論文の概要: Reinforcement Learning-Based Bionic Reflex Control for Anthropomorphic Robotic Grasping exploiting Domain Randomization

• arxiv url: http://arxiv.org/abs/2312.05023v1
• Date: Fri, 8 Dec 2023 13:04:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-12-11 15:14:46.241605
• Title: Reinforcement Learning-Based Bionic Reflex Control for Anthropomorphic Robotic Grasping exploiting Domain Randomization
• Title（参考訳）: ドメインランダム化を利用した擬似ロボットグラスピングのための強化学習に基づくバイオン反射制御
• Authors: Hirakjyoti Basumatary, Daksh Adhar, Atharva Shrawge, Prathamesh Kanbaskar and Shyamanta M. Hazarika
• Abstract要約: 強化学習(RL)を活用した革新的な生体反射制御パイプラインを提案する。 提案する生体反射制御装置は人為的手において設計・試験されている。 我々は、この自律型RLベースのバイオニック・リフレクション・コントローラが、信頼性が高く、高効率なロボットと義手の開発を触媒することを期待している。
• 参考スコア（独自算出の注目度）: 0.4999814847776098
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Achieving human-level dexterity in robotic grasping remains a challenging endeavor. Robotic hands frequently encounter slippage and deformation during object manipulation, issues rarely encountered by humans due to their sensory receptors, experiential learning, and motor memory. The emulation of the human grasping reflex within robotic hands is referred to as the ``bionic reflex". Past endeavors in the realm of bionic reflex control predominantly relied on model-based and supervised learning approaches, necessitating human intervention during thresholding and labeling tasks. In this study, we introduce an innovative bionic reflex control pipeline, leveraging reinforcement learning (RL); thereby eliminating the need for human intervention during control design. Our proposed bionic reflex controller has been designed and tested on an anthropomorphic hand, manipulating deformable objects in the PyBullet physics simulator, incorporating domain randomization (DR) for enhanced Sim2Real transferability. Our findings underscore the promise of RL as a potent tool for advancing bionic reflex control within anthropomorphic robotic hands. We anticipate that this autonomous, RL-based bionic reflex controller will catalyze the development of dependable and highly efficient robotic and prosthetic hands, revolutionizing human-robot interaction and assistive technologies.
• Abstract（参考訳）: ロボットの把握における人間レベルのデキスタリティの達成は、いまだに困難な取り組みだ。 ロボットハンドは、物体操作中にしばしばすべりや変形に遭遇するが、感覚受容体、経験学習、運動記憶などによって人間が遭遇することは稀である。 ロボットの手の中の人間の把持反射のエミュレーションは、"`bionic reflex"と呼ばれる。 生体反射制御の領域における過去の取り組みは、主にモデルベースおよび教師付き学習アプローチに依存し、しきい値付けやラベル付け作業において人間の介入を必要とする。 本研究では、強化学習(RL)を活用した革新的な生体反射制御パイプラインを導入し、制御設計における人間の介入の必要性を解消する。 提案するビオニオン反射制御器は,pybullet物理シミュレータで変形可能な物体を操作し,sim2実移動性を高めるためのドメインランダム化(dr)を組み込んだ人工的なハンドで設計・テストを行った。 本研究は,ロボットハンドにおけるバイオニック反射制御の強力なツールとしてのrlの期待を裏付けるものである。 この自律型バイオニック・リフレクション・コントローラは、ロボットとロボットの相互作用と補助技術に革命をもたらし、信頼性と高効率なロボットと義手の開発を触媒することを期待している。

関連論文リスト

• Naturalistic Robot Arm Trajectory Generation via Representation Learning [4.7682079066346565]
  家庭環境におけるマニピュレータロボットの統合は、より予測可能な人間のようなロボットの動きの必要性を示唆している。 自然主義的な運動軌跡を生成する方法の1つは、人間のデモ隊の模倣によるものである。 本稿では,自己回帰型ニューラルネットワークを用いた自己指導型模倣学習法について検討する。
  論文  参考訳（メタデータ） (2023-09-14T09:26:03Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
  視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。 シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-30T17:58:36Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• From Biological Synapses to Intelligent Robots [0.0]
  ヘビアンシナプス学習は、機械学習とインテリジェンスのための機能的関連モデルとして議論されている。 適応的な学習と制御の可能性を、監督なしで先導する。 ここで収集された洞察は、インテリジェントなロボティクスとセンサーシステムの選択ソリューションとして、Hebbianモデルに向けられている。
  論文  参考訳（メタデータ） (2022-02-25T12:39:22Z)
• I am Robot: Neuromuscular Reinforcement Learning to Actuate Human Limbs through Functional Electrical Stimulation [5.066245628617513]
  機能電気刺激(FES)は筋肉の上の皮を刺激して収縮を誘発することによって筋肉を収縮させる確立された技術です。 動的状態表現のためのリカレントニューラルネットワークを用いて,人間の筋肉をFESで制御するためのDeep Reinforcement Learningアプローチを提案する。 以上の結果から,本制御器は筋力操作を学習でき,与えられた課題を達成するために適切なレベルの刺激を施し,作業中に生じる筋疲労の進行を補償できることがわかった。
  論文  参考訳（メタデータ） (2021-03-09T10:58:51Z)
• Sensorimotor representation learning for an "active self" in robots: A model survey [10.649413494649293]
  人間では、これらの能力は宇宙で私たちの身体を知覚する能力と関連していると考えられている。 本稿では,これらの能力の発達過程について概説する。 人工エージェントにおける自己感覚の出現を可能にする理論計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-25T16:31:01Z)
• Populations of Spiking Neurons for Reservoir Computing: Closed Loop Control of a Compliant Quadruped [64.64924554743982]
  本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。 本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
  論文  参考訳（メタデータ） (2020-04-09T14:32:49Z)

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。