論文の概要: Humanoid-Gym: Reinforcement Learning for Humanoid Robot with Zero-Shot Sim2Real Transfer
- arxiv url: http://arxiv.org/abs/2404.05695v1
- Date: Mon, 8 Apr 2024 17:26:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 13:26:22.827027
- Title: Humanoid-Gym: Reinforcement Learning for Humanoid Robot with Zero-Shot Sim2Real Transfer
- Title(参考訳): Humanoid-Gym:Zero-Shot Sim2Real Transferによるヒューマノイドロボットの強化学習
- Authors: Xinyang Gu, Yen-Jen Wang, Jianyu Chen,
- Abstract要約: Humanoid-GymはNvidia Isaac Gymをベースにした、使いやすい強化学習フレームワークである。
アイザック・ギム(Isaac Gym)からムジョコ(Mujoco)までのSim-to-simフレームワークは、トレーニングされたポリシーを異なる物理シミュレーションで検証することを可能にする。
このフレームワークは、ZeroEraのXBot-SとXBot-Lによって、ゼロショットのsim-to-real転送を持つ実環境において検証される。
- 参考スコア(独自算出の注目度): 10.815728917503252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humanoid-Gym is an easy-to-use reinforcement learning (RL) framework based on Nvidia Isaac Gym, designed to train locomotion skills for humanoid robots, emphasizing zero-shot transfer from simulation to the real-world environment. Humanoid-Gym also integrates a sim-to-sim framework from Isaac Gym to Mujoco that allows users to verify the trained policies in different physical simulations to ensure the robustness and generalization of the policies. This framework is verified by RobotEra's XBot-S (1.2-meter tall humanoid robot) and XBot-L (1.65-meter tall humanoid robot) in a real-world environment with zero-shot sim-to-real transfer. The project website and source code can be found at: https://sites.google.com/view/humanoid-gym/.
- Abstract(参考訳): Humanoid-GymはNvidia Isaac GymをベースとしたRLフレームワークで、ヒューマノイドロボットのロコモーションスキルをトレーニングし、シミュレーションから実環境へのゼロショット転送を強調している。
また、Humanoid-GymはIsaac Gym氏によるsim-to-simフレームワークをMujocoに統合し、トレーニングされたポリシーをさまざまな物理シミュレーションで検証し、ポリシーの堅牢性と一般化を保証する。
このフレームワークは、ZeroEraのXBot-S(高さ1.2メートルのヒューマノイドロボット)とXBot-L(高さ1.65メートルのヒューマノイドロボット)によって、ゼロショットシミュレートで現実の環境で検証される。
プロジェクトのWebサイトとソースコードは、https://sites.google.com/view/ Humanoid-gym/.comで見ることができる。
関連論文リスト
- HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。
その結果,最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的な学習ベースラインは頑健な低レベル政策に支えられた場合,優れた性能を達成できることがわかった。
論文 参考訳(メタデータ) (2024-03-15T17:45:44Z) - BEHAVIOR-1K: A Human-Centered, Embodied AI Benchmark with 1,000 Everyday Activities and Realistic Simulation [63.42591251500825]
本稿では,人間中心ロボットの総合シミュレーションベンチマークであるBEHAVIOR-1Kを提案する。
ひとつは、90以上のオブジェクトにリッチな物理的およびセマンティックな特性を付加した50のシーンで、1,000の日常的な活動を定義することである。
第二にOMNIGIBSONは、現実的な物理シミュレーションと剛体、変形可能な体、液体のレンダリングを通じてこれらの活動を支援する新しいシミュレーション環境である。
論文 参考訳(メタデータ) (2024-03-14T09:48:36Z) - Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation [34.65637397405485]
本稿では,Human to Humanoid(H2O)について紹介する。H2Oは,RGBカメラのみを搭載したヒューマノイドロボットのリアルタイム遠隔操作を実現するフレームワークである。
我々は、これらの洗練された動きを用いてシミュレーションで頑健なリアルタイムヒューマノイド運動模倣機を訓練し、実ヒューマノイドロボットにゼロショットで転送する。
私たちの知る限りでは、学習に基づくリアルタイムな人型ロボット遠隔操作を実現する最初のデモとなる。
論文 参考訳(メタデータ) (2024-03-07T12:10:41Z) - Expressive Whole-Body Control for Humanoid Robots [20.132927075816742]
我々は、人間の動きをできるだけリアルに模倣するために、人間サイズのロボットで全身制御ポリシーを学習する。
シミュレーションとSim2Real転送のトレーニングにより、私たちのポリシーはヒューマノイドロボットを制御して、さまざまなスタイルで歩いたり、人と握手したり、現実世界で人間と踊ったりできる。
論文 参考訳(メタデータ) (2024-02-26T18:09:24Z) - OmniLRS: A Photorealistic Simulator for Lunar Robotics [2.6718643310547607]
私たちはNvidiaのロボットシミュレータであるIsaac SimをベースにしたLunarシミュレータをどうやって構築したのかを説明します。
このシミュレーションは、高速な手続き環境生成、マルチボット機能、および機械学習アプリケーションのための合成データパイプラインを提供する。
論文 参考訳(メタデータ) (2023-09-16T13:48:47Z) - HomeRobot: Open-Vocabulary Mobile Manipulation [107.05702777141178]
Open-Vocabulary Mobile Manipulation (OVMM) は、目に見えない環境で任意のオブジェクトを選択し、命令された場所に配置する問題である。
HomeRobotには2つのコンポーネントがある。シミュレーションコンポーネントは、新しい高品質のマルチルームホーム環境に、大規模で多様なキュレートされたオブジェクトセットを使用する。
論文 参考訳(メタデータ) (2023-06-20T14:30:32Z) - 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) - NeRF2Real: Sim2real Transfer of Vision-guided Bipedal Motion Skills
using Neural Radiance Fields [16.21877702925027]
本研究では,現実的な視覚を持つ「野生」シーンにsim2realアプローチを適用するシステムを提案する。
ニューラル・ラジアンス・フィールド(NeRF)を用いたシーンの接触形状と新しいビュー合成機能について学ぶ。
その後、物理シミュレータのレンダリングエンジンを用いてシミュレーションが作成され、接触ダイナミクスが計算される。
我々はこのシミュレーションを用いて、頭部搭載型RGBカメラを搭載した20自由度ヒューマノイドロボットの視覚に基づく全身ナビゲーションとボールプッシュポリシーを学習できることを実証した。
論文 参考訳(メタデータ) (2022-10-10T18:06:30Z) - Skeleton2Humanoid: Animating Simulated Characters for
Physically-plausible Motion In-betweening [59.88594294676711]
現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。
テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。
挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
論文 参考訳(メタデータ) (2022-10-09T16:15:34Z) - GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練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,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。
我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
論文 参考訳(メタデータ) (2022-09-12T15:14:32Z) - Target Reaching Behaviour for Unfreezing the Robot in a Semi-Static and
Crowded Environment [2.055949720959582]
本研究では,人間の存在により凍結したロボットの進路をクリアする社会規範に不満を呈する車輪付きヒューマノイドロボットに対して,ロボットの動作を提案する。
1)人間の手や腕を検知するヨロv3アルゴリズムを用いた検出モジュール,2)近似ポリシー最適化アルゴリズムを用いたシミュレーションで訓練されたポリシーを利用するジェスチャーモジュール,の2つのモジュールで構成されている。
論文 参考訳(メタデータ) (2020-12-02T13:43:59Z)
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。