論文の概要: Speeding up 6-DoF Grasp Sampling with Quality-Diversity

• arxiv url: http://arxiv.org/abs/2403.06173v1
• Date: Sun, 10 Mar 2024 10:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 07:16:43.327860
• Title: Speeding up 6-DoF Grasp Sampling with Quality-Diversity
• Title（参考訳）: 品質変化による6自由度把持サンプリングの高速化
• Authors: Johann Huber, Fran\c{c}ois H\'el\'enon, Mathilde Kappel, Elie Chelly, Mahdi Khoramshahi, Fa\"iz Ben Amar, St\'ephane Doncieux
• Abstract要約: 品質多様性(QD)アルゴリズムは、与えられた問題に対する多様なハイパフォーマンスなソリューションを得るために、一連のソリューションを最適化する。 標準物体に2本から5本の指を持つ4本のグリップで行った実験では、QDは一般的な方法よりも大きなマージンで優れていた。
• 参考スコア（独自算出の注目度）: 1.533848041901807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in AI have led to significant results in robotic learning, including natural language-conditioned planning and efficient optimization of controllers using generative models. However, the interaction data remains the bottleneck for generalization. Getting data for grasping is a critical challenge, as this skill is required to complete many manipulation tasks. Quality-Diversity (QD) algorithms optimize a set of solutions to get diverse, high-performing solutions to a given problem. This paper investigates how QD can be combined with priors to speed up the generation of diverse grasps poses in simulation compared to standard 6-DoF grasp sampling schemes. Experiments conducted on 4 grippers with 2-to-5 fingers on standard objects show that QD outperforms commonly used methods by a large margin. Further experiments show that QD optimization automatically finds some efficient priors that are usually hard coded. The deployment of generated grasps on a 2-finger gripper and an Allegro hand shows that the diversity produced maintains sim-to-real transferability. We believe these results to be a significant step toward the generation of large datasets that can lead to robust and generalizing robotic grasping policies.
• Abstract（参考訳）: 近年のAIの進歩は、自然言語による計画や、生成モデルを用いたコントローラーの効率的な最適化など、ロボット学習に大きな成果をもたらした。 しかし、相互作用データは依然として一般化のボトルネックとなっている。 多数の操作タスクを完了させるには、このスキルが必要となるため、把握のためのデータを取得することは重要な課題である。 品質多様性(QD)アルゴリズムは、与えられた問題に対する多様な高性能なソリューションを得るために、一連のソリューションを最適化する。 本稿では,従来の6-DoFグリップサンプリング方式と比較して,従来のQDと組み合わせて,シミュレーションにおける多様なグリップポーズの生成を高速化する方法について検討する。 標準物体に2本から5本の指を持つ4本のグリップで行った実験では、QDは一般的な方法よりも大きなマージンで優れていた。 さらなる実験により、qd最適化は、通常ハードコーディングされる効率的なプリエントを自動的に発見することを示している。 2フィンガーグリッパーとアレグロハンドに生成した把持物が配置されたことにより、生成した多様性がsim-to-real転送性を維持することが示された。 これらの結果は、ロボットの把握ポリシーの堅牢化と一般化につながる大きなデータセットの生成に向けた重要なステップであると考えています。

関連論文リスト

• QDGset: A Large Scale Grasping Dataset Generated with Quality-Diversity [2.095923926387536]
  クオリティ・ダイバーシティ(QD)アルゴリズムは,サンプリングの効率を著しく向上させることが証明されている。 我々は、オブジェクト中心の把握を生成するQDフレームワークであるQDG-6DoFを拡張して、合成的把握データセットの生成を拡大する。
  論文  参考訳（メタデータ） (2024-10-03T08:56:14Z)
• TrackFormers: In Search of Transformer-Based Particle Tracking for the High-Luminosity LHC Era [2.9052912091435923]
  高エネルギー物理実験は、新しいイテレーション毎に複数倍のデータの増加に直面している。 このようなオーバーホールが必要なステップの1つは、粒子トラックの再構築、すなわち追跡のタスクである。 機械学習支援ソリューションは、大幅な改善が期待されている。
  論文  参考訳（メタデータ） (2024-07-09T18:47:25Z)
• Contrastive Transformer Learning with Proximity Data Generation for Text-Based Person Search [60.626459715780605]
  記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。 このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。 本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-15T16:26:49Z)
• Domain Randomization for Sim2real Transfer of Automatically Generated Grasping Datasets [0.0]
  本稿では,実世界において自動生成された把握がどのように活用されるかを検討する。 7000以上のリーチ・アンド・グラス軌道が3つの異なるアームとグリップにQD(Quality-Diversity)法で生成され、それには平行な指と器用な手が含まれ、現実世界でテストされている。 ドメインランダム化をより堅牢にするために、ついにQDアプローチが提案され、その結果、フランカリサーチ3アームの転送比は84%となった。
  論文  参考訳（メタデータ） (2023-10-06T18:26:09Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
  ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。 ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
  論文  参考訳（メタデータ） (2022-06-14T17:09:35Z)
• Towards QD-suite: developing a set of benchmarks for Quality-Diversity algorithms [0.0]
  既存のベンチマークは標準化されておらず、現在、品質多様性(QD)に匹敵するMNISTはない。 我々は、QD手法が直面する課題の特定と、目標とする、挑戦的でスケーラブルなベンチマークの開発が重要なステップであると主張している。
  論文  参考訳（メタデータ） (2022-05-06T13:33:50Z)
• Rich Feature Construction for the Optimization-Generalization Dilemma [18.721567020497968]
  我々は、モデルで使用できる潜在的に有用な機能のパレットを含むリッチな表現(RFC)を構築する。 RFCは、6つのOoDメソッドが挑戦的な不変トレーニングベンチマークで最高のパフォーマンスを達成するのを一貫して支援します。 現実的な Camelyon17 タスクでは,OoD と OoD の両手法が,従来の計算可能な結果に対して少なくとも 5% 以上の性能を発揮する。
  論文  参考訳（メタデータ） (2022-03-24T20:39:33Z)
• Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
  本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。 モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
  論文  参考訳（メタデータ） (2021-06-03T08:35:10Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。