論文の概要: One-Shot Manipulation Strategy Learning by Making Contact Analogies

• arxiv url: http://arxiv.org/abs/2411.09627v1
• Date: Thu, 14 Nov 2024 17:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:24:45.775737
• Title: One-Shot Manipulation Strategy Learning by Making Contact Analogies
• Title（参考訳）: コンタクトアナロジーによるワンショット操作戦略学習
• Authors: Yuyao Liu, Jiayuan Mao, Joshua Tenenbaum, Tomás Lozano-Pérez, Leslie Pack Kaelbling,
• Abstract要約: 本稿では,新しい物体への高速かつ広範囲な一般化による操作戦略のワンショット学習のための新しいアプローチMAGICを提案する。 リファレンスアクショントラジェクトリを活用することで、MAGICは、新しいオブジェクト上の類似した接触点とアクションのシーケンスを効果的に識別する。 MAGICは既存の手法よりも優れた性能を示し、実行速度を大幅に向上し、異なるオブジェクトカテゴリへの一般化を実現している。
• 参考スコア（独自算出の注目度）: 43.378561955780214
• License:
• Abstract: We present a novel approach, MAGIC (manipulation analogies for generalizable intelligent contacts), for one-shot learning of manipulation strategies with fast and extensive generalization to novel objects. By leveraging a reference action trajectory, MAGIC effectively identifies similar contact points and sequences of actions on novel objects to replicate a demonstrated strategy, such as using different hooks to retrieve distant objects of different shapes and sizes. Our method is based on a two-stage contact-point matching process that combines global shape matching using pretrained neural features with local curvature analysis to ensure precise and physically plausible contact points. We experiment with three tasks including scooping, hanging, and hooking objects. MAGIC demonstrates superior performance over existing methods, achieving significant improvements in runtime speed and generalization to different object categories. Website: https://magic-2024.github.io/ .
• Abstract（参考訳）: 本稿では,新しい物体への高速かつ広範囲な一般化による操作戦略のワンショット学習のための新しいアプローチMAGICを提案する。 リファレンスアクショントラジェクトリを活用することで、MAGICは、異なるフックを使用して異なる形状と大きさの遠いオブジェクトを検索するなど、新しいオブジェクト上の類似した接触点と一連のアクションを効果的に識別し、実証された戦略を再現する。 本手法は,事前学習したニューラルネットワーク特徴を用いた大域的形状マッチングと局所曲率解析を組み合わせた2段階の接触点マッチング法に基づいて,高精度で物理的に可能な接触点の同定を行う。 我々は、スクーピング、ハング、フックなどの3つのタスクを実験した。 MAGICは既存の手法よりも優れた性能を示し、実行速度を大幅に向上し、異なるオブジェクトカテゴリへの一般化を実現している。 Webサイト: https://magic-2024.github.io/

関連論文リスト

• Where2Explore: Few-shot Affordance Learning for Unseen Novel Categories of Articulated Objects [15.989258402792755]
  Where2Explore"は、限られた数のインスタンスで最小限のインタラクションを持つ新しいカテゴリを効果的に探求するフレームワークである。 本フレームワークは, 異なるカテゴリ間の幾何学的類似性を明示的に推定し, 効率的な探索のための訓練カテゴリの形状と異なる局所領域を同定する。
  論文  参考訳（メタデータ） (2023-09-14T07:11:58Z)
• Improving Video Violence Recognition with Human Interaction Learning on 3D Skeleton Point Clouds [88.87985219999764]
  我々は骨格点の新たな視点からビデオ暴力認識法を開発した。 まず、ビデオから抽出した人間の配列から3Dスケルトン点雲を定式化する。 そして、これらの3Dスケルトン点雲上で相互作用学習を行う。
  論文  参考訳（メタデータ） (2023-08-26T12:55:18Z)
• Skeleton-based Action Recognition through Contrasting Two-Stream Spatial-Temporal Networks [11.66009967197084]
  本稿では,空間的および時間的モジュールを並列に融合するContrastive GCN-Transformer Network(ConGT)を提案する。 我々は3つのベンチマークデータセットで実験を行い、このモデルが動作認識における最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-01-27T02:12:08Z)
• End-to-End Affordance Learning for Robotic Manipulation [4.405918052597016]
  インタラクティブな環境で3Dオブジェクトを操作することの学習は、強化学習において難しい問題であった。 視覚的余裕は、効果的に実行可能なセマンティクスを備えたオブジェクト中心の情報提供において、大きな見通しを示してきた。 本研究では,RL学習過程において生成した接触情報を用いて視覚的余裕を生かし,興味のある接触マップを予測する。
  論文  参考訳（メタデータ） (2022-09-26T18:24:28Z)
• Silver-Bullet-3D at ManiSkill 2021: Learning-from-Demonstrations and Heuristic Rule-based Methods for Object Manipulation [118.27432851053335]
  本稿では,SAPIEN ManiSkill Challenge 2021: No Interaction Trackにおいて,以下の2つのトラックを対象としたシステムの概要と比較分析を行った。 No Interactionは、事前に収集された実証軌道からの学習ポリシーのターゲットを追跡する。 このトラックでは,タスクを一連のサブタスクに分解することで,高品質なオブジェクト操作をトリガするHuristic Rule-based Method (HRM) を設計する。 各サブタスクに対して、ロボットアームに適用可能なアクションを予測するために、単純なルールベースの制御戦略が採用されている。
  論文  参考訳（メタデータ） (2022-06-13T16:20:42Z)
• Fusing Local Similarities for Retrieval-based 3D Orientation Estimation of Unseen Objects [70.49392581592089]
  我々は,モノクロ画像から未確認物体の3次元配向を推定する作業に取り組む。 我々は検索ベースの戦略に従い、ネットワークがオブジェクト固有の特徴を学習するのを防ぐ。 また,LineMOD,LineMOD-Occluded,T-LESSのデータセットを用いた実験により,本手法が従来の手法よりもはるかに優れた一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-03-16T08:53:00Z)
• Centralized Information Interaction for Salient Object Detection [68.8587064889475]
  U字型構造は、多スケールの機能を効率的に組み合わせるサリエント物体検出に長けている。 本稿では,これらの接続を集中化することにより,相互に相互に情報交換を行うことができることを示す。 本手法は, ボトムアップ経路とトップダウン経路の接続を置換することにより, 既存のU字型サルエント物体検出手法と協調することができる。
  論文  参考訳（メタデータ） (2020-12-21T12:42:06Z)
• HDD-Net: Hybrid Detector Descriptor with Mutual Interactive Learning [24.13425816781179]
  局所的特徴抽出は、SLAMや3D再構成、ARアプリケーションといった分野の進歩により、現在も活発な研究領域である。 両抽出を個別に処理し,学習過程における相互作用に焦点を当てる手法を提案する。 我々は,カメラのローカライゼーション作業に匹敵せず,HPatchの画像マッチングと3次元再構成品質の観点から,技術状況の改善を示す。
  論文  参考訳（メタデータ） (2020-05-12T13:55:04Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。