模オブジェクトレベルのマッピング能力は実データを用いて評価する。
論文 参考訳(メタデータ) (2020-07-29T21:01:37Z)
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。