論文の概要: Advances in Transformers for Robotic Applications: A Review

• arxiv url: http://arxiv.org/abs/2412.10599v1
• Date: Fri, 13 Dec 2024 23:02:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:55:48.224014
• Title: Advances in Transformers for Robotic Applications: A Review
• Title（参考訳）: ロボット用トランスフォーマーの進歩
• Authors: Nikunj Sanghai, Nik Bear Brown,
• Abstract要約: 我々は、ロボティクスにおけるトランスフォーマーの最近の進歩とトレンドを概観する。 自律システムにおけるロボット認識,計画,制御への統合について検討する。 信頼性の高い計画と知覚のために、トランスフォーマーの異なるバリエーションがロボティクスにどのように適応されているかについて議論する。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License:
• Abstract: The introduction of Transformers architecture has brought about significant breakthroughs in Deep Learning (DL), particularly within Natural Language Processing (NLP). Since their inception, Transformers have outperformed many traditional neural network architectures due to their "self-attention" mechanism and their scalability across various applications. In this paper, we cover the use of Transformers in Robotics. We go through recent advances and trends in Transformer architectures and examine their integration into robotic perception, planning, and control for autonomous systems. Furthermore, we review past work and recent research on use of Transformers in Robotics as pre-trained foundation models and integration of Transformers with Deep Reinforcement Learning (DRL) for autonomous systems. We discuss how different Transformer variants are being adapted in robotics for reliable planning and perception, increasing human-robot interaction, long-horizon decision-making, and generalization. Finally, we address limitations and challenges, offering insight and suggestions for future research directions.
• Abstract（参考訳）: Transformersアーキテクチャの導入は、特に自然言語処理(NLP)において、ディープラーニング(DL)に大きなブレークスルーをもたらした。 開始以来、トランスフォーマーは、"自己注意"メカニズムとさまざまなアプリケーションにわたるスケーラビリティのために、多くの従来のニューラルネットワークアーキテクチャより優れています。 本稿では,ロボットにおけるトランスフォーマーの利用について述べる。 トランスフォーマーアーキテクチャの最近の進歩と動向を概観し、自律システムに対するロボット認識、計画、制御への統合について検討する。 さらに,ロボットにおけるトランスフォーマーの事前学習基盤モデルとしての利用と,自律システムのためのDeep Reinforcement Learning(DRL)とトランスフォーマーの統合に関する過去の研究と最近の研究を概観する。 ロボット工学において、トランスフォーマーの異なる変種が、信頼性の高い計画と知覚、人間とロボットの相互作用の増大、長期的意思決定、一般化のためにどのように適応されているかについて議論する。 最後に、今後の研究方向性についての洞察と提案を提供するため、制限と課題に対処する。

関連論文リスト

• Solving Multi-Goal Robotic Tasks with Decision Transformer [0.0]
  ロボット工学におけるオフラインマルチゴール強化学習のための決定変換器アーキテクチャの新しい適応法を提案する。 われわれのアプローチでは、ゴール固有の情報を意思決定変換器に統合し、オフライン環境で複雑なタスクを処理できる。
  論文  参考訳（メタデータ） (2024-10-08T20:35:30Z)
• Body Transformer: Leveraging Robot Embodiment for Policy Learning [51.531793239586165]
  ボディートランスフォーマー(ボディートランスフォーマー、Body Transformer、BoT)は、学習プロセスを導く誘導バイアスを提供することで、ロボットの体現性を活用するアーキテクチャである。 我々はロボットの体をセンサーとアクチュエータのグラフとして表現し、建築全体を通してプール情報にマスキングされた注意を頼りにしている。 結果として得られるアーキテクチャは、バニラ変換器と古典的な多層パーセプトロンを、タスク完了、スケーリング特性、計算効率の点で上回る。
  論文  参考訳（メタデータ） (2024-08-12T17:31:28Z)
• The Progression of Transformers from Language to Vision to MOT: A Literature Review on Multi-Object Tracking with Transformers [0.0]
  トランスフォーマーニューラルネットワークアーキテクチャは、自動回帰シーケンス・ツー・シーケンスモデリングを可能にする。 トランスフォーマーは様々なパターン認識タスク、特にコンピュータビジョンにも応用されている。
  論文  参考訳（メタデータ） (2024-06-24T16:45:28Z)
• 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)
• SARA-RT: Scaling up Robotics Transformers with Self-Adaptive Robust Attention [34.276999297736346]
  ロボットトランス(SARA-RT)の自己適応ロバスト注意 ロボット上でのデプロイメントにおいて、ロボティクストランスフォーマー(RT)をスケールアップするという、新たな課題に対処する新たなパラダイム。
  論文  参考訳（メタデータ） (2023-12-04T16:08:47Z)
• Introduction to Transformers: an NLP Perspective [59.0241868728732]
  本稿では、トランスフォーマーの基本概念と、これらのモデルの最近の進歩を形作る重要な技術を紹介する。 これには、標準のTransformerアーキテクチャ、一連のモデル改良、一般的なアプリケーションの記述が含まれる。
  論文  参考訳（メタデータ） (2023-11-29T13:51:04Z)
• A Survey on Transformers in Reinforcement Learning [66.23773284875843]
  Transformer は NLP と CV において支配的なニューラルネットワークアーキテクチャと見なされている。 近年、強化学習(RL)分野においてトランスフォーマーの使用が急増しているが、RLの性質によってもたらされるユニークな設計選択と課題に直面している。 本稿では,RLにおけるトランスフォーマーの利用の動機と進歩を体系的にレビューし,既存の作業の分類を提供し,各サブフィールドについて議論し,今後の展望を要約する。
  論文  参考訳（メタデータ） (2023-01-08T14:04:26Z)
• MetaMorph: Learning Universal Controllers with Transformers [45.478223199658785]
  ロボット工学では、主に1つのタスクのために1つのロボットを訓練します。 モジュラーロボットシステムは、汎用的なビルディングブロックをタスク最適化形態に柔軟な組み合わせを可能にする。 モジュール型ロボット設計空間上でユニバーサルコントローラを学習するためのトランスフォーマーベースのアプローチであるMetaMorphを提案する。
  論文  参考訳（メタデータ） (2022-03-22T17:58:31Z)
• Transformers in Vision: A Survey [101.07348618962111]
  トランスフォーマーは、入力シーケンス要素間の長い依存関係をモデリングし、シーケンスの並列処理をサポートします。 変圧器は設計に最小限の誘導バイアスを必要とし、自然にセット関数として適しています。 本調査は,コンピュータビジョン分野におけるトランスフォーマーモデルの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2021-01-04T18:57:24Z)
• A Survey on Visual Transformer [126.56860258176324]
  Transformerは、主に自己認識機構に基づくディープニューラルネットワークの一種である。 本稿では、これらの視覚変換器モデルについて、異なるタスクで分類し、それらの利点と欠点を分析することでレビューする。
  論文  参考訳（メタデータ） (2020-12-23T09:37:54Z)

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。