論文の概要: RoboMorph: Evolving Robot Morphology using Large Language Models

• arxiv url: http://arxiv.org/abs/2407.08626v1
• Date: Thu, 11 Jul 2024 16:05:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 16:40:31.966495
• Title: RoboMorph: Evolving Robot Morphology using Large Language Models
• Title（参考訳）: RoboMorph:大規模言語モデルを用いたロボット形態の進化
• Authors: Kevin Qiu, Krzysztof Ciebiera, Paweł Fijałkowski, Marek Cygan, Łukasz Kuciński,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.5812095716568273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce RoboMorph, an automated approach for generating and optimizing modular robot designs using large language models (LLMs) and evolutionary algorithms. In this framework, we represent each robot design as a grammar and leverage the capabilities of LLMs to navigate the extensive robot design space, which is traditionally time-consuming and computationally demanding. By integrating automatic prompt design and a reinforcement learning based control algorithm, RoboMorph iteratively improves robot designs through feedback loops. Our experimental results demonstrate that RoboMorph can successfully generate nontrivial robots that are optimized for a single terrain while showcasing improvements in morphology over successive evolutions. Our approach demonstrates the potential of using LLMs for data-driven and modular robot design, providing a promising methodology that can be extended to other domains with similar design frameworks.
• Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)と進化的アルゴリズムを用いたモジュール型ロボット設計の自動生成と最適化手法であるRoboMorphを紹介する。 本フレームワークでは,各ロボット設計を文法として表現し,LLMの能力を活用して,従来の時間的・計算的に要求される広範囲なロボットデザイン空間をナビゲートする。 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。 実験の結果,RoboMorphは連続的な進化よりも形態学の改善を図りながら,単一の地形に最適化された非自明なロボットを作れることがわかった。 提案手法は,データ駆動型およびモジュール型ロボット設計にLLMを使用する可能性を示し,同様の設計フレームワークで他のドメインにも拡張可能な,有望な方法論を提供する。

関連論文リスト

• On the Exploration of LM-Based Soft Modular Robot Design [26.847859137653487]
  大規模言語モデル(LLM)は、現実世界の知識をモデル化する上で有望な能力を示した。 本稿では,LLMを用いてソフトモジュールロボットの設計を支援する可能性について検討する。 本モデルは,一方向・二方向・階段移動機能を有するソフトモジュールロボットの設計において,優れた評価性能を発揮する。
  論文  参考訳（メタデータ） (2024-11-01T04:03:05Z)
• $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
  本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。 我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-31T17:22:30Z)
• DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
  DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。 言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。 実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
  論文  参考訳（メタデータ） (2024-05-12T15:38:17Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• 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)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Leveraging Hyperbolic Embeddings for Coarse-to-Fine Robot Design [40.01142267374432]
  マルチセルロボットの設計は、多様なタスクを実行するために効率的に制御できる多数のセルからなるロボットを作ることを目的としている。 これまでの研究では、さまざまなタスクのためのロボットを生成する能力が実証されてきたが、これらのアプローチは、広大なデザイン空間でロボットを直接最適化することが多い。 本稿では,多細胞ロボットを設計するための新しい粗粒化手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:56:32Z)
• GLSO: Grammar-guided Latent Space Optimization for Sample-efficient Robot Design Automation [16.96128900256427]
  設計自動化を低次元連続最適化問題に変換するフレームワークであるGrammar-Guided Latent Space Optimization (GLSO)を提案する。 本研究では,グラフ構造設計空間と連続潜在空間とのマッピングを学習するために,グラフ変分オートエンコーダ(VAE)を訓練することにより,設計自動化を低次元連続最適化問題に変換するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-23T17:48:24Z)
• MetaMorph: Learning Universal Controllers with Transformers [45.478223199658785]
  ロボット工学では、主に1つのタスクのために1つのロボットを訓練します。 モジュラーロボットシステムは、汎用的なビルディングブロックをタスク最適化形態に柔軟な組み合わせを可能にする。 モジュール型ロボット設計空間上でユニバーサルコントローラを学習するためのトランスフォーマーベースのアプローチであるMetaMorphを提案する。
  論文  参考訳（メタデータ） (2022-03-22T17:58:31Z)

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。