Mel Vecerik
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
- 精密配置タスクのための深層SE(3)同変幾何推論マニピュレーション2024/4/1
物体を正確に配置するタスクに対し、SE(3)同変性を持つ幾何推論層を導入し、少ないデモから高精度な相対姿勢予測を実現する手法を提案。
- 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。
- 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。
- 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。
- S3K: マルチビュー整合性によるロボットマニピュレーション向け自己教師あり意味キーポイントマニピュレーション2020/9/1
複数視点の整合性を利用した半教師あり学習で、1〜5mm精度の意味的3Dキーポイントを獲得し、把持や嵌合などの精密作業や強化学習の報酬設計に活用できることを示した論文。
- 潜在軌道最適化によるDDPGの探索改善強化学習2019/11/1
画像の潜在埋め込み上でモデルベース軌道最適化を探索に用い、DDPGと相互補完的に組み合わせて連続制御タスクと実機ロボットの挿入作業で評価した研究。
- 報酬スケッチとバッチ強化学習によるデータ駆動ロボティクスのスケーリングマニピュレーション2019/9/1
人間のアノテーションから報酬関数を学習し、大規模なロボット経験データとバッチ強化学習を組み合わせて、実機での物体積み上げや布操作などのマニピュレーションタスクをオフライン学習するフレームワークを提案した。
- 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。
- プログレッシブネットによるピクセル入力からのsim-to-realロボット学習sim2real2016/10/1
プログレッシブネットワークを用いてシミュレーションで学習した方策を実機ロボットへ転移し、生の画像入力と疎な報酬のみでマニピュレーションタスクを実機学習できることを示した論文。
