論文の概要: One-Shot Imitation Learning: A Pose Estimation Perspective

• arxiv url: http://arxiv.org/abs/2310.12077v1
• Date: Wed, 18 Oct 2023 16:13:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 15:45:55.714961
• Title: One-Shot Imitation Learning: A Pose Estimation Perspective
• Title（参考訳）: ワンショット模倣学習--ポーズ推定視点
• Authors: Pietro Vitiello, Kamil Dreczkowski, Edward Johns
• Abstract要約: 本研究では,(1)1つの実演のみ,(2)それ以上のデータ収集なし,(3)先行課題や対象知識なしの模倣学習について検討する。 本研究では、軌道伝達と未知の物体のポーズ推定の組み合わせで模倣学習を定式化する方法を示す。
• 参考スコア（独自算出の注目度）: 11.651965932169656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study imitation learning under the challenging setting of: (1) only a single demonstration, (2) no further data collection, and (3) no prior task or object knowledge. We show how, with these constraints, imitation learning can be formulated as a combination of trajectory transfer and unseen object pose estimation. To explore this idea, we provide an in-depth study on how state-of-the-art unseen object pose estimators perform for one-shot imitation learning on ten real-world tasks, and we take a deep dive into the effects that camera calibration, pose estimation error, and spatial generalisation have on task success rates. For videos, please visit https://www.robot-learning.uk/pose-estimation-perspective.
• Abstract（参考訳）: 本稿では,(1) 1 つの実演のみ,(2) それ以上のデータ収集は行わない,(3) 事前の課題や対象知識がない,という困難な条件下での模倣学習について検討する。 これらの制約により, 軌道伝達と非知覚物体ポーズ推定の組み合わせとして模倣学習を定式化できることを示す。 このアイデアを探求するために,10個の実世界のタスクに対して,最先端の未確認物体のポーズ推定が1ショットの模倣学習にどのように作用するかを詳細に検討し,カメラキャリブレーション,ポーズ推定誤差,空間一般化がタスクの成功率に与える影響を深く調べる。 ビデオについてはhttps://www.robot-learning.uk/pose-estimation-perspectiveをご覧ください。

関連論文リスト

• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• Learning a Category-level Object Pose Estimator without Pose Annotations [37.03715008347576]
  ポーズアノテーションを使わずにカテゴリレベルの3Dオブジェクトのポーズ推定を学習することを提案する。 手動でアノテートされた画像を使用する代わりに、拡散モデルを利用して、制御されたポーズ差の下で一連の画像を生成する。 提案手法は,単一ショット設定からカテゴリレベルのオブジェクトポーズ推定を行う能力を有することを示す。
  論文  参考訳（メタデータ） (2024-04-08T15:59:29Z)
• Self-Explainable Affordance Learning with Embodied Caption [63.88435741872204]
  具体的キャプションを具現化したSelf-Explainable Affordance Learning (SEA)を紹介する。 SEAは、ロボットが意図を明確に表現し、説明可能な視覚言語キャプションと視覚能力学習のギャップを埋めることを可能にする。 本稿では, 簡便かつ効率的な方法で, 空き地と自己説明を効果的に組み合わせた新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:22:38Z)
• The Treachery of Images: Bayesian Scene Keypoints for Deep Policy Learning in Robotic Manipulation [28.30126109684119]
  スケール不変なキーポイントを時間とともに追跡するベイズ的手法であるBASKを提案する。 我々は,手首カメラの観察から多目的ロボット操作の課題を学習するために,本手法を用いた。
  論文  参考訳（メタデータ） (2023-05-08T14:05:38Z)
• A Training Method For VideoPose3D With Ideology of Action Recognition [0.9949781365631559]
  本研究は,行動認識に基づくビデオPose3Dのより高速で柔軟なトレーニング手法を示す。 アクション指向と一般的なポーズ推定の両方の問題を扱うことができる。
  論文  参考訳（メタデータ） (2022-06-13T19:25:27Z)
• Towards unconstrained joint hand-object reconstruction from RGB videos [81.97694449736414]
  ハンドオブジェクト操作の再構築は、ロボット工学と人間のデモから学ぶ大きな可能性を秘めている。 まず,手動物体の相互作用をシームレスに処理できる学習不要な手動物体再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-08-16T12:26:34Z)
• Seeing Differently, Acting Similarly: Imitation Learning with Heterogeneous Observations [126.78199124026398]
  多くの実世界の模倣学習タスクでは、デモレーターと学習者は異なるが完全な観察空間で行動しなければならない。 本研究では、上記の学習問題を異種観察学習(HOIL)としてモデル化する。 本稿では,重要度重み付け,拒否学習,アクティブクエリに基づくIWREアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-17T05:44:04Z)
• Coarse-to-Fine Imitation Learning: Robot Manipulation from a Single Demonstration [8.57914821832517]
  視覚的模倣学習のためのシンプルな新しい手法を導入し,新しいロボット操作タスクを1人の人間による実演から学習できるようにする。 提案手法は、状態推定問題として模倣学習をモデル化し、状態がエンドエフェクタのポーズとして定義される。 テスト時、エンドエフェクタは線形経路を通って推定状態に移動し、元のデモのエンドエフェクタ速度を単に再生する。
  論文  参考訳（メタデータ） (2021-05-13T16:36:55Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• 3D Registration for Self-Occluded Objects in Context [66.41922513553367]
  このシナリオを効果的に処理できる最初のディープラーニングフレームワークを紹介します。 提案手法はインスタンスセグメンテーションモジュールとポーズ推定モジュールから構成される。 これにより、高価な反復手順を必要とせず、ワンショットで3D登録を行うことができます。
  論文  参考訳（メタデータ） (2020-11-23T08:05:28Z)

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。