論文の概要: Interactive OT Gym: A Reinforcement Learning-Based Interactive Optical tweezer (OT)-Driven Microrobotics Simulation Platform

• arxiv url: http://arxiv.org/abs/2505.20751v1
• Date: Tue, 27 May 2025 05:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.433615
• Title: Interactive OT Gym: A Reinforcement Learning-Based Interactive Optical tweezer (OT)-Driven Microrobotics Simulation Platform
• Title（参考訳）: Interactive OT Gym: 強化学習型インタラクティブ光トウィーザ(OT)駆動型マイクロロボティクスシミュレーションプラットフォーム
• Authors: Zongcai Tan amd Dandan Zhang,
• Abstract要約: Interactive OT Gymは、OT駆動のマイクロロボティクス用に設計された強化学習(RL)ベースのシミュレーションプラットフォームである。 我々のプラットフォームは、複雑な物理場シミュレーションをサポートし、触覚フィードバックインタフェース、RLモジュール、コンテキスト対応の共有制御戦略を統合する。 高い忠実度、対話性、低コスト、高速なシミュレーション機能により、Interactive OT Gymはユーザフレンドリーなトレーニングおよびテスト環境として機能する。
• 参考スコア（独自算出の注目度）: 3.2456855571205443
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optical tweezers (OT) offer unparalleled capabilities for micromanipulation with submicron precision in biomedical applications. However, controlling conventional multi-trap OT to achieve cooperative manipulation of multiple complex-shaped microrobots in dynamic environments poses a significant challenge. To address this, we introduce Interactive OT Gym, a reinforcement learning (RL)-based simulation platform designed for OT-driven microrobotics. Our platform supports complex physical field simulations and integrates haptic feedback interfaces, RL modules, and context-aware shared control strategies tailored for OT-driven microrobot in cooperative biological object manipulation tasks. This integration allows for an adaptive blend of manual and autonomous control, enabling seamless transitions between human input and autonomous operation. We evaluated the effectiveness of our platform using a cell manipulation task. Experimental results show that our shared control system significantly improves micromanipulation performance, reducing task completion time by approximately 67% compared to using pure human or RL control alone and achieving a 100% success rate. With its high fidelity, interactivity, low cost, and high-speed simulation capabilities, Interactive OT Gym serves as a user-friendly training and testing environment for the development of advanced interactive OT-driven micromanipulation systems and control algorithms. For more details on the project, please see our website https://sites.google.com/view/otgym
• Abstract（参考訳）: 光ツイーザ(OT)は、バイオメディカル応用において、サブミクロン精度のマイクロマニピュレーションのための非並列機能を提供する。 しかし、動的環境下で複数の複雑な形状のマイクロロボットの協調的な操作を実現するために従来のマルチトラップOTを制御することは大きな課題である。 そこで我々は, OT駆動型微生物学向けに設計された強化学習(RL)ベースのシミュレーションプラットフォームであるInteractive OT Gymを紹介する。 我々のプラットフォームは, 複雑な物理場シミュレーションをサポートし, 触覚フィードバックインタフェース, RLモジュール, および協調生物オブジェクト操作タスクにおけるOT駆動型マイクロロボットに適したコンテキスト認識共有制御戦略を統合している。 この統合により、手動と自律的な制御の適応的なブレンドが可能になり、人間の入力と自律操作のシームレスな遷移を可能にする。 我々は,細胞操作タスクを用いて,プラットフォームの有効性を評価した。 実験結果から, 共有制御システムではマイクロマニピュレーション性能が著しく向上し, 作業完了時間の約67%が短縮され, 100%の成功率が得られることがわかった。 高忠実性、対話性、低コスト、高速なシミュレーション機能により、Interactive OT Gymは高度な対話型OT駆動マイクロマニピュレーションシステムと制御アルゴリズムを開発するためのユーザフレンドリーなトレーニングおよびテスト環境として機能する。 プロジェクトの詳細については、私たちのWebサイト https://sites.google.com/view/otgymを参照してください。

関連論文リスト

• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [80.86089324742024]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• MEMTRACK: A Deep Learning-Based Approach to Microrobot Tracking in Dense and Low-Contrast Environments [4.638136711579875]
  Motion Enhanced Multi-level Tracker (MEMTrack) はマイクロロボットを検知・追跡するための堅牢なパイプラインである。 菌体マイクロモーターを用いてコラーゲン(tissue phantom)の試験を行い,コラーゲンおよび水性培地で試験した。 MEMTrackは、精巧に生産された手動追跡データと統計的に有意な差がなく、平均細菌の速度を定量化することができる。
  論文  参考訳（メタデータ） (2023-10-13T23:21:32Z)
• Robot Fleet Learning via Policy Merging [58.5086287737653]
  我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。 本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。 合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
  論文  参考訳（メタデータ） (2023-10-02T17:23:51Z)
• Combining model-predictive control and predictive reinforcement learning for stable quadrupedal robot locomotion [0.0]
  モデル予測型と予測型強化型学習コントローラの組み合わせによりこれを実現できるかを検討する。 本研究では,両制御手法を組み合わせて,四足歩行ロボットの安定ゲート生成問題に対処する。
  論文  参考訳（メタデータ） (2023-07-15T09:22:37Z)
• Navigation of micro-robot swarms for targeted delivery using reinforcement learning [0.0]
  Inforcement Learning (RL) アルゴリズムをPPO(Proximal Policy Optimization) とRPO(Robust Policy Optimization) を用いて,4,9,16マイクロスウィマーの群を探索する。 PPOとRPOの両方のパフォーマンスを、限られた状態情報シナリオで調べ、また、ランダムな目標位置とサイズに対するロバスト性をテストする。
  論文  参考訳（メタデータ） (2023-06-30T12:17:39Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Smart Magnetic Microrobots Learn to Swim with Deep Reinforcement Learning [0.0]
  深層強化学習は、スマートなマイクロロボットを作るための堅牢なコントローラを自律的に開発するための有望な方法である。 本稿では,ソフトアクター評論家強化学習アルゴリズムを用いて制御ポリシを自律的に導出するスマートヘリカル磁性ハイドロゲルマイクロロボットの開発について報告する。 強化学習エージェントは10万歩未満のトレーニングステップで制御ポリシを成功させ、高速学習のためのサンプル効率を実証した。
  論文  参考訳（メタデータ） (2022-01-14T18:42:18Z)
• Autonomous object harvesting using synchronized optoelectronic microrobots [10.860767733334306]
  optoelectronic tweezer-driven microrobots (oetdms)は多用途のマイクロマニピュレーション技術である。 複数のマイクロロボットのオープンループ制御を実現するために,自動的ターゲティングと経路計画手法を提案する。
  論文  参考訳（メタデータ） (2021-03-08T17:24:15Z)

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。