論文の概要: FactorSim: Generative Simulation via Factorized Representation

• arxiv url: http://arxiv.org/abs/2409.17652v2
• Date: Mon, 11 Nov 2024 08:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:03:53.059013
• Title: FactorSim: Generative Simulation via Factorized Representation
• Title（参考訳）: FactorSim: 因子表現による生成シミュレーション
• Authors: Fan-Yun Sun, S. I. Harini, Angela Yi, Yihan Zhou, Alex Zook, Jonathan Tremblay, Logan Cross, Jiajun Wu, Nick Haber,
• Abstract要約: 本稿では,エージェントの訓練に使用できる言語入力から,コード中のフルシミュレーションを生成するFACTORSIMを提案する。 評価のために、我々は、強化学習環境におけるゼロショット転送を容易にするため、生成したシミュレーションコードの精度と有効性を評価できる生成シミュレーションベンチマークを導入する。 その結果、FACTORSIMは、即時アライメント(例えば、精度)、ゼロショット転送能力、人的評価に関するシミュレーションを生成する上で、既存の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 14.849320460718591
• License:
• Abstract: Generating simulations to train intelligent agents in game-playing and robotics from natural language input, from user input or task documentation, remains an open-ended challenge. Existing approaches focus on parts of this challenge, such as generating reward functions or task hyperparameters. Unlike previous work, we introduce FACTORSIM that generates full simulations in code from language input that can be used to train agents. Exploiting the structural modularity specific to coded simulations, we propose to use a factored partially observable Markov decision process representation that allows us to reduce context dependence during each step of the generation. For evaluation, we introduce a generative simulation benchmark that assesses the generated simulation code's accuracy and effectiveness in facilitating zero-shot transfers in reinforcement learning settings. We show that FACTORSIM outperforms existing methods in generating simulations regarding prompt alignment (e.g., accuracy), zero-shot transfer abilities, and human evaluation. We also demonstrate its effectiveness in generating robotic tasks.
• Abstract（参考訳）: ユーザ入力やタスクドキュメンテーションから、自然言語入力からゲームプレイやロボット工学のインテリジェントエージェントを訓練するためのシミュレーションを生成することは、依然としてオープンな課題である。 既存のアプローチでは、報酬関数やタスクハイパーパラメータの生成など、この課題の一部に焦点を当てている。 従来の作業とは異なり、エージェントの訓練に使用できる言語入力からコード中の完全なシミュレーションを生成するFACTORSIMを導入している。 符号化されたシミュレーションに特有の構造的モジュラリティをエクスプロイトし、生成の各ステップにおけるコンテキスト依存性を低減するための、部分的に観測可能なマルコフ決定プロセス表現を提案する。 評価のために、我々は、強化学習環境におけるゼロショット転送を容易にするため、生成したシミュレーションコードの精度と有効性を評価できる生成シミュレーションベンチマークを導入する。 その結果、FACTORSIMは、即時アライメント(例えば、精度)、ゼロショット転送能力、人的評価に関するシミュレーションを生成する上で、既存の手法よりも優れていることを示す。 また,ロボットタスクの生成にも有効であることを示す。

関連論文リスト

• BeSimulator: A Large Language Model Powered Text-based Behavior Simulator [28.112491177744783]
  本研究では,BeSimulatorをテキストベースの環境下での動作シミュレーションの試みとして紹介する。 BeSimulatorはシナリオを一般化し、長距離複素シミュレーションを実現する。
  論文  参考訳（メタデータ） (2024-09-24T08:37:04Z)
• Semantic Capability Model for the Simulation of Manufacturing Processes [38.69817856379812]
  シミュレーションは製造工程の検査の機会を提供する。 異なるシミュレーションの組み合わせは、あるシミュレーションの出力が別のシミュレーションの入力パラメータとして機能し、結果として一連のシミュレーションとなるときに必要である。 シミュレーション、特定の知識を生成する能力、それぞれの品質基準を表現した情報モデルが導入された。
  論文  参考訳（メタデータ） (2024-08-15T09:28:08Z)
• DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
  シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。 本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。 本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
  論文  参考訳（メタデータ） (2024-06-04T04:53:05Z)
• 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)
• Informal Safety Guarantees for Simulated Optimizers Through Extrapolation from Partial Simulations [0.0]
  自己教師付き学習は、最先端の言語モデリングのバックボーンである。 自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
  論文  参考訳（メタデータ） (2023-11-29T09:32:56Z)
• From Natural Language to Simulations: Applying GPT-3 Codex to Automate Simulation Modeling of Logistics Systems [0.0]
  この研究は、物流にとって重要なシステムのシミュレーションモデルの開発を自動化するために自然言語処理を適用する最初の試みである。 我々は,変換言語モデルであるGPT-3コーデックスをベースとしたフレームワークが,言語記述による待ち行列と在庫制御系の機能的に有効なシミュレーションを生成できることを実証した。
  論文  参考訳（メタデータ） (2022-02-24T14:01:50Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)
• Integrating Machine Learning with HPC-driven Simulations for Enhanced Student Learning [0.0]
  シミュレーション出力を生成するためのHPC駆動型シミュレーションとMLサロゲート手法の両方をサポートするWebアプリケーションを開発した。 授業内フィードバックと調査を通じて評価した結果,ML強化ツールは動的かつ応答性のあるシミュレーション環境を提供することがわかった。
  論文  参考訳（メタデータ） (2020-08-24T22:48:21Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。