Fugu-MT 論文翻訳(概要): Learning to Represent Surroundings, Anticipate Motion and Take Informed Actions in Unstructured Environments

論文の概要: Learning to Represent Surroundings, Anticipate Motion and Take Informed Actions in Unstructured Environments

arxiv url: http://arxiv.org/abs/2407.10383v1
Date: Mon, 15 Jul 2024 01:25:46 GMT
ステータス: 処理完了
システム内更新日: 2024-07-16 16:30:30.526805
Title: Learning to Represent Surroundings, Anticipate Motion and Take Informed Actions in Unstructured Environments
Title（参考訳）: 非構造環境における周囲の表現、動きの予測、インフォームド行動の学習
Authors: Weiming Zhi,
Abstract要約: ロボットが動的で非構造的な環境で動作し、環境をよりよく理解し、他人の行動を予測し、それに応じて情報的行動を取ることを目的とした、学習に基づく様々な手法を提案する。
参考スコア（独自算出の注目度）: 3.5353632767823497
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Contemporary robots have become exceptionally skilled at achieving specific tasks in structured environments. However, they often fail when faced with the limitless permutations of real-world unstructured environments. This motivates robotics methods which learn from experience, rather than follow a pre-defined set of rules. In this thesis, we present a range of learning-based methods aimed at enabling robots, operating in dynamic and unstructured environments, to better understand their surroundings, anticipate the actions of others, and take informed actions accordingly.
Abstract（参考訳）: 現代ロボットは、構造化された環境で特定のタスクを達成するのに非常に熟練している。しかし、現実の非構造環境の無限の置換に直面すると、しばしば失敗する。これは、事前に定義されたルールに従うのではなく、経験から学ぶロボット工学の手法を動機付けている。本論文では,ロボットが動的で非構造的な環境下で動作し,周囲をよりよく理解し,他人の行動を予測し,それに応じて情報的行動をとることを目的とした,学習に基づく学習手法について述べる。

関連論文リスト

Deep Dive into Model-free Reinforcement Learning for Biological and Robotic Systems: Theory and Practice [17.598549532513122]
モデルフリー強化学習の数学的側面とアルゴリズム的側面を簡潔に表現する。我々は,動物やロボットの行動に対するフィードバック制御のツールとして,テクスチタクタ・クリティカルな手法を用いた。
論文参考訳（メタデータ） (2024-05-19T05:58:44Z)
Interactive Continual Learning Architecture for Long-Term Personalization of Home Service Robots [11.648129262452116]
本研究では,人間とロボットのインタラクションを通じて,家庭環境における意味的知識の連続学習のための対話型連続学習アーキテクチャを開発する。このアーキテクチャは、人間の新しい知識を効率的かつリアルタイムに学習するための学習と記憶のコア認知原則に基づいている。
論文参考訳（メタデータ） (2024-03-06T04:55:39Z)
Inferring Versatile Behavior from Demonstrations by Matching Geometric Descriptors [72.62423312645953]
人間は直感的にタスクを多目的に解決し、軌道に基づく計画や個々のステップの行動を変化させる。現在のImitation Learningアルゴリズムは、通常、単調な専門家によるデモンストレーションのみを考慮し、状態アクションベースの設定で行動する。代わりに、移動プリミティブの混合と分布マッチングの目的を組み合わせることで、専門家の行動と汎用性にマッチする多目的行動を学ぶ。
論文参考訳（メタデータ） (2022-10-17T16:42:59Z)
Policy Architectures for Compositional Generalization in Control [71.61675703776628]
本稿では,タスクにおけるエンティティベースの構成構造をモデル化するためのフレームワークを提案する。私たちのポリシーは柔軟で、アクションプリミティブを必要とせずにエンドツーエンドでトレーニングできます。
論文参考訳（メタデータ） (2022-03-10T06:44:24Z)
From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。私たちは、インテリジェンスを具体化するための課題と機会を強調します。本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文参考訳（メタデータ） (2021-10-28T16:04:01Z)
Deep Reactive Planning in Dynamic Environments [20.319894237644558]
ロボットは、実行中に環境の変化に適応できるエンドツーエンドポリシーを学ぶことができる。本稿では,従来のキネマティック計画,深層学習,深層学習を組み合わせることで,そのような行動を実現する方法を提案する。そこで本研究では,6-DoF産業用マニピュレータの実システムと同様に,シミュレーションにおけるいくつかの到達およびピック・アンド・プレイスタスクに対する提案手法を実証する。
論文参考訳（メタデータ） (2020-10-31T00:46:13Z)
One Solution is Not All You Need: Few-Shot Extrapolation via Structured MaxEnt RL [142.36621929739707]
課題を達成するために多様な行動を学ぶことは、様々な環境に一般化する行動を引き起こす可能性があることを示す。トレーニング中の1つの環境でタスクの複数のソリューションを識別することにより、我々のアプローチは新たな状況に一般化できる。
論文参考訳（メタデータ） (2020-10-27T17:41:57Z)
DREAM Architecture: a Developmental Approach to Open-Ended Learning in Robotics [44.62475518267084]
我々は、この再記述プロセス段階を段階的にブートストラップし、適切なモチベーションを持った新しい状態表現を構築し、獲得した知識をドメインやタスク、さらにはロボット間で伝達するための発達的認知アーキテクチャを提案する。
論文参考訳（メタデータ） (2020-05-13T09:29:40Z)
SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文参考訳（メタデータ） (2020-03-19T00:11:34Z)
The State of Lifelong Learning in Service Robots: Current Bottlenecks in Object Perception and Manipulation [3.7858180627124463]
State-of-the-artは、オブジェクトの知覚と操作を適切に結合するように改善を続けている。ほとんどの場合、ロボットは様々な物体を認識でき、衝突のない軌道を素早く計画して対象物を把握できる。このような環境下では、バッチ学習に使用するトレーニングデータがどれほど広範囲であっても、ロボットは常に新しいオブジェクトに直面する。ロボットの自己学習とは別に、専門家でないユーザは、体験獲得のプロセスを対話的にガイドできる。
論文参考訳（メタデータ） (2020-03-18T11:00:55Z)

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。