Jon Scholz
収録論文 9本 ・ フィジカルAI/ロボット学習
※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。
論文
- DemoStart: 実演主導の自動カリキュラムによる多指ロボットのsim-to-realsim2real2024/9/1
シミュレーションでの少数の実演と疎な報酬のみから、3本指ロボットハンドの複雑なマニピュレーション行動を自動カリキュラム強化学習で獲得し、ゼロショットで実機に転移させる手法を提案した。
- RoboTAP: 任意点追跡による少数ショット視覚模倣模倣学習2023/8/1
任意点追跡モデルでデモの動きを抽出し、シーン変化に対応できる低レベル制御器を学習することで、数分のデモから物体配置や接着などの複雑なタスクを少数ショットで模倣できるようにした研究。
- RoboCat: ロボットマニピュレーションのための自己改善型汎用エージェントマニピュレーション2023/6/1
多様なロボットとタスクの経験を活用し、新しいスキルや機体に適応できる汎用マニピュレーションエージェントRoboCatを提案。自己生成データによる改善ループも示す。
- ロボット操作のための事前学習済み視覚モデルの無損失適応マニピュレーション2023/4/1
ロボット操作において、凍結した事前学習済み視覚特徴よりフルファインチューニングが高性能だが、表現ドリフトを引き起こす問題に対し、パラメータ効率の良いアダプタを適切に配置する「無損失適応」を提案し、元の能力を保ちつつ性能ギャップを削減する。
- 少数の成功デモで長期的な器用マニピュレーションを実現する後付け目標選択マニピュレーション2021/12/1
少数の成功デモからタスク固有の目標分布を推定し、後付けリラベリングの探索を誘導することで、長期的な片腕・両腕ロボット操作タスクを少ないデモで効率的に学習する手法を提案した。
- 潜在埋め込みによるタスク適応としての少数ショットキーポイント検出キーポイント検出2021/12/1
キーポイント埋め込みを条件として疎なネットワークを適応させ、密な汎用性と疎な精度を両立するキーポイント追跡手法を提案し、実機ピック・アンド・プレースでゼロショット転移を示した。
- 産業用挿入タスクのためのオフラインメタ強化学習メタ強化学習2021/10/1
過去タスクの実演と試行データのみからメタ学習し、産業用挿入タスクへ迅速に適応するオフラインメタ強化学習手法を提案した論文。文脈メタ学習とオンライン微調整を組み合わせ、類似タスクには即応・大きく異なるタスクには段階適応する。
- 強化学習と実演による産業組立向け堅牢マルチモーダル方策:大規模実証研究産業組立/強化学習2021/3/1
産業組立タスクにおいて、実演からの強化学習(DRL)を産業志向の設計基準で構築し、NISTベンチマークでプロのインテグレータや人間を上回る速度と信頼性を実証した大規模研究。
- 可変なソケット位置への挿入を深層強化学習で実現する実用的手法マニピュレーション2018/10/1
既製のDDPGに少数の人間デモを組み合わせるだけで、モデル化や報酬設計なしに実機ロボットが挿入タスクを10分以内に学習し、ソケット位置の変動にも頑健に解けることを示した。
