論文の概要: DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models
- arxiv url: http://arxiv.org/abs/2311.17053v1
- Date: Tue, 28 Nov 2023 18:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 17:00:17.722036
- Title: DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models
- Title(参考訳): DiffuseBot:物理強化された生成拡散モデルによるソフトロボットの育種
- Authors: Tsun-Hsuan Wang, Juntian Zheng, Pingchuan Ma, Yilun Du, Byungchul Kim,
Andrew Spielberg, Joshua Tenenbaum, Chuang Gan, Daniela Rus
- Abstract要約: 本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
- 参考スコア(独自算出の注目度): 102.13968267347553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nature evolves creatures with a high complexity of morphological and
behavioral intelligence, meanwhile computational methods lag in approaching
that diversity and efficacy. Co-optimization of artificial creatures'
morphology and control in silico shows promise for applications in physical
soft robotics and virtual character creation; such approaches, however, require
developing new learning algorithms that can reason about function atop pure
structure. In this paper, we present DiffuseBot, a physics-augmented diffusion
model that generates soft robot morphologies capable of excelling in a wide
spectrum of tasks. DiffuseBot bridges the gap between virtually generated
content and physical utility by (i) augmenting the diffusion process with a
physical dynamical simulation which provides a certificate of performance, and
(ii) introducing a co-design procedure that jointly optimizes physical design
and control by leveraging information about physical sensitivities from
differentiable simulation. We showcase a range of simulated and fabricated
robots along with their capabilities. Check our website at
https://diffusebot.github.io/
- Abstract(参考訳): 自然は形態学と行動知能の複雑さが高く進化し、一方でその多様性と有効性に近づく計算方法が遅れている。
人工生物のシリコにおける形態と制御の共最適化は、物理的なソフトロボティクスや仮想キャラクタ生成への応用を約束するが、そのようなアプローチは純粋な構造の上に関数を推論できる新しい学習アルゴリズムを開発する必要がある。
本稿では,多岐にわたるタスクに優れたソフトロボット形態を生成できる物理計算による拡散モデルであるdividatebotを提案する。
DiffuseBotは、仮想コンテンツと物理的なユーティリティのギャップを埋める
(i)性能証明書を提供する物理力学シミュレーションによる拡散過程の強化、
(ii) 差別化可能なシミュレーションから物理感性に関する情報を活用し、物理設計と制御を共同で最適化する共設計手順を導入すること。
シミュレーションと製造されたロボットとその能力を紹介する。
ウェブサイトはhttps://diffusebot.github.io/で確認できます。
関連論文リスト
- Optimising network interactions through device agnostic models [2.538490265556881]
物理的に実装されたニューラルネットワークは、デバイス固有の物理的特性を計算ツールとして活用することにより、ディープラーニングモデルの性能を達成する可能性を秘めている。
完全にデータ駆動方式で動的物理システムとの相互作用を最適化するための普遍的な枠組みを定式化する。
我々の研究は、物理的に定義されたニューラルネットワークの展開を成功させるために、システム性を正確に捉えることの重要性を強調しながら、相互作用する動的デバイスのシミュレーションと物理実装を通じてフレームワークの適用性を実証する。
論文 参考訳(メタデータ) (2024-01-14T22:46:53Z) - SoftZoo: A Soft Robot Co-design Benchmark For Locomotion In Diverse
Environments [111.91255476270526]
我々は,多様な環境下での移動を支援するソフトロボットの共同設計プラットフォームであるSoftZooを紹介する。
SoftZooは、平らな地面、砂漠、湿地、粘土、氷、雪、浅い水、海などの環境をシミュレートする機能など、自然にヒントを得た幅広い素材セットをサポートしている。
それは、高速な移動、アジャイルな回転、パスフォローなど、ソフトロボティクスに関連するさまざまなタスクを提供し、形態学と制御のための微分可能な設計表現を提供する。
論文 参考訳(メタデータ) (2023-03-16T17:59:50Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Differentiable Physics Simulation of Dynamics-Augmented Neural Objects [40.587385809005355]
深層ネットワークとしてパラメータ化された連続密度場としてそれらの幾何学を表現する物体の運動をシミュレートするための微分可能なパイプラインを提案する。
我々は、物体の運動特性、質量、質量の中心、慣性行列を推定する。
これによりロボットは、動いている物体の静止画像やビデオから視覚的かつ動的に正確な物体モデルを自律的に構築することができる。
論文 参考訳(メタデータ) (2022-10-17T20:37:46Z) - RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects
with Graph Networks [32.00371492516123]
弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。
我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。
実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
論文 参考訳(メタデータ) (2022-05-05T20:28:15Z) - Learning Material Parameters and Hydrodynamics of Soft Robotic Fish via
Differentiable Simulation [26.09104786491426]
本フレームワークは, 実ハードウェアにおける複合バイモルフ曲げ構造の動的挙動の高精度予測を可能にする。
我々は,ロボットの材料パラメータと流体力学を学習するための,実験的に検証された高速な最適化パイプラインを実証した。
我々は水中ソフトロボットの特定の応用に焦点をあてるが、我々のフレームワークは空気圧で作動するソフトメカニズムにも適用できる。
論文 参考訳(メタデータ) (2021-09-30T05:24:02Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳(メタデータ) (2021-04-07T17:59:23Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。
シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文 参考訳(メタデータ) (2020-04-14T20:52:49Z)
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。