文献

J-GLOBAL ID：202002279843240494   整理番号：20A1339601

非接触マニピュレーションタスクのためのデータ効率の良いモデル学習と予測【JST・京大機械翻訳】

Data-Efficient Model Learning and Prediction for Contact-Rich Manipulation Tasks

著者 (4件)： Khader Shahbaz Abdul (RPL, EECS, KTH, Stockholm, Sweden) ,  Yin Hang (RPL, EECS, KTH, Stockholm, Sweden) ,  Falco Pietro (ABB Corporate Research, Vasteras, Sweden) ,  Kragic Danica (RPL, EECS, KTH, Stockholm, Sweden)
資料名： IEEE Robotics and Automation Letters  (IEEE Robotics and Automation Letters)
巻： 5  号： 3  ページ： 4321-4328  発行年： 2020年 
JST資料番号： W2448A  ISSN： 2377-3766  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本レターでは,接触リッチマニピュレーションのための状態変数(長期予測)の学習順動力学モデルと多段階予測を研究した。問題をモデルベース強化学習(MBRL)の文脈で定式化した。2つの側面,すなわち,識別された範囲において重要である,そして,Artの方法に対する重大な課題を提起する,データ効率の--の2つの側面に焦点を絞ったものである。”その2つの側面”は,その同定範囲において重要であり,また,Art-of-Art法に対して大きな課題を提起する。Gauss過程の不確実性表現とデータ効率を活用する一方で,モデルのために特定のハイブリッド構造を明示的に採用する方法を提案して,このギャップを閉鎖するのに寄与する。説明的移動ブロックタスクおよび7-DOFロボットに関する著者らの実験は,低データ領域における一般的なベースラインと比較して,明確な利点を実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  不確実性 ,  ロボット ,  状態変数 ,  Gauss過程 ,  基準線 ,  長期予測 ,  定式化 ,  強化学習 ,  複合構造
準シソーラス用語： モデルベース ,  動力学モデル ,  非接触 ,  *モデル学習 , 【Automatic Indexing@JST】

分類 (2件)： 数値計算  (JE02000J) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 非接触 ,  マニピュレーション ,  タスク ,  モデル学習 ,  予測