論文の概要: Fine-Tuning Generative Models as an Inference Method for Robotic Tasks

• arxiv url: http://arxiv.org/abs/2310.12862v1
• Date: Thu, 19 Oct 2023 16:11:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-20 14:25:59.968700
• Title: Fine-Tuning Generative Models as an Inference Method for Robotic Tasks
• Title（参考訳）: ロボットタスクの推論手法としての微調整生成モデル
• Authors: Orr Krupnik, Elisei Shafer, Tom Jurgenson, Aviv Tamar
• Abstract要約: ロボット作業における観察にニューラルネットワークモデルのサンプル生成を迅速に適応させる方法について検討する。 鍵となるアイデアは、観測された証拠と一致する生成サンプルにそれを適合させることで、モデルを素早く微調整することである。 本手法は自己回帰モデルと変分自己エンコーダの両方に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 18.745665662647912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptable models could greatly benefit robotic agents operating in the real world, allowing them to deal with novel and varying conditions. While approaches such as Bayesian inference are well-studied frameworks for adapting models to evidence, we build on recent advances in deep generative models which have greatly affected many areas of robotics. Harnessing modern GPU acceleration, we investigate how to quickly adapt the sample generation of neural network models to observations in robotic tasks. We propose a simple and general method that is applicable to various deep generative models and robotic environments. The key idea is to quickly fine-tune the model by fitting it to generated samples matching the observed evidence, using the cross-entropy method. We show that our method can be applied to both autoregressive models and variational autoencoders, and demonstrate its usability in object shape inference from grasping, inverse kinematics calculation, and point cloud completion.
• Abstract（参考訳）: 適応可能なモデルは、現実世界で活動するロボットエージェントに多大な利益をもたらし、新しい様々な状況に対処することができる。 ベイズ推論のようなアプローチは、モデルを証拠に適応させるためのよく研究されたフレームワークであるが、ロボット工学の多くの分野に大きな影響を与えている深層生成モデルにおける最近の進歩に基づいている。 最新のGPUアクセラレーションを生かして、ロボットタスクにおける観察にニューラルネットワークモデルのサンプル生成を迅速に適応する方法を検討する。 本稿では,様々な深層生成モデルやロボット環境に適用可能な簡便で汎用的な手法を提案する。 鍵となるアイデアは、クロスエントロピー法を用いて、観測された証拠に合致するサンプルにそれを適合させることで、モデルを素早く微調整することである。 本手法は自己回帰モデルと変分オートエンコーダの両方に適用可能であり,把持,逆キネマティックス計算,ポイントクラウド補完による物体形状推定における有用性を示す。

関連論文リスト

• Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
  本稿では,低次元物理モデル学習のための合理化手法を提案する。 各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。 物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2024-10-31T18:37:22Z)
• Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
  近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。 本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。 また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T11:34:31Z)
• Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
  目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。 このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:41Z)
• Model-based Policy Optimization using Symbolic World Model [46.42871544295734]
  ロボット工学における学習に基づく制御手法の適用は、大きな課題を呈している。 1つは、モデルなし強化学習アルゴリズムがサンプル効率の低い観測データを使用することである。 シンボリック回帰によって生成されるシンボリック表現による遷移ダイナミクスの近似を提案する。
  論文  参考訳（メタデータ） (2024-07-18T13:49:21Z)
• STORM: Efficient Stochastic Transformer based World Models for Reinforcement Learning [82.03481509373037]
  近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。 本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。 Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
  論文  参考訳（メタデータ） (2023-10-14T16:42:02Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• High-Accuracy Model-Based Reinforcement Learning, a Survey [2.0196229393131726]
  深層強化学習は、ゲームプレイとロボティクスにおいて顕著な成功を収めている。 環境サンプルの数を減らすため、モデルに基づく強化学習は環境力学の明示的なモデルを生成する。 これらの手法のいくつかは、低いサンプルの複雑さで高い精度を達成することに成功した。
  論文  参考訳（メタデータ） (2021-07-17T14:01:05Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Model Predictive Actor-Critic: Accelerating Robot Skill Acquisition with Deep Reinforcement Learning [42.525696463089794]
  Model Predictive Actor-Critic (MoPAC)は、モデル予測ロールアウトとポリシー最適化を組み合わせてモデルバイアスを軽減するハイブリッドモデルベース/モデルフリーメソッドである。 MoPACは最適なスキル学習を近似誤差まで保証し、環境との物理的相互作用を減らす。
  論文  参考訳（メタデータ） (2021-03-25T13:50:24Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。