シミュレーションから現実への効率的な政策移転: オンラインでの修正学習
人間の介入と修正を通じて、シミュレーションで学習した政策を現実世界で効果的に転移させることができる。
ロボットエアホッケー：強化学習を用いたロボット学習のための操作テストベッド
ロボットエアホッケーは、強化学習を用いた複雑な政策の学習に適した動的で対話的なテストベッドである。
長距離外部操作の1回のデモからの転移
単一のデモンストレーションから、様々な物体や環境における長距離外部操作タスクを一般化する。
高精度かつ接触の多い操作タスクのためのロボットポリシーコード生成
大規模言語モデル(LLM)は、適切な行動空間を使用することで、高精度かつ接触の多い操作タスクのロボットポリシーコードを生成することができる。
1つの実演から行動木を協調的にプログラミングする
1つの実演から反応型かつモジュール式の行動木を自動生成する協調的なプログラミングフレームワーク
ロボット操作
本研究では、ニューロモーフィックなアプローチを用いて、カメラ搭載型マニピュレータの障害物回避を実現する。 まず、従来のRGBカメラ画像からイベントデータを生成するエミュレータを開発した。このイベントデータは、スパイク型ニューラルネットワーク(SNN)によって処理される。SNNの出力は障害物回避加速度に変換され、あらかじめ計画された軌道を動的に修正する。 この手法により、シミュレーションと実環境の両方で、障害物に確実に衝突を回避できることが示された。また、軌道の安全性や予測可能性も一定程度維持できることが確認された。さらに、イベントデータの生成方法やSNNのパラメータ変更に対するロバスト性も分析した。最後に、実際のイベントカメラを用いた実験も行い、提案手法の有効性を検証した。
物体を確実に押し出すための計画
本論文では、接触力学の不確定性を考慮しながら、ロバストな開ループ押し出し動作を生成する手法を提案する。準静的接触力学モデルを用いて、接触時の物体位置の分散を予測し、この分散を最小化するように最適化を行う。さらに、接触確率を高める軌道サンプリング手法を提案することで、ロバストな押し出し動作を効率的に生成できる。
外部接触を利用した確実なハンド内操作
外部接触を利用しながら、ロボットがグリップ内で物体の姿勢を調整する確実な操作手法を提案する。
事前学習済み言語条件付きモデルの不確実性を考慮した展開
事前学習済みの言語条件付きモデルの不確実性を適切に考慮することで、ロボット操作タスクの成功率を大幅に向上させることができる。
© 2024 by Linnk AI