Fugu-MT 論文翻訳(概要): MoE-Loco: Mixture of Experts for Multitask Locomotion

論文の概要: MoE-Loco: Mixture of Experts for Multitask Locomotion

arxiv url: http://arxiv.org/abs/2503.08564v1
Date: Tue, 11 Mar 2025 15:53:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-12 15:41:44.714406
Title: MoE-Loco: Mixture of Experts for Multitask Locomotion
Title（参考訳）: MoE-Loco:マルチタスク・ロコモーションの専門家の混在
Authors: Runhan Huang, Shaoting Zhu, Yilun Du, Hang Zhao,
Abstract要約: 脚付きロボットのマルチタスク移動のためのフレームワークであるMoE-Locoを提案する。本手法は,四足歩行と二足歩行をサポートしながら,多様な地形を扱える1つの政策を実現する。
参考スコア（独自算出の注目度）: 52.04025933292957
License:
Abstract: We present MoE-Loco, a Mixture of Experts (MoE) framework for multitask locomotion for legged robots. Our method enables a single policy to handle diverse terrains, including bars, pits, stairs, slopes, and baffles, while supporting quadrupedal and bipedal gaits. Using MoE, we mitigate the gradient conflicts that typically arise in multitask reinforcement learning, improving both training efficiency and performance. Our experiments demonstrate that different experts naturally specialize in distinct locomotion behaviors, which can be leveraged for task migration and skill composition. We further validate our approach in both simulation and real-world deployment, showcasing its robustness and adaptability.
Abstract（参考訳）: 脚付きロボットのためのマルチタスク移動のためのMixture of Experts (MoE)フレームワークであるMoE-Locoを提案する。本手法は,四足歩行と二足歩行をサポートしながら,バー,ピット,階段,斜面,バッフルなど多様な地形を単一方針で処理することを可能にする。 MoEを用いることで、マルチタスク強化学習で通常発生する勾配競合を緩和し、トレーニング効率と性能の両方を改善します。実験の結果,異なる専門家が自然に異なる移動行動に特化していることが示され,タスクマイグレーションやスキル構成に活用できることがわかった。シミュレーションと実世界のデプロイの両方において、我々のアプローチをさらに検証し、その堅牢性と適応性を示します。

関連論文リスト

You Only Teach Once: Learn One-Shot Bimanual Robotic Manipulation from Video Demonstrations [38.835807227433335]
双方向ロボット操作は、インテリジェンスを具現化した長年にわたる課題である。両眼でのみ観察できるヨト(YOTO)を提案する。 YOTOは5つの複雑なロングホライゾンのバイマニュアルタスクを模倣することで、素晴らしいパフォーマンスを実現している。
論文参考訳（メタデータ） (2025-01-24T03:26:41Z)
Transforming Vision Transformer: Towards Efficient Multi-Task Asynchronous Learning [59.001091197106085]
Vision TransformerのためのMulti-Task Learning (MTL)は、複数のタスクを同時に処理することでモデル能力を向上させることを目的としている。最近の研究は、Mixture-of-Experts(MoE)構造の設計とローランド適応(LoRA)によるマルチタスク学習の効率化に重点を置いている。本稿では,事前学習した視覚変換器を効率的なマルチタスク学習器に変換することで,EMTAL(Efficient Multi-Task Learning)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2025-01-12T17:41:23Z)
Offline Adaptation of Quadruped Locomotion using Diffusion Models [59.882275766745295]
本稿では,複数のスキル間の相互補間と学習の限界に同時に対処する,四足歩行への拡散に基づくアプローチを提案する。これらの機能は、マルチスキルポリシーと互換性があり、ほとんど変更することなく、最小限の計算オーバーヘッドで適用可能であることを示す。 ANYmal四重奏プラットフォーム上でのハードウェア実験によるアプローチの有効性を検証する。
論文参考訳（メタデータ） (2024-11-13T18:12:15Z)
HYPERmotion: Learning Hybrid Behavior Planning for Autonomous Loco-manipulation [7.01404330241523]
HYPERmotionは、異なるシナリオのタスクに基づいて行動を学び、選択し、計画するフレームワークである。強化学習と全身最適化を組み合わせることで,38関節の運動を生成する。シミュレーションと実世界の実験では、学習した動きが新しいタスクに効率的に適応できることが示されている。
論文参考訳（メタデータ） (2024-06-20T18:21:24Z)
Intuition-aware Mixture-of-Rank-1-Experts for Parameter Efficient Finetuning [50.73666458313015]
大規模言語モデル(LLM)はマルチメディアアプリケーションで複数のタスクを実行する上で大きな可能性を証明している。 MoEは、効率的なタスクデカップリングのためのスパースアーキテクチャによる有望なソリューションとして登場した。 Intuition-MoR1Eは14のパブリックデータセットで優れた効率と2.15%の全体的な精度向上を実現している。
論文参考訳（メタデータ） (2024-04-13T12:14:58Z)
Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文参考訳（メタデータ） (2024-01-30T10:48:43Z)
Walk These Ways: Tuning Robot Control for Generalization with Multiplicity of Behavior [12.91132798749]
我々は、異なる方法でトレーニングタスクを解決する、ロコモーション戦略の構造化されたファミリーを符号化する単一のポリシーを学ぶ。異なる戦略が一般化され、新しいタスクや環境に対してリアルタイムで選択できるようになり、時間を要する再トレーニングの必要性を回避できる。高速で堅牢なオープンソースMoBロコモーションコントローラ、Walk These Waysをリリースし、足の引き込み、姿勢、速度の異なる様々な歩行を実行できる。
論文参考訳（メタデータ） (2022-12-06T18:59:34Z)
Multi-expert learning of adaptive legged locomotion [7.418225289645394]
マルチエキスパート学習アーキテクチャ(MELA)は、代表的な専門家スキルのグループから適応的なスキルを生成することを学ぶ。統一melaフレームワークを用いて,実四足歩行ロボット上でのマルチスキル歩行を実演した。
論文参考訳（メタデータ） (2020-12-10T16:40:44Z)
Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
論文参考訳（メタデータ） (2020-04-02T02:56:16Z)

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。