Fugu-MT 論文翻訳(概要): More complex environments may be required to discover benefits of lifetime learning in evolving robots

論文の概要: More complex environments may be required to discover benefits of lifetime learning in evolving robots

arxiv url: http://arxiv.org/abs/2412.16184v1
Date: Wed, 11 Dec 2024 17:15:45 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-29 08:00:06.159856
Title: More complex environments may be required to discover benefits of lifetime learning in evolving robots
Title（参考訳）: 進化するロボットの生涯学習の利点を発見するためには、より複雑な環境が必要かもしれない
Authors: Ege de Bruin, Kyrre Glette, Kai Olav Ellefsen,
Abstract要約: その結果,平坦な環境よりも丘陵環境の方が学習に有益であることが示唆された。学習の利点を見るためには、より困難な環境でロボットを評価する必要があるかもしれない。
参考スコア（独自算出の注目度）: 0.6144680854063935
License:
Abstract: It is well known that intra-life learning, defined as an additional controller optimization loop, is beneficial for evolving robot morphologies for locomotion. In this work, we investigate this further by comparing it in two different environments: an easy flat environment and a more challenging hills environment. We show that learning is significantly more beneficial in a hilly environment than in a flat environment and that it might be needed to evaluate robots in a more challenging environment to see the benefits of learning.
Abstract（参考訳）: 生体内学習は、追加のコントローラ最適化ループとして定義され、移動のためのロボット形態の進化に有用であることが知られている。本研究では, 簡単な平坦な環境と, より困難な丘陵環境の2つの異なる環境において, 比較して検討する。平坦な環境よりも丘陵環境では学習が著しく有益であることが示され,学習のメリットを見るためには,ロボットをより困難な環境で評価する必要がある可能性が示唆された。

関連論文リスト

Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
論文参考訳（メタデータ） (2024-07-02T21:00:30Z)
Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文参考訳（メタデータ） (2023-04-19T17:37:54Z)
Real-World Humanoid Locomotion with Reinforcement Learning [92.85934954371099]
実世界におけるヒューマノイド移動に対する完全学習型アプローチを提案する。コントローラーは様々な屋外の地形の上を歩けるし、外乱に対して頑丈で、状況に応じて適応できる。
論文参考訳（メタデータ） (2023-03-06T18:59:09Z)
Where To Start? Transferring Simple Skills to Complex Environments [16.39683357703568]
本研究では,環境のグラフ表現に基づくアベイランスモデルを導入し,デプロイ中に最適なロボット構成を見つけるために最適化した。提案手法は,事前取得したスキルをシミュレーションや実世界において,これまで見られなかった乱雑な環境や制約のある環境に一般化し,把握作業と配置作業の両方に応用できることを実証する。
論文参考訳（メタデータ） (2022-12-12T18:37:10Z)
A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文参考訳（メタデータ） (2022-08-16T17:37:36Z)
Evolutionary Reinforcement Learning Dynamics with Irreducible Environmental Uncertainty [0.0]
我々は,エージェントが環境の現状について絶対的に不確実である進化的強化学習ダイナミクスを導出し,現在に至る。予測不可能な環境不確実性は、学習結果をより速くし、学習プロセスを安定させ、社会的ジレンマを克服する。しかし、部分的な可観測性は、例えば破滅的な極限サイクルの形で、学習結果の悪化を引き起こす可能性があることもわかっています。
論文参考訳（メタデータ） (2021-09-15T12:50:58Z)
Robot in a China Shop: Using Reinforcement Learning for Location-Specific Navigation Behaviour [24.447207633447363]
本稿では,マルチタスク学習問題として扱われるナビゲーションに対する新しいアプローチを提案する。これによりロボットは、異なる環境における視覚的なナビゲーションタスクにおいて、異なる振る舞いを学ぶことができる。
論文参考訳（メタデータ） (2021-06-02T19:31:27Z)
Ecological Reinforcement Learning [76.9893572776141]
このような条件下での学習を容易にする環境特性について検討する。環境の特性が強化学習エージェントのパフォーマンスにどのように影響するかを理解することは、学習を魅力的にする方法でタスクを構造化するのに役立ちます。
論文参考訳（メタデータ） (2020-06-22T17:55:03Z)
SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文参考訳（メタデータ） (2020-03-19T00:11:34Z)
The State of Lifelong Learning in Service Robots: Current Bottlenecks in Object Perception and Manipulation [3.7858180627124463]
State-of-the-artは、オブジェクトの知覚と操作を適切に結合するように改善を続けている。ほとんどの場合、ロボットは様々な物体を認識でき、衝突のない軌道を素早く計画して対象物を把握できる。このような環境下では、バッチ学習に使用するトレーニングデータがどれほど広範囲であっても、ロボットは常に新しいオブジェクトに直面する。ロボットの自己学習とは別に、専門家でないユーザは、体験獲得のプロセスを対話的にガイドできる。
論文参考訳（メタデータ） (2020-03-18T11:00:55Z)

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。