論文の概要: Ask1: Development and Reinforcement Learning-Based Control of a Custom Quadruped Robot

• arxiv url: http://arxiv.org/abs/2412.08019v1
• Date: Wed, 11 Dec 2024 01:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:01:00.568089
• Title: Ask1: Development and Reinforcement Learning-Based Control of a Custom Quadruped Robot
• Title（参考訳）: Ask1: カスタム四足歩行ロボットの開発と強化学習に基づく制御
• Authors: Yuxing Lu, Yufei Xue, Guiyang Xin, Chenkun Qi, Yan Zhuang,
• Abstract要約: 本稿では、カスタマイズされた四足歩行ロボットAsk1の設計、開発、実験検証について述べる。 Ask1ロボットはUnitree Go1と類似した形態を持っているが、カスタムハードウェアコンポーネントと異なる制御アーキテクチャを備えている。 我々は、従来の強化学習に基づく制御方法をAsk1ロボットに拡張し、実世界のシナリオにおける我々のアプローチの適用性を実証した。
• 参考スコア（独自算出の注目度）: 8.474007797143567
• License:
• Abstract: In this work, we present the design, development, and experimental validation of a custom-built quadruped robot, Ask1. The Ask1 robot shares similar morphology with the Unitree Go1, but features custom hardware components and a different control architecture. We transfer and extend previous reinforcement learning (RL)-based control methods to the Ask1 robot, demonstrating the applicability of our approach in real-world scenarios. By eliminating the need for Adversarial Motion Priors (AMP) and reference trajectories, we introduce a novel reward function to guide the robot's motion style. We demonstrate the generalization capability of the proposed RL algorithm by training it on both the Go1 and Ask1 robots. Simulation and real-world experiments validate the effectiveness of this method, showing that Ask1, like the Go1, is capable of navigating various rugged terrains.
• Abstract（参考訳）: 本研究では、カスタマイズされた四足歩行ロボットAsk1の設計、開発、実験検証を行う。 Ask1ロボットはUnitree Go1と類似した形態を持っているが、カスタムハードウェアコンポーネントと異なる制御アーキテクチャを備えている。 我々は,従来の強化学習(RL)に基づく制御手法をAsk1ロボットに転送し,実世界のシナリオにおけるアプローチの適用性を実証する。 本稿では, ロボットの動作スタイルを案内する新たな報酬関数を導入する。 本稿では,Go1ロボットとAsk1ロボットの両方で学習することで,提案するRLアルゴリズムの一般化能力を実証する。 シミュレーションと実世界の実験により、Ask1はGo1と同様、様々な険しい地形を航行できることを示した。

関連論文リスト

• Hand-Object Interaction Pretraining from Videos [77.92637809322231]
  我々は,3次元ハンドオブジェクトインタラクショントラジェクトリから,一般的なロボット操作を学習する。 人間の手と操作された物体を3D空間で共有し、人間の動きをロボットの動きと共有する。 我々は、このポリシーを、強化学習(RL)と行動クローニング(BC)の両方で微調整することで、下流タスクへのサンプル効率の適応を可能にし、従来のアプローチと比較して堅牢性と一般化性を同時に改善できることを実証的に実証した。
  論文  参考訳（メタデータ） (2024-09-12T17:59:07Z)
• 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)
• A comparison of controller architectures and learning mechanisms for arbitrary robot morphologies [2.884244918665901]
  学習ロボットの形態が事前に分かっていない場合、ロボットコントローラと学習方法の組み合わせはどのように使うべきか。 我々は3つのコントローラとラーナーの組み合わせを実験的に比較した。 有効性、効率、堅牢性を比較します。
  論文  参考訳（メタデータ） (2023-09-25T07:11:43Z)
• 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)
• PACT: Perception-Action Causal Transformer for Autoregressive Robotics Pre-Training [25.50131893785007]
  本研究は,ロボットにおける複数のタスクの出発点として機能する汎用表現を事前学習するためのパラダイムを導入する。 本稿では,ロボットデータから直接表現を自己管理的に構築することを目的として,PACT(Perception-Action Causal Transformer)を提案する。 より大規模な事前学習モデル上に小さなタスク特化ネットワークを微調整すると、同時に1つのモデルをスクラッチからトレーニングするのに比べ、性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-09-22T16:20:17Z)
• GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
  四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練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,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。 我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
  論文  参考訳（メタデータ） (2022-09-12T15:14:32Z)
• A Transferable Legged Mobile Manipulation Framework Based on Disturbance Predictive Control [15.044159090957292]
  四足歩行ロボットにロボットアームを装着した足の移動操作は、ロボットの性能を大幅に向上させる。 本稿では,潜在動的アダプタを用いた強化学習スキームを低レベルコントローラに組み込んだ統合フレームワーク外乱予測制御を提案する。
  論文  参考訳（メタデータ） (2022-03-02T14:54:10Z)
• Accelerating Robotic Reinforcement Learning via Parameterized Action Primitives [92.0321404272942]
  強化学習は汎用ロボットシステムの構築に使用することができる。 しかし、ロボット工学の課題を解決するためにRLエージェントを訓練することは依然として困難である。 本研究では,ロボット行動プリミティブ(RAPS)のライブラリを手動で指定し,RLポリシーで学習した引数をパラメータ化する。 動作インターフェースへの簡単な変更は、学習効率とタスクパフォーマンスの両方を大幅に改善する。
  論文  参考訳（メタデータ） (2021-10-28T17:59:30Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• PPMC RL Training Algorithm: Rough Terrain Intelligent Robots through Reinforcement Learning [4.314956204483074]
  本稿では,任意のロボットに対して,粗い環境で一般化されたPPMCを指導する汎用的なトレーニングアルゴリズムを提案する。 我々は,ロボットが新しい地形マップに一般化することを学習し,100%の成功率を維持する実験を通して示す。 我々の知る限りでは、どんなロボットにも、粗い環境で一般化PPMCを教える汎用的なトレーニングアルゴリズムを導入する最初の論文である。
  論文  参考訳（メタデータ） (2020-03-02T10:14:52Z)

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。