論文の概要: PhyPlan: Compositional and Adaptive Physical Task Reasoning with Physics-Informed Skill Networks for Robot Manipulators

• arxiv url: http://arxiv.org/abs/2402.15767v1
• Date: Sat, 24 Feb 2024 08:51:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 17:01:02.905226
• Title: PhyPlan: Compositional and Adaptive Physical Task Reasoning with Physics-Informed Skill Networks for Robot Manipulators
• Title（参考訳）: PhyPlan:ロボットマニピュレータのための物理インフォームドスキルネットワークによる構成的・適応的物理タスク推論
• Authors: Harshil Vagadia and Mudit Chopra and Abhinav Barnawal and Tamajit Banerjee and Shreshth Tuli and Souvik Chakraborty and Rohan Paul
• Abstract要約: 物理推論の既存の方法は、実世界固有の複雑さと不確実性に苦しむデータハングリーである。 本稿では,物理インフォームドニューラルネットワーク(PINN)と修正モンテカルロ木探索(MCTS)を組み合わせた物理インフォームド計画フレームワークであるPhyPlanについて述べる。
• 参考スコア（独自算出の注目度）: 5.680235630702706
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Given the task of positioning a ball-like object to a goal region beyond direct reach, humans can often throw, slide, or rebound objects against the wall to attain the goal. However, enabling robots to reason similarly is non-trivial. Existing methods for physical reasoning are data-hungry and struggle with complexity and uncertainty inherent in the real world. This paper presents PhyPlan, a novel physics-informed planning framework that combines physics-informed neural networks (PINNs) with modified Monte Carlo Tree Search (MCTS) to enable embodied agents to perform dynamic physical tasks. PhyPlan leverages PINNs to simulate and predict outcomes of actions in a fast and accurate manner and uses MCTS for planning. It dynamically determines whether to consult a PINN-based simulator (coarse but fast) or engage directly with the actual environment (fine but slow) to determine optimal policy. Evaluation with robots in simulated 3D environments demonstrates the ability of our approach to solve 3D-physical reasoning tasks involving the composition of dynamic skills. Quantitatively, PhyPlan excels in several aspects: (i) it achieves lower regret when learning novel tasks compared to state-of-the-art, (ii) it expedites skill learning and enhances the speed of physical reasoning, (iii) it demonstrates higher data efficiency compared to a physics un-informed approach.
• Abstract（参考訳）: ボールのような物体を、直接到達範囲を超えてゴール領域に配置するタスクを考えると、人間はしばしば、目標を達成するために壁に投げたり、滑ったり、リバウンドしたりすることができる。 しかし、ロボットが同じような理性を持つことは自明ではない。 物理推論の既存の手法は、実世界固有の複雑さと不確実性に苦慮している。 本稿では,物理に変形したニューラルネットワーク (pinns) と修正されたモンテカルロ木探索 (mcts) を組み合わせた新しい物理に変形した計画フレームワークphyplanを提案する。 PhyPlanはPINNを活用して、迅速かつ正確な方法でアクションの結果をシミュレートし、予測し、計画にMCTSを使用する。 PINNベースのシミュレータ(粗いが速い)を参照するか、あるいは実際の環境(細いが遅い)に直接関与して最適なポリシーを決定するかを動的に決定する。 シミュレーション3次元環境におけるロボットによる評価は,ダイナミックスキルの構成を含む3次元物理推論課題を解決するためのアプローチの能力を示す。 PhyPlanはいくつかの点で優れている。 (i)新しい仕事を学ぶときの後悔度を最先端と比べて低くする。 (ii)技能学習を促進させ、理学の速さを高める。 (iii)物理の非インフォームドアプローチに比べて高いデータ効率を示す。

関連論文リスト

• LLMPhy: Complex Physical Reasoning Using Large Language Models and World Models [35.01842161084472]
  そこで我々は,TraySimという物理推論タスクとデータセットを提案する。 私たちのタスクは、外部の影響を受けるトレイ上のいくつかのオブジェクトのダイナミクスを予測することです。 LLMの物理知識とプログラム合成能力を活用するゼロショットブラックボックス最適化フレームワークであるLLMPhyを提案する。 この結果から,LLMと物理エンジンの組み合わせにより,最先端のゼロショット物理推論性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-11-12T18:56:58Z)
• PhyPlan: Generalizable and Rapid Physical Task Planning with Physics Informed Skill Networks for Robot Manipulators [5.4089975505600005]
  物理推論の既存の方法は、実世界固有の複雑さと不確実性に苦しむデータハングリーである。 本稿では,物理インフォームドニューラルネットワーク(PINN)と修正モンテカルロ木探索(MCTS)を組み合わせた物理インフォームド計画フレームワークであるPhyPlanについて述べる。
  論文  参考訳（メタデータ） (2024-04-22T06:35:08Z)
• PhyGrasp: Generalizing Robotic Grasping with Physics-informed Large Multimodal Models [58.33913881592706]
  人間は、自分の直感的な物理学を巧みに把握し、これまで見たことのない物体であっても、効率的に把握を変更できる。 この研究は、そのような物理的常識的推論をロボット操作に注入することに注力している。 自然言語と3次元点雲の2つのモードからの入力を利用するマルチモーダル大モデルであるPhyGraspを紹介する。
  論文  参考訳（メタデータ） (2024-02-26T18:57:52Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Physics-Based Task Generation through Causal Sequence of Physical Interactions [3.2244944291325996]
  物理的な環境でタスクを実行することは、現実世界で動作するAIシステムにとって決定的に難しい問題である。 本稿では,物体間の物理的相互作用の因果シーケンスを用いて物理シナリオを定義するための体系的なアプローチを提案する。 次に,定義したシナリオを入力として,物理シミュレーション環境でタスクを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-05T10:15:18Z)
• Progressive Learning for Physics-informed Neural Motion Planning [1.9798034349981157]
  モーションプランニングは、衝突のないロボットの動き経路を見つけるための高速な方法を必要とする、中核的なロボティクス問題の1つである。 近年の進歩は、運動計画のためのアイコン方程式を直接解く物理インフォームドNMPアプローチにつながっている。 本稿では,ニューラルネットワークをエキスパートデータなしで学習するための新しい進化的学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-06-01T12:41:05Z)
• NTFields: Neural Time Fields for Physics-Informed Robot Motion Planning [1.9798034349981157]
  乱雑なシナリオにおけるロボット動作計画のためのニューラルタイムフィールド(NTFields)を提案する。 本フレームワークは,Eykonal Equationと呼ばれる非線形一階PDEから得られる経路解を見つけるために,連続到着時間を生成する波動伝搬モデルを表す。 ギブソン・データセットを含む様々な散在した3次元環境において本手法の評価を行い,4-DOFおよび6-DOFロボットマニピュレータの動作計画問題を解く能力を実証した。
  論文  参考訳（メタデータ） (2022-09-30T22:34:54Z)
• Fixing Malfunctional Objects With Learned Physical Simulation and Functional Prediction [158.74130075865835]
  機能不全な3Dオブジェクトが与えられたら、人間はその機能を推論し、どのように修正するかを理解するために精神シミュレーションを行うことができる。 人間の心的シミュレーションプロセスの模倣として,知覚と物理力学をシームレスに組み込んだ新しいフレームワークであるFixNetを提案する。
  論文  参考訳（メタデータ） (2022-05-05T17:59:36Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• 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)
• Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
  インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。 我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。 我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
  論文  参考訳（メタデータ） (2020-01-16T06:27:59Z)

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。