論文の概要: CUDA-Accelerated Soft Robot Neural Evolution with Large Language Model Supervision

• arxiv url: http://arxiv.org/abs/2405.00698v1
• Date: Fri, 12 Apr 2024 19:24:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-05 17:54:32.174756
• Title: CUDA-Accelerated Soft Robot Neural Evolution with Large Language Model Supervision
• Title（参考訳）: 大規模言語モデルを用いたCUDA高速化ソフトロボットニューラル進化
• Authors: Lechen Zhang,
• Abstract要約: 本稿では,新しいニューラルネットワーク進化アプローチにより,ソフトロボットの形状と制御を共設計するという課題に対処する。 そこで本研究では,ソフトロボットを暗黙的に二重符号化する革新的な手法を提案し,形態学と制御の同時設計を容易にする。 また,進化過程において制御センタとして機能する大規模言語モデルも導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the challenge of co-designing morphology and control in soft robots via a novel neural network evolution approach. We propose an innovative method to implicitly dual-encode soft robots, thus facilitating the simultaneous design of morphology and control. Additionally, we introduce the large language model to serve as the control center during the evolutionary process. This advancement considerably optimizes the evolution speed compared to traditional soft-bodied robot co-design methods. Further complementing our work is the implementation of Gaussian positional encoding - an approach that augments the neural network's comprehension of robot morphology. Our paper offers a new perspective on soft robot design, illustrating substantial improvements in efficiency and comprehension during the design and evolutionary process.
• Abstract（参考訳）: 本稿では,新しいニューラルネットワーク進化アプローチにより,ソフトロボットの形状と制御を共設計するという課題に対処する。 そこで本研究では,ソフトロボットを暗黙的に二重符号化する革新的な手法を提案し,形態学と制御の同時設計を容易にする。 さらに,進化過程において制御センタとして機能する大規模言語モデルを導入する。 この進歩は、従来のソフトボディロボットの共同設計法と比較して、進化速度をかなり最適化する。 私たちの研究をさらに補完するものとして、ガウス的位置符号化(Gaussian positional encoding) – ニューラルネットワークによるロボット形態の理解を強化するアプローチの実装があります。 本論文は,ソフトロボット設計における新たな視点を提供し,設計・進化過程における効率と理解の大幅な向上を図っている。

関連論文リスト

• RoboMorph: Evolving Robot Morphology using Large Language Models [0.5812095716568273]
  本稿では,モジュール型ロボットの設計を自動生成・最適化するRoboMorphを紹介する。 自動プロンプト設計と強化学習に基づく制御アルゴリズムを統合することで、RoboMorphはフィードバックループを通じてロボット設計を反復的に改善する。
  論文  参考訳（メタデータ） (2024-07-11T16:05:56Z)
• DittoGym: Learning to Control Soft Shape-Shifting Robots [30.287452037945542]
  我々は、その生涯で形態を変えることができるロボットとして定義された、再構成可能な新しいロボットを探索する。 再構成可能なソフトロボットの制御を高次元強化学習(RL)問題として定式化する。 細かな形態変化を必要とするソフトロボットのための総合的なRLベンチマークであるDittoGymを紹介する。
  論文  参考訳（メタデータ） (2024-01-24T05:03:05Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  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。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Modular Controllers Facilitate the Co-Optimization of Morphology and Control in Soft Robots [0.5076419064097734]
  モジュール型コントローラはロボットのボディプランの変更に対してより堅牢であることを示す。 モジュラーコントローラの同様のボディプランへの移動性の向上は、ソフトロボットのより効果的な脳と身体の協調最適化を可能にする。
  論文  参考訳（メタデータ） (2023-06-12T16:36:46Z)
• 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)
• Universal Morphology Control via Contextual Modulation [52.742056836818136]
  異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。 既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。 本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:04:12Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Evolution Gym: A Large-Scale Benchmark for Evolving Soft Robots [29.02903745467536]
  ソフトロボットの設計と制御を最適化する最初の大規模ベンチマークであるEvolution Gymを提案する。 私たちのベンチマーク環境は、様々な種類の地形の移動や操作など、幅広いタスクにまたがっています。 我々は,最先端設計最適化手法と深層強化学習手法を組み合わせることで,複数のロボット共進化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-01-24T18:39:22Z)
• EvoPose2D: Pushing the Boundaries of 2D Human Pose Estimation using Accelerated Neuroevolution with Weight Transfer [82.28607779710066]
  生物進化にインスパイアされたニューラル・アーキテクチャー・サーチの一形態であるニューラル・エボリューションの2次元ヒューマン・ポーズ・ネットワークの設計への応用について検討する。 本手法は,最先端の手設計ネットワークよりも効率的かつ高精度なネットワーク設計を実現する。
  論文  参考訳（メタデータ） (2020-11-17T05:56:16Z)
• Rapidly Adaptable Legged Robots via Evolutionary Meta-Learning [65.88200578485316]
  本稿では,ロボットが動的変化に迅速に適応できるメタ学習手法を提案する。 提案手法は高雑音環境における動的変化への適応性を著しく改善する。 我々は、動的に変化しながら歩くことを学習する四足歩行ロボットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-03-02T22:56:27Z)

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。