Fugu-MT 論文翻訳(概要): Self-Organized Construction by Minimal Surprise

論文の概要: Self-Organized Construction by Minimal Surprise

arxiv url: http://arxiv.org/abs/2405.02980v1
Date: Sun, 5 May 2024 15:59:22 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 15:33:57.876920
Title: Self-Organized Construction by Minimal Surprise
Title（参考訳）: 最小サプライズによる自己組織化構築
Authors: Tanja Katharina Kaiser, Heiko Hamann,
Abstract要約: シミュレーションロボットは、2Dトーラスグリッドの世界でブロックを押します。いずれにせよ、ブロックを移動させて環境を構造化し、より予測しやすくするロボットの振る舞いを進化させる。
参考スコア（独自算出の注目度）: 6.21540494241516
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For the robots to achieve a desired behavior, we can program them directly, train them, or give them an innate driver that makes the robots themselves desire the targeted behavior. With the minimal surprise approach, we implant in our robots the desire to make their world predictable. Here, we apply minimal surprise to collective construction. Simulated robots push blocks in a 2D torus grid world. In two variants of our experiment we either allow for emergent behaviors or predefine the expected environment of the robots. In either way, we evolve robot behaviors that move blocks to structure their environment and make it more predictable. The resulting controllers can be applied in collective construction by robots.
Abstract（参考訳）: ロボットが望ましい行動を達成するためには、直接プログラムしたり、訓練したり、あるいはロボット自身が目標とする行動を望むような生まれつきのドライバーを与えることができる。最小限の驚きのアプローチで、私たちはロボットに彼らの世界を予測可能にしたいという願望を植え込みます。ここでは、集合構成に最小限のサプライズを適用する。シミュレーションロボットは、2Dトーラスグリッドの世界でブロックを押します。実験の2つのバリエーションでは、創発的な動作を許可するか、ロボットの期待される環境を事前に定義します。いずれにせよ、ブロックを移動させて環境を構造化し、より予測しやすくするロボットの振る舞いを進化させる。結果として得られるコントローラは、ロボットによる集合構成に適用することができる。

関連論文リスト

Unifying 3D Representation and Control of Diverse Robots with a Single Camera [48.279199537720714]
我々は,ロボットを視覚のみからモデル化し,制御することを自律的に学習するアーキテクチャであるNeural Jacobian Fieldsを紹介する。提案手法は,正確なクローズドループ制御を実現し,各ロボットの因果動的構造を復元する。
論文参考訳（メタデータ） (2024-07-11T17:55:49Z)
Correspondence learning between morphologically different robots via task demonstrations [2.1374208474242815]
形態の異なる2つ以上のロボットの対応関係を学習する手法を提案する。本提案手法では,関節制御付き固定ベースマニピュレータロボットと差動駆動移動ロボットとが対応可能である。本研究では,実際のマニピュレータロボットとシミュレートされた移動ロボットとの対応学習の概念実証を行う。
論文参考訳（メタデータ） (2023-10-20T12:42:06Z)
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)
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)
Robots with Different Embodiments Can Express and Influence Carefulness in Object Manipulation [104.5440430194206]
本研究では,2つのロボットによるコミュニケーション意図による物体操作の知覚について検討する。ロボットの動きを設計し,物体の搬送時に注意を喚起するか否かを判断した。
論文参考訳（メタデータ） (2022-08-03T13:26:52Z)
DayDreamer: World Models for Physical Robot Learning [142.11031132529524]
深層強化学習はロボット学習の一般的なアプローチであるが、学習するには大量の試行錯誤が必要となる。ロボット学習の多くの進歩はシミュレータに依存している。本稿では,Dreamerを4つのロボットに適用し,シミュレータを使わずに,オンラインおよび実世界で直接学習する。
論文参考訳（メタデータ） (2022-06-28T17:44:48Z)
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)
Know Thyself: Transferable Visuomotor Control Through Robot-Awareness [22.405839096833937]
新しいロボットをスクラッチからトレーニングするためには、通常大量のロボット固有のデータを生成する必要がある。簡単なロボット「自己認識」を活用する「ロボット認識」ソリューションパラダイムを提案する。シミュレーションおよび実際のロボットにおけるテーブルトップ操作に関する実験により、これらのプラグインの改善により、ビジュモータコントローラの転送性が劇的に向上することを示した。
論文参考訳（メタデータ） (2021-07-19T17:56:04Z)
Enabling the Sense of Self in a Dual-Arm Robot [2.741266294612776]
本稿では、デュアルアームロボットが環境中で自身の感覚を得ることを可能にするニューラルネットワークアーキテクチャを提案する。本研究では, 環境条件が乱れた場合, ロボットが平均88.7%の精度で自分自身を識別できることを実験的に実証した。
論文参考訳（メタデータ） (2020-11-13T17:25:07Z)
Minimizing Robot Navigation-Graph For Position-Based Predictability By Humans [20.13307800821161]
人間とロボットが同じ空間を移動しながら独自のタスクを遂行している状況では、予測可能な経路が不可欠である。ロボットの数が増加するにつれて、人間がロボットの進路を予測するための認知的努力は不可能になる。そこで本研究では,位置に基づく予測可能性のために,ロボットのナビゲーショングラフを最小化することを提案する。
論文参考訳（メタデータ） (2020-10-28T22:09:10Z)
Learning Locomotion Skills in Evolvable Robots [10.167123492952694]
本稿では,任意の形状のモジュール型ロボットが目標に向かって歩いたり,移動した場合にこの目標に従うことを学習できるようにするための,コントローラアーキテクチャと汎用学習手法を提案する。我々のアプローチは、現実世界の3つのシナリオにおいて、クモ、ヤモリ、そしてその子孫の3つのロボットに対して検証されている。
論文参考訳（メタデータ） (2020-10-19T14:01:50Z)

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。