論文の概要: AssemblyComplete: 3D Combinatorial Construction with Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2410.15469v1
- Date: Sun, 20 Oct 2024 18:51:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:17:14.564021
- Title: AssemblyComplete: 3D Combinatorial Construction with Deep Reinforcement Learning
- Title（参考訳）: AssemblyComplete: 深層強化学習による3Dコンビネーション構築
- Authors: Alan Chen, Changliu Liu,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.3507834596906125
- License:
- Abstract: A critical goal in robotics and autonomy is to teach robots to adapt to real-world collaborative tasks, particularly in automatic assembly. The ability of a robot to understand the original intent of an incomplete assembly and complete missing features without human instruction is valuable but challenging. This paper introduces 3D combinatorial assembly completion, which is demonstrated using combinatorial unit primitives (i.e., Lego bricks). Combinatorial assembly is challenging due to the possible assembly combinations and complex physical constraints (e.g., no brick collisions, structure stability, inventory constraints, etc.). To address these challenges, we propose a two-part deep reinforcement learning (DRL) framework that tackles teaching the robot to understand the objective of an incomplete assembly and learning a construction policy to complete the assembly. The robot queries a stable object library to facilitate assembly inference and guide learning. In addition to the robot policy, an action mask is developed to rule out invalid actions that violate physical constraints for object-oriented construction. We demonstrate the proposed framework's feasibility and robustness in a variety of assembly scenarios in which the robot satisfies real-life assembly with respect to both solution and runtime quality. Furthermore, results demonstrate that the proposed framework effectively infers and assembles incomplete structures for unseen and unique object types.
- Abstract（参考訳）: ロボット工学と自律性において重要なゴールは、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。
ロボットが不完全な組み立ての本来の意図を理解し、人間の指示を使わずに欠落した特徴を完備する能力は、価値はあるが困難である。
本稿では,組立単位プリミティブ(レゴブロック)を用いた3次元組立工法について紹介する。
組合せアセンブリは、アセンブリの組み合わせと複雑な物理的制約(例えば、レンガの衝突、構造安定性、在庫の制約など)によって困難である。
これらの課題に対処するために,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。
ロボットは安定したオブジェクトライブラリをクエリして、アセンブリ推論とガイド学習を容易にする。
ロボットポリシに加えて、アクションマスクが開発され、オブジェクト指向構築の物理的制約に違反する無効なアクションを除外する。
提案するフレームワークの実現可能性とロバスト性について,ソリューションの品質と実行時品質の両方に関して,ロボットが実生活の組み立てを満足する様々なシナリオで実証する。
さらに, 提案手法は, 不完全な構造を効果的に推論し, 組み立てることを示した。
関連論文リスト
- Physics-Aware Combinatorial Assembly Planning using Deep Reinforcement Learning [6.919208054874144]
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。
論文 参考訳（メタデータ） (2024-08-19T17:16:35Z) - RoboCodeX: Multimodal Code Generation for Robotic Behavior Synthesis [102.1876259853457]
汎用ロボット行動合成のための木構造多モードコード生成フレームワークRoboCodeXを提案する。
RoboCodeXは、高レベルの人間の命令を複数のオブジェクト中心の操作ユニットに分解する。
概念的および知覚的理解を制御コマンドにマッピングする能力をさらに強化するため、事前学習のための特別なマルチモーダル推論データセットを収集し、教師付き微調整のための反復的自己更新手法を導入する。
論文 参考訳（メタデータ） (2024-02-25T15:31:43Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳（メタデータ） (2024-02-22T15:12:00Z) - 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) - Blocks Assemble! Learning to Assemble with Large-Scale Structured
Reinforcement Learning [23.85678777628229]
複数部品の物理的構造の組み立ては、自律ロボット工学にとって価値のある製品である。
子どものおもちゃのキットにインスパイアされた、接続可能な磁石ブロックのセットを備えた自然主義的な物理ベースの環境を導入する。
大規模強化学習とグラフベースの政策の組み合わせが,訓練エージェントの効果的なレシピであることが判明した。
論文 参考訳（メタデータ） (2022-03-15T18:21:02Z) - 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) - V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated
Objects [51.79035249464852]
本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。
本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
論文 参考訳（メタデータ） (2021-11-07T02:31:09Z) - Towards Coordinated Robot Motions: End-to-End Learning of Motion
Policies on Transform Trees [63.31965375413414]
人間による実証から構造化政策を学習し、マルチタスクの課題解決を提案します。
我々の構造化ポリシーは、異なる空間におけるサブタスクポリシーを組み合わせるためのフレームワークであるRMPflowにインスパイアされている。
マルチタスク問題に適したエンドツーエンドの学習目標関数を導き出します。
論文 参考訳（メタデータ） (2020-12-24T22:46:22Z) - Towards Robotic Assembly by Predicting Robust, Precise and Task-oriented
Grasps [17.07993278175686]
本稿では,3つのカスケードネットワークを学習することで,把握,精度,タスク性能を最適化する手法を提案する。
我々は,歯車をペグに挿入し,ブラケットをコーナーにアライメントし,形状をスロットに挿入する3つの一般的な組立作業のシミュレーションにおいて,本手法の評価を行った。
論文 参考訳（メタデータ） (2020-11-04T18:29:01Z) - CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and
Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。
タスクは、ブロックのセットから3D形状を構築することで構成される。
論文 参考訳（メタデータ） (2020-10-08T23:01:13Z) - Learning 3D Part Assembly from a Single Image [20.175502864488493]
そこで本研究では,新たな問題として,学習ベースのソリューションとともに,シングルイメージの3Dパーツアセンブリを導入する。
本報告では, 家具組立において, 部品の完全な集合と, 組み立て物全体を描いた一枚の画像から, 家具組立の設定について検討する。
論文 参考訳（メタデータ） (2020-03-21T21:19:28Z)
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。