論文の概要: Learning Reusable Manipulation Strategies

• arxiv url: http://arxiv.org/abs/2311.03293v1
• Date: Mon, 6 Nov 2023 17:35:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 13:20:21.991836
• Title: Learning Reusable Manipulation Strategies
• Title（参考訳）: 再利用可能な操作戦略の学習
• Authors: Jiayuan Mao, Joshua B. Tenenbaum, Tom\'as Lozano-P\'erez, Leslie Pack Kaelbling
• Abstract要約: 人間は「トリック」を習得し、一般化する素晴らしい能力を実証する 本稿では,機械が1つの実演と自己演奏によってこのような操作スキルを習得することを可能にするフレームワークを提案する。 これらの学習メカニズムとサンプルは、標準的なタスクやモーションプランナにシームレスに統合できる。
• 参考スコア（独自算出の注目度）: 86.07442931141634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans demonstrate an impressive ability to acquire and generalize manipulation "tricks." Even from a single demonstration, such as using soup ladles to reach for distant objects, we can apply this skill to new scenarios involving different object positions, sizes, and categories (e.g., forks and hammers). Additionally, we can flexibly combine various skills to devise long-term plans. In this paper, we present a framework that enables machines to acquire such manipulation skills, referred to as "mechanisms," through a single demonstration and self-play. Our key insight lies in interpreting each demonstration as a sequence of changes in robot-object and object-object contact modes, which provides a scaffold for learning detailed samplers for continuous parameters. These learned mechanisms and samplers can be seamlessly integrated into standard task and motion planners, enabling their compositional use.
• Abstract（参考訳）: 人間は操作の「トリック」を入手し、一般化する素晴らしい能力を示している。 スープろうそくを使って遠くの物体に届くような単一のデモンストレーションでも、異なる物体の位置、大きさ、カテゴリー(フォークやハンマーなど)を含む新しいシナリオにこのスキルを適用することができる。 さらに、さまざまなスキルを柔軟に組み合わせ、長期的な計画を考案できます。 本稿では,機械が1つのデモンストレーションとセルフプレイを通じて,このような操作スキルを習得することを可能にする枠組みを提案する。 我々の重要な洞察は、各デモンストレーションをロボットオブジェクトとオブジェクトオブジェクトの接触モードの変化のシーケンスとして解釈することであり、連続パラメータの詳細なサンプルを学習するための足場を提供する。 これらの学習機構とサンプルは、標準のタスクやモーションプランナーにシームレスに統合することができ、それらの構成的使用を可能にする。

関連論文リスト

• Canonical mapping as a general-purpose object descriptor for robotic manipulation [0.0]
  準ユニバーサルでフレキシブルなオブジェクト記述子としてカノニカルマッピングを提案する。 本研究では,1つの事前学習された標準写像モデルから共通オブジェクト表現を導出できることを実証する。 2つのロボットアームを用いた多段階実験を行い、知覚アプローチの堅牢性を実証した。
  論文  参考訳（メタデータ） (2023-03-02T15:09:25Z)
• ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters [123.88692739360457]
  汎用運動技術により、人間は複雑な作業を行うことができる。 これらのスキルは、新しいタスクを学ぶときの振る舞いを導くための強力な先駆者も提供します。 物理シミュレーション文字のための汎用的で再利用可能なスキル埋め込みを学習するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-04T06:13:28Z)
• V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects [51.79035249464852]
  本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。 本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
  論文  参考訳（メタデータ） (2021-11-07T02:31:09Z)
• Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation [55.31301153979621]
  我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。 未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。 提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-28T16:18:54Z)
• ManiSkill: Learning-from-Demonstrations Benchmark for Generalizable Manipulation Skills [27.214053107733186]
  汎用オブジェクト操作スキルを学習するためのSAPIENマニピュレーションスキルベンチマーク(ManiSkill)を提案する。 ManiSkillは、リッチで多様な調音されたオブジェクトセットを利用することで、オブジェクトレベルのバリエーションをサポートする。 ManiSkillは、ロボットの学習コミュニティに、汎用的なオブジェクト操作スキルの学習を奨励する。
  論文  参考訳（メタデータ） (2021-07-30T08:20:22Z)
• MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
  大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。 新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。 我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
  論文  参考訳（メタデータ） (2021-04-16T16:38:02Z)
• SKID RAW: Skill Discovery from Raw Trajectories [23.871402375721285]
  すべてのスキルではなく、完全なタスクの実行を示すことが望ましい。 軌跡を反復パターンに分割することを同時に学習する新しい手法を提案する。 このアプローチは、スキルのシーケンスを理解するのに使用できるスキルコンディショニングを学習する。
  論文  参考訳（メタデータ） (2021-03-26T17:27:13Z)
• Self-supervised Visual Reinforcement Learning with Object-centric Representations [11.786249372283562]
  対象中心の表現をモジュラーおよび構造化された観測空間として用いることを提案する。 目標条件付きアテンションポリシーと組み合わせた表現の構造は,自律エージェントが有用なスキルを発見し,学習する上で有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-29T14:55:09Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。