論文の概要: REPeat: A Real2Sim2Real Approach for Pre-acquisition of Soft Food Items in Robot-assisted Feeding
- arxiv url: http://arxiv.org/abs/2410.10017v1
- Date: Sun, 13 Oct 2024 21:30:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 03:33:49.646792
- Title: REPeat: A Real2Sim2Real Approach for Pre-acquisition of Soft Food Items in Robot-assisted Feeding
- Title（参考訳）: REPeat:ロボット支援給餌におけるソフト食品の事前取得のためのReal2Sim2Realアプローチ
- Authors: Nayoung Ha, Ruolin Ye, Ziang Liu, Shubhangi Sinha, Tapomayukh Bhattacharjee,
- Abstract要約: 本稿では,ロボットによる軟質食品の摂食における噛み込みの促進を目的としたReal2Sim2RealフレームワークであるREPeatを提案する。
軟食食用食材10種類からなる15種類の多種多様皿において,全皿平均27%の噛み取り成功率の向上を示した。
- 参考スコア（独自算出の注目度）: 3.087427203837926
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper presents REPeat, a Real2Sim2Real framework designed to enhance bite acquisition in robot-assisted feeding for soft foods. It uses `pre-acquisition actions' such as pushing, cutting, and flipping to improve the success rate of bite acquisition actions such as skewering, scooping, and twirling. If the data-driven model predicts low success for direct bite acquisition, the system initiates a Real2Sim phase, reconstructing the food's geometry in a simulation. The robot explores various pre-acquisition actions in the simulation, then a Sim2Real step renders a photorealistic image to reassess success rates. If the success improves, the robot applies the action in reality. We evaluate the system on 15 diverse plates with 10 types of food items for a soft food diet, showing improvement in bite acquisition success rates by 27\% on average across all plates. See our project website at https://emprise.cs.cornell.edu/repeat.
- Abstract（参考訳）: 本稿では,ロボットによる軟質食品の摂食における噛み込みの促進を目的としたReal2Sim2RealフレームワークであるREPeatを提案する。
プッシュ、カット、フリップなどの「事前取得アクション」を使用して、ストーピング、スクーピング、ツイリングなどの噛み込み獲得アクションの成功率を向上させる。
データ駆動モデルが直接噛み付き獲得の成功率の低いことを予測した場合、システムはReal2Simフェーズを開始し、シミュレーションで食品の形状を再構築する。
ロボットはシミュレーションで様々な事前取得動作を探索し、次にSim2Realのステップでフォトリアリスティックな画像をレンダリングして成功率を再評価する。
成功が向上すれば、ロボットは実際にアクションを適用します。
軟食食用食材10種類からなる15枚の多種多様な食材について評価を行い,全食材の平均接ぎ取り成功率を27 %向上させた。
プロジェクトのWebサイトはhttps://emprise.cs.cornell.edu/repeat.com。
関連論文リスト
- RoboGSim: A Real2Sim2Real Robotic Gaussian Splatting Simulator [27.04267700576422]
RoboGSimは本物の2sim2realのロボットシミュレータで、3Dガウシアン・スプレイティングと物理エンジンで動く。
シミュレーションされたデータを、新しいビュー、オブジェクト、軌跡、シーンで合成することができる。
実数2simとsim2realの転写実験は、テクスチャと物理において高い一貫性を示す。
論文 参考訳（メタデータ） (2024-11-18T18:58:03Z) - Dynamics as Prompts: In-Context Learning for Sim-to-Real System Identifications [23.94013806312391]
そこで本研究では,テキスト内学習を用いてシミュレーション環境パラメータを動的に調整する手法を提案する。
オブジェクトスクーピングとテーブルエアホッケーという2つのタスクにまたがるアプローチを検証する。
提案手法は,ロボットの動的現実シナリオへの展開を推し進め,効率的かつスムーズなシステム識別を実現する。
論文 参考訳（メタデータ） (2024-10-27T07:13:38Z) - SliceIt! -- A Dual Simulator Framework for Learning Robot Food Slicing [5.497832119577795]
本研究は、ロボットが自律的かつ安全に食品切断タスクを学習できるようにすることに焦点を当てる。
シミュレーションにおけるロボット食品スライシングタスクを安全かつ効率的に学習するフレームワークであるSliceIt!を提案する。
論文 参考訳（メタデータ） (2024-04-03T08:42:36Z) - Learning Sequential Acquisition Policies for Robot-Assisted Feeding [37.371967116072966]
本稿では,長期食品購入の枠組みとして,視覚行動計画OveRシーケンス(VAPORS)を提案する。
VAPORSは、シミュレーションにおいて学習された潜在プレートダイナミクスを活用することで、ハイレベルなアクション選択のポリシーを学習する。
我々は,ヌードル獲得とゼリー豆のバイマンスクーピングを含む複雑な実世界の買収試験に対するアプローチを検証した。
論文 参考訳（メタデータ） (2023-09-11T02:20:28Z) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳（メタデータ） (2023-06-16T17:58:10Z) - Robot Learning from Randomized Simulations: A Review [59.992761565399185]
ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。
最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。
本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
論文 参考訳（メタデータ） (2021-11-01T13:55:41Z) - SIM2REALVIZ: Visualizing the Sim2Real Gap in Robot Ego-Pose Estimation [8.272193665645553]
我々は,ロボットのエゴ位置推定タスクに対する,このギャップの理解と軽減を支援する視覚分析ツールSim2RealVizを紹介する。
Sim2RealVizは、与えられたモデルの詳細と、そのインスタンスのパフォーマンスをシミュレーションと現実世界の両方で表示する。
論文 参考訳（メタデータ） (2021-09-24T08:17:33Z) - GeoSim: Photorealistic Image Simulation with Geometry-Aware Composition [81.24107630746508]
GeoSimは、新しい都市の運転シーンを合成するジオメトリ認識の画像合成プロセスです。
まず、センサーデータからリアルな形状と外観の両方を備えた多様な3Dオブジェクトのバンクを構築します。
得られた合成画像は、フォトリアリズム、トラフィック認識、幾何学的一貫性があり、画像シミュレーションが複雑なユースケースにスケールできる。
論文 参考訳（メタデータ） (2021-01-16T23:00:33Z) - 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) - 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) - RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。
シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文 参考訳（メタデータ） (2020-04-14T20:52:49Z)
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。