論文の概要: Physics-Aware Combinatorial Assembly Sequence Planning using Data-free Action Masking

• arxiv url: http://arxiv.org/abs/2408.10162v2
• Date: Fri, 08 Nov 2024 18:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:52:07.468333
• Title: Physics-Aware Combinatorial Assembly Sequence Planning using Data-free Action Masking
• Title（参考訳）: データフリーアクションマスキングを用いた物理認識型組合せ組立系列計画
• 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,物理組立のためのアセンブリ・シーケンス・プランニング(ASP)について検討する。 我々は、目的物を構築するために、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する。
• 参考スコア（独自算出の注目度）: 6.919208054874144
• License:
• Abstract: Combinatorial assembly uses standardized unit primitives to build objects that satisfy user specifications. This paper studies assembly sequence planning (ASP) for physical combinatorial assembly. Given the shape of the desired object, the goal is to find a sequence of actions for placing unit primitives to build the target object. In particular, we aim to ensure the planned assembly sequence is physically executable. However, ASP for combinatorial assembly is particularly challenging due to its combinatorial nature. To address the challenge, 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 filters out invalid actions, which effectively guides policy learning and ensures violation-free deployment. In the end, we apply the proposed method to Lego assembly with more than 250 3D structures. The experiment results demonstrate that the proposed method plans physically valid assembly sequences to build all structures, achieving a $100\%$ success rate, whereas the best comparable baseline fails more than $40$ structures. Our implementation is available at \url{https://github.com/intelligent-control-lab/PhysicsAwareCombinatorialASP}.
• 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。 本稿では, 組立組立のためのアセンブリ・シーケンス・プランニング(ASP)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、目的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配置するための一連のアクションを見つけることが目的です。 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ASPは、そのコンビネータの性質のため、特に困難である。 この課題に対処するために、我々は深層強化学習を用いて、目的物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習する。 具体的には、不正行為をフィルタリングするオンライン物理対応のアクションマスクを設計し、ポリシー学習を効果的にガイドし、違反のないデプロイメントを保証する。 最後に,250以上の3D構造を持つレゴ集合体に提案手法を適用した。 実験の結果,提案手法は,すべての構造を構築するために物理的に有効な組立シーケンスを計画し,100\%の成功率を達成する一方,最も優れたベースラインは40ドル以上の構造を失敗することを示した。 我々の実装は \url{https://github.com/intelligent-control-lab/PhysicsAwareCombinatorialASP} で利用可能です。

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)
• Learning to Build by Building Your Own Instructions [56.734927320020496]
  LTRONにおける最近提案されたBreak-and-Make問題に対する新しい手法を開発した。 エージェントは、単一の対話的なセッションを使用して、これまで見えなかったLEGOアセンブリを構築することを学ばなければなりません。 オンラインの模倣学習を使ってこれらのモデルをトレーニングし、モデルが自身のミスから学習できるようにする。
  論文  参考訳（メタデータ） (2024-10-01T22:39:58Z)
• 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)
• 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)
• BrickPal: Augmented Reality-based Assembly Instructions for Brick Models [20.585631669565295]
  BrickPalは拡張現実ベースのシステムで、拡張現実のヘッドマウントディスプレイで組み立て指示を視覚化する。 自然言語処理(NLP)技術を用いて、可塑性アセンブリシーケンスを生成し、ARヘッドセットでリアルタイムガイダンスを提供する。 ユーザスタディでは,BrickPalが従来の組立方法と比較して,レンガ組立におけるユーザ支援に有効であることを示す。
  論文  参考訳（メタデータ） (2023-07-06T17:42:56Z)
• Budget-Aware Sequential Brick Assembly with Efficient Constraint Satisfaction [63.672314717599285]
  レゴブロックを用いた逐次レンガ組立体の課題に対処し、3D構造を創出する。 特に、使用されるレンガの数が増えるにつれて、組み立て可能な構造物の数は指数関数的に増加する。 本稿では,U字型スパース3次元畳み込みニューラルネットワークを用いて,次のブロック位置のスコアを予測する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-03T15:35:08Z)
• Break and Make: Interactive Structural Understanding Using LEGO Bricks [61.01136603613139]
  私たちは、LEGOモデルの組み立て、分解、操作が可能な、完全にインタラクティブな3Dシミュレータを構築しました。 シーケンス・ツー・シーケンス・モデルを用いてこの問題を解決するための第一歩を踏み出す。
  論文  参考訳（メタデータ） (2022-07-27T18:33:09Z)
• 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)
• 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)

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。