論文の概要: Physics-Aware Combinatorial Assembly Planning using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2408.10162v1
• Date: Mon, 19 Aug 2024 17:16:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 15:23:23.648678
• Title: Physics-Aware Combinatorial Assembly Planning using Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習を用いた物理認識型コンビネーション・アセンブリ・プランニング
• Authors: Ruixuan Liu, Alan Chen, Weiye Zhao, Changliu Liu,
• Abstract要約: Combinatorのアセンブリは、標準化されたユニットプリミティブを使用して、ユーザ仕様を満たすオブジェクトを構築する。 本稿では,レゴを用いた物理組立のシーケンス計画について検討する。 特に、計画されたアセンブリシーケンスが物理的に実行可能であることを保証することを目的としている。
• 参考スコア（独自算出の注目度）: 6.919208054874144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combinatorial assembly uses standardized unit primitives to build objects that satisfy user specifications. Lego is a widely used platform for combinatorial assembly, in which people use unit primitives (ie Lego bricks) to build highly customizable 3D objects. This paper studies sequence planning for physical combinatorial assembly using Lego. Given the shape of the desired object, we want to find a sequence of actions for placing Lego bricks to build the target object. In particular, we aim to ensure the planned assembly sequence is physically executable. However, assembly sequence planning (ASP) for combinatorial assembly is particularly challenging due to its combinatorial nature, ie the vast number of possible combinations and complex constraints. To address the challenges, we employ deep reinforcement learning to learn a construction policy for placing unit primitives sequentially to build the desired object. Specifically, we design an online physics-aware action mask that efficiently filters out invalid actions and guides policy learning. In the end, we demonstrate that the proposed method successfully plans physically valid assembly sequences for constructing different Lego structures. The generated construction plan can be executed in real.
• Abstract（参考訳）: Combinatorのアセンブリは、標準化されたユニットプリミティブを使用して、ユーザ仕様を満たすオブジェクトを構築する。 レゴは組み合わさった組み立て用プラットフォームとして広く使われており、レゴブロックのようなユニットプリミティブを使って高度にカスタマイズ可能な3Dオブジェクトを作ることができる。 本稿では,レゴを用いた物理組立のシーケンス計画について検討する。 望ましいオブジェクトの形状を考えると、ターゲットオブジェクトを構築するためにレゴブロックを配置するための一連のアクションを見つけたいと思っています。 特に、計画されたアセンブリシーケンスが物理的に実行可能であることを保証することを目的としている。 しかし、コンビネータアセンブリのためのアセンブリシーケンス計画(ASP)は、そのコンビネータの性質上、膨大な数のコンビネータと複雑な制約のため、特に困難である。 これらの課題に対処するため,我々は,所望のオブジェクトを構築するために,ユニットプリミティブを逐次配置するための建設方針を学ぶために,深層強化学習を採用している。 具体的には、不正行為を効率的にフィルタリングし、政策学習を指導するオンライン物理対応アクションマスクを設計する。 最終的に,提案手法は,異なるレゴ構造を構築するために,物理的に有効な組立シーケンスの計画に成功していることを示す。 生成された建設計画は実際に実行できる。

関連論文リスト

• AssemblyComplete: 3D Combinatorial Construction with Deep Reinforcement Learning [4.3507834596906125]
  ロボット工学における重要なゴールは、ロボットに現実世界の協調作業、特に自動組み立てに適応するように教えることである。 本稿では, ユニットプリミティブ(レゴブロック)を用いて実演した3次元組立工法を紹介する。 本研究では,ロボットに不完全な組立の目的を理解し,組立を完了するための建設方針を学ぶための2部構成の深層強化学習(DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-20T18:51:17Z)
• TreeSBA: Tree-Transformer for Self-Supervised Sequential Brick Assembly [51.29305265324916]
  入力された多視点画像から連続的な組立動作を予測するために,クラスに依存しないツリー・トランスフォーマフレームワークを提案する。 逐次レンガ組立作業の大きな課題は、ステップワイドアクションラベルが実際に入手するのに費用がかかり、面倒であることである。 我々は、合成から現実への移行学習を活用することにより、この問題を緩和する。
  論文  参考訳（メタデータ） (2024-07-22T14:05:27Z)
• SPAFormer: Sequential 3D Part Assembly with Transformers [52.980803808373516]
  SPAFormerは,3次元部品組み立て作業における爆発的課題を克服する革新的なモデルである。 アセンブリシーケンスからの制約を活用することでこの問題に対処し、ソリューション空間の複雑さを効果的に軽減する。 さらに、部品の属性とそのシーケンス情報を利用する知識強化戦略を通じて組み立てを強化する。
  論文  参考訳（メタデータ） (2024-03-09T10:53:11Z)
• Multi-level Reasoning for Robotic Assembly: From Sequence Inference to Contact Selection [74.40109927350856]
  本稿では,PAST(Part Assembly Sequence Transformer)を用いて,対象とするブループリントからアセンブリシーケンスを推論する。 次に、モーションプランナーと最適化を使用して、部品の動きと接触を生成する。 実験結果から,本手法は従来手法よりも一般化されていることがわかった。
  論文  参考訳（メタデータ） (2023-12-17T00:47:13Z)
• ASAP: Automated Sequence Planning for Complex Robotic Assembly with Physical Feasibility [27.424678100675163]
  本稿では,一般型アセンブリのシーケンスを自動生成する物理ベースの計画手法であるASAPを提案する。 サーチは、シミュレーションラベルでデータに基づいてトレーニングされた幾何学的またはグラフニューラルネットワークによってガイドすることができる。 数百の複雑な製品集合体からなる大規模データセット上で, 物理的に現実的な組み立て計画を生成する上で, ASAPの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-29T00:27:40Z)
• Planning Assembly Sequence with Graph Transformer [35.2954163574535]
  アセンブリシーケンス計画(ASP)はNP完全であることが証明されており、その効率的かつ効率的な解法はこの分野の研究者にとって課題となっている。 本稿では, 自己コンパイル型ASPデータベース上で学習し, 実証した ASP 問題のためのグラフ変換器ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-11T08:06:16Z)
• 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)
• Graph-based Reinforcement Learning meets Mixed Integer Programs: An application to 3D robot assembly discovery [34.25379651790627]
  我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。 我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
  論文  参考訳（メタデータ） (2022-03-08T14:44:51Z)
• Brick-by-Brick: Combinatorial Construction with Deep Reinforcement Learning [52.85981207514049]
  我々は,ユニットプリミティブを逐次組み立てるビルディングエージェントを必要とする,新しい定式化,複雑な構成を導入する。 対象物を構築するために,エージェントに対して正確な情報や明示的な情報ではなく,所望の目標(すなわち2次元画像)に関する不完全な知識を提供する。 提案手法は,対象オブジェクトの1つの画像や複数ビューに条件付けされた未確認オブジェクトの構築に成功していることを示す。
  論文  参考訳（メタデータ） (2021-10-29T01:09:51Z)
• Learning visual policies for building 3D shape categories [130.7718618259183]
  この領域における以前の作業は、しばしば既知のプリミティブの集合から特定のオブジェクトのインスタンスを組み立てる。 私たちは、同じカテゴリの他のインスタンスを組み立てるための視覚ポリシーを学びます。 我々の視覚アセンブリポリシーは、実際の画像なしで訓練され、実際のロボットで評価した場合、95%の成功率に達する。
  論文  参考訳（メタデータ） (2020-04-15T17:29:10Z)

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。