Fugu-MT 論文翻訳(概要): Vegetable Peeling: A Case Study in Constrained Dexterous Manipulation

論文の概要: Vegetable Peeling: A Case Study in Constrained Dexterous Manipulation

arxiv url: http://arxiv.org/abs/2407.07884v1
Date: Wed, 10 Jul 2024 17:51:33 GMT
ステータス: 処理完了
システム内更新日: 2024-07-11 15:33:18.727521
Title: Vegetable Peeling: A Case Study in Constrained Dexterous Manipulation
Title（参考訳）: 野菜ピーリング : 拘束性脱酸性マニピュレーションの1例
Authors: Tao Chen, Eric Cousineau, Naveen Kuppuswamy, Pulkit Agrawal,
Abstract要約: 食品の皮剥きに対する拘束的外用操作に着目する。そこで我々は,後続の剥離作業を容易にするリオリエンテーション制御系を学習するための簡単なシステムを提案する。
参考スコア（独自算出の注目度）: 20.59698456679395
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent studies have made significant progress in addressing dexterous manipulation problems, particularly in in-hand object reorientation. However, there are few existing works that explore the potential utilization of developed dexterous manipulation controllers for downstream tasks. In this study, we focus on constrained dexterous manipulation for food peeling. Food peeling presents various constraints on the reorientation controller, such as the requirement for the hand to securely hold the object after reorientation for peeling. We propose a simple system for learning a reorientation controller that facilitates the subsequent peeling task. Videos are available at: https://taochenshh.github.io/projects/veg-peeling.
Abstract（参考訳）: 最近の研究は、特に手動物体の方向転換において、器用な操作の問題に対処する上で大きな進歩を遂げている。しかし、下流タスクのために開発されたデクスタラス制御コントローラの潜在的利用を探求する既存の研究はほとんどない。本研究では,食品の皮剥きに対する拘束的外反操作に着目した。食品の剥がしは、方向転換コントローラに様々な制約を課し、例えば、手は、方向転換後の物体を確実に保持する必要がある。そこで我々は,後続の剥離作業を容易にするリオリエンテーション制御系を学習するための簡単なシステムを提案する。ビデオは、https://taochenshh.github.io/projects/veg-peeling.comで公開されている。

関連論文リスト

Fine-Grained Knowledge Selection and Restoration for Non-Exemplar Class Incremental Learning [64.14254712331116]
非典型的なクラスインクリメンタル学習は、過去のトレーニングデータにアクセスすることなく、新しいタスクと古いタスクの両方を学ぶことを目的としている。本稿では, きめ細かい知識選択と復元のための新しい枠組みを提案する。
論文参考訳（メタデータ） (2023-12-20T02:34:11Z)
DexCatch: Learning to Catch Arbitrary Objects with Dexterous Hands [15.884572907009039]
本稿では,手動で多種多様な物体を捕捉する安定性制約強化学習アルゴリズムを提案する。 SCRLアルゴリズムはベースラインを大きなマージンで上回り、学習されたポリシーは目に見えないオブジェクトに対して強いゼロショット転送性能を示す。
論文参考訳（メタデータ） (2023-10-13T01:36:46Z)
REBOOT: Reuse Data for Bootstrapping Efficient Real-World Dexterous Manipulation [61.7171775202833]
本稿では,強化学習による巧妙な操作スキルの学習を効率化するシステムを提案する。我々のアプローチの主な考え方は、サンプル効率のRLとリプレイバッファブートストラップの最近の進歩の統合である。本システムでは,実世界の学習サイクルを,模倣に基づくピックアップポリシを通じて学習されたリセットを組み込むことで完遂する。
論文参考訳（メタデータ） (2023-09-06T19:05:31Z)
Dexterous In-hand Manipulation by Guiding Exploration with Simple Sub-skill Controllers [1.1329937574692621]
本研究は,ドメイン知識を介して利用可能な制御器を用いて,手作業の巧妙な操作スキルを学習する際のサンプル効率を向上させることを目的とする。我々は,探索的リセット分布を用いることなく,手指の操作能力の習得を初めて実演する。
論文参考訳（メタデータ） (2023-03-06T22:39:20Z)
In-Hand Object Rotation via Rapid Motor Adaptation [59.59946962428837]
指先のみを用いて手動物体の回転を実現するための簡単な適応制御器の設計と学習方法を示す。コントローラは、円筒形物体のみのシミュレーションで完全に訓練されている。実際のロボットの手に直接展開して、さまざまな大きさ、形状、重量をz軸上で回転させることができる。
論文参考訳（メタデータ） (2022-10-10T17:58:45Z)
Learning Dexterous Manipulation from Exemplar Object Trajectories and Pre-Grasps [34.63975621178365]
Dexterous Manipulation (PGDM) フレームワークは様々なデキスタラスな操作動作を生成する。 PGDMの中核は、よく知られたロボット構造であるプレグラスである。これらの主張を徹底的に検証するために、50種類の操作タスクのベンチマークであるTCDMを紹介する。
論文参考訳（メタデータ） (2022-09-22T17:58:59Z)
Self-supervised Transformer for Deepfake Detection [112.81127845409002]
現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
論文参考訳（メタデータ） (2022-03-02T17:44:40Z)
Learning Bayesian Sparse Networks with Full Experience Replay for Continual Learning [54.7584721943286]
継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
論文参考訳（メタデータ） (2022-02-21T13:25:03Z)
On the Feasibility of Learning Finger-gaiting In-hand Manipulation with Intrinsic Sensing [0.7373617024876725]
モデルフリー強化学習を用いて, 指先を正確に把握することで, 指先の動きを学習する。精度把握の本質的な不安定性に対処するために,初期状態分布の利用を提案する。本手法は, 最先端技術よりも, サンプルの複雑さを大幅に改善して, 指球運動を学習することができる。
論文参考訳（メタデータ） (2021-09-26T23:22:29Z)
PRANet: Point Cloud Registration with an Artificial Agent [4.265773997354609]
深層教師あり学習を用いてエンドツーエンドで訓練された人工エージェントを提案する。従来の強化学習技術とは対照的に、観察はサンプルとして行われるため、経験的な再生バッファは不要である。 ModelNet40の実験では、クリーンでノイズの多い、部分的に見えるデータセットの場合、結果が最先端の最先端に匹敵する、あるいは優れていることが示されている。
論文参考訳（メタデータ） (2021-09-23T12:52:10Z)
Towards unconstrained joint hand-object reconstruction from RGB videos [81.97694449736414]
ハンドオブジェクト操作の再構築は、ロボット工学と人間のデモから学ぶ大きな可能性を秘めている。まず,手動物体の相互作用をシームレスに処理できる学習不要な手動物体再構成手法を提案する。
論文参考訳（メタデータ） (2021-08-16T12:26:34Z)

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。