論文の概要: Use the Force, Bot! -- Force-Aware ProDMP with Event-Based Replanning

• arxiv url: http://arxiv.org/abs/2409.11144v1
• Date: Tue, 17 Sep 2024 12:54:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 16:45:13.803309
• Title: Use the Force, Bot! -- Force-Aware ProDMP with Event-Based Replanning
• Title（参考訳）: フォース, ボット! -- イベントベースのリプレーニングを備えたフォース対応プロDMP
• Authors: Paul Werner Lödige, Maximilian Xiling Li, Rudolf Lioutikov,
• Abstract要約: FA-ProDMPは,確率的運動プリミティブ(probabilistic Dynamic Movement Primitives, ProDMP)に力覚を取り入れた新しいアプローチである。 FA-ProDMPは、測定と所望の力を考慮に入れ、実行中に軌道に適応する。 FA-ProDMPを確実に評価するために、POEMPELと呼ばれるモジュール式3Dプリントタスクスイートを導入する。
• 参考スコア（独自算出の注目度）: 2.2503186772216375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Movement Primitives (MPs) are a well-established method for representing and generating modular robot trajectories. This work presents FA-ProDMP, a new approach which introduces force awareness to Probabilistic Dynamic Movement Primitives (ProDMP). FA-ProDMP adapts the trajectory during runtime to account for measured and desired forces. It offers smooth trajectories and captures position and force correlations over multiple trajectories, e.g. a set of human demonstrations. FA-ProDMP supports multiple axes of force and is thus agnostic to cartesian or joint space control. This makes FA-ProDMP a valuable tool for learning contact rich manipulation tasks such as polishing, cutting or industrial assembly from demonstration. In order to reliably evaluate FA-ProDMP, this work additionally introduces a modular, 3D printed task suite called POEMPEL, inspired by the popular Lego Technic pins. POEMPEL mimics industrial peg-in-hole assembly tasks with force requirements. It offers multiple parameters of adjustment, such as position, orientation and plug stiffness level, thus varying the direction and amount of required forces. Our experiments show that FA-ProDMP outperforms other MP formulations on the POEMPEL setup and a electrical power plug insertion task, due to its replanning capabilities based on the measured forces. These findings highlight how FA-ProDMP enhances the performance of robotic systems in contact-rich manipulation tasks.
• Abstract（参考訳）: ムーブメントプリミティブ(英: Movement Primitives、MP)は、モジュラーロボットの軌跡を表現・生成するための確立された方法である。 本研究は,確率的運動プリミティブ(probabilistic Dynamic Movement Primitives, ProDMP)に力覚を与える新しいアプローチであるFA-ProDMPを提示する。 FA-ProDMPは、測定と所望の力を考慮に入れ、実行中に軌道に適応する。 滑らかな軌道を提供し、複数の軌道上の位置と力の相関を捉えている。 FA-ProDMPは複数の力軸をサポートしており、カルデシアンや関節の空間制御には依存しない。 これによりFA-ProDMPは、研磨、切断、産業組み立てなどのリッチな操作タスクをデモから学ぶための貴重なツールとなる。 FA-ProDMPを確実に評価するために、この研究は、人気のLego Technicピンにインスパイアされたモジュール式の3DプリントタスクスイートPOEMPELも導入した。 POEMPELは産業用ペグインホール組立タスクを強制要求で模倣する。 位置、方向、プラグ剛性などの調整のパラメータが複数用意されており、必要な力の方向と量を変える。 実験の結果, FA-ProDMPはPOEMPELセットアップや電源プラグ挿入タスクにおいて他のMP式よりも優れており, 測定力に基づく再設計能力が高いことがわかった。 これらの結果は、FA-ProDMPがコンタクトリッチな操作タスクにおけるロボットシステムの性能をいかに向上させるかを示している。

関連論文リスト

• PEDRO: Parameter-Efficient Fine-tuning with Prompt DEpenDent Representation MOdification [8.312232079766076]
  我々は、アンダーラインDunderlineEpenunderlineDent UnderlineRepresentation MunderlineOdification (PEDRO)という、新しい単純で簡単なPEFT手法を導入する。
  論文  参考訳（メタデータ） (2024-09-26T13:36:00Z)
• A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements [51.54559117314768]
  タスク・アンド・モーション・プランニング(タスク・アンド・モーション・プランニング、TAMP)は、自動化された計画問題の解決策を見つけるための問題である。 本稿では,TAMP問題のモデル化とベンチマークを行うための,汎用的でオープンソースのフレームワークを提案する。 移動エージェントと複数のタスク状態依存障害を含むTAMP問題を解決する革新的なメタ技術を導入する。
  論文  参考訳（メタデータ） (2024-08-11T14:57:57Z)
• MMP++: Motion Manifold Primitives with Parametric Curve Models [5.982922468400902]
  モーション・マニフォールド・プリミティブ (Motion Manifold Primitives, MMP) は、基本的なモーションスキルを符号化するための多様体ベースのアプローチである。 MMP++(Motion Manifold Primitives++)は,MMPと従来の手法の長所を統合する新しいモデルである。 本稿では,MMP++とIMMP++がトラジェクトリ生成タスクにおいて既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-26T00:28:37Z)
• Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration [79.76009817889397]
  本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
  論文  参考訳（メタデータ） (2023-09-22T13:30:26Z)
• Masked Motion Predictors are Strong 3D Action Representation Learners [143.9677635274393]
  人間の3次元行動認識では、教師付きデータが限られており、トランスフォーマーのような強力なネットワークのモデリング能力を十分に活用することは困難である。 人間の関節において、マスク付き自己成分再構成を行うための一般的な前提に従わず、明示的な文脈運動モデリングが、3次元動作認識のための効果的な特徴表現の学習の成功の鍵となることを示す。
  論文  参考訳（メタデータ） (2023-08-14T11:56:39Z)
• Tuning Pre-trained Model via Moment Probing [62.445281364055795]
  本稿では,LP の可能性を探るため,新しい Moment Probing (MP) 法を提案する。 MPは、最終特徴の平均に基づいて線形分類ヘッドを実行する。 当社のMPはLPを著しく上回り、トレーニングコストの低い相手と競争しています。
  論文  参考訳（メタデータ） (2023-07-21T04:15:02Z)
• Imitating Task and Motion Planning with Visuomotor Transformers [71.41938181838124]
  タスク・アンド・モーション・プランニング(TAMP)は、多様なデモンストレーションの大規模なデータセットを自律的に生成できる。 本研究では,TAMPスーパーバイザが生成する大規模データセットと,それらに適合するフレキシブルトランスフォーマーモデルの組み合わせが,ロボット操作の強力なパラダイムであることを示す。 我々は,TAMPエージェントを模倣して大規模ビジュモータトランスフォーマーポリシーを訓練する OPTIMUS という新しい模倣学習システムを提案する。
  論文  参考訳（メタデータ） (2023-05-25T17:58:14Z)
• Orientation Probabilistic Movement Primitives on Riemannian Manifolds [0.0]
  確率的運動プリミティブ(ProMP)は、実験から学んだ軌道分布をモデル化する原則的アプローチとして際立っている。 ProMPが運用空間で使用される場合、元の定式化は完全な動作には直接適用されない。 本稿では,四元軌道の符号化と検索を可能にするRiemann的ProMPの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-28T11:49:03Z)
• Multiplierless MP-Kernel Machine For Energy-efficient Edge Devices [6.335302509003343]
  マルチプライアレスカーネルマシンを設計するための新しいフレームワークを提案する。 このフレームワークは、マージン伝播(MP)技術に基づいて、ピースワイズ線形(PWL)近似を使用する。 本研究では,FPGA(Field Programmable Gate Array)プラットフォーム向けに最適化されたハードウェアフレンドリーなMPベースの推論とオンライントレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-03T16:06:08Z)
• UPDeT: Universal Multi-agent Reinforcement Learning via Policy Decoupling with Transformers [108.92194081987967]
  タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。 従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。 提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
  論文  参考訳（メタデータ） (2021-01-20T07:24:24Z)
• Residual Learning from Demonstration: Adapting DMPs for Contact-rich Manipulation [23.3501111853443]
  そこで本研究では,ロボットがこのようなスキルを習得する方法を,Pig-in-holeのような挿入に応用した。 本稿では,動的運動プリミティブと強化学習を組み合わせたフレームワークであるResternal Learning from Demonstration (rLfD)を提案する。
  論文  参考訳（メタデータ） (2020-08-18T00:33:09Z)

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。