Know your limits! Optimize the robot’s behavior through self-awareness

要約

人型ロボットが研究室から現実世界の環境に移行するにつれて、専門家以外のユーザー向けにロボット制御を民主化することが不可欠です。
最近の人間ロボット模倣アルゴリズムは、人間の基準動作を高精度で追従することに重点を置いていますが、基準動作の品質に左右されやすく、人間の操作者はロボットの能力に合わせて動作を簡素化する必要があります。
その代わりに、ロボットが基準動作を理解して自身の能力に適応させ、オペレーターの作業を容易にする必要があると考えます。
そのために、与えられた参照を模倣する際のロボットのパフォーマンスを予測する深層学習モデルを導入します。
次に、私たちのシステムは、高レベルのタスク コマンドが与えられると複数の参照を生成し、それぞれにスコアを割り当て、ロボットの望ましい動作を実現するために最適な参照を選択します。
当社の Self-Aware モデル (SAW) は、転倒の可能性、基準動作の遵守、滑らかさなどのさまざまな基準に基づいて潜在的なロボットの動作をランク付けします。
当社は高度なモーション生成、ロボット制御、SAW を 1 つの独自のシステムに統合し、あらゆるタスク コマンドに対して最適なロボットの動作を保証します。
たとえば、SAW は 99.29% の精度で転倒を予測できます。
詳細については、プロジェクト ページをご覧ください: https://evm7.github.io/Self-AWAre

要約(オリジナル)

As humanoid robots transition from labs to real-world environments, it is essential to democratize robot control for non-expert users. Recent human-robot imitation algorithms focus on following a reference human motion with high precision, but they are susceptible to the quality of the reference motion and require the human operator to simplify its movements to match the robot’s capabilities. Instead, we consider that the robot should understand and adapt the reference motion to its own abilities, facilitating the operator’s task. For that, we introduce a deep-learning model that anticipates the robot’s performance when imitating a given reference. Then, our system can generate multiple references given a high-level task command, assign a score to each of them, and select the best reference to achieve the desired robot behavior. Our Self-AWare model (SAW) ranks potential robot behaviors based on various criteria, such as fall likelihood, adherence to the reference motion, and smoothness. We integrate advanced motion generation, robot control, and SAW in one unique system, ensuring optimal robot behavior for any task command. For instance, SAW can anticipate falls with 99.29% accuracy. For more information check our project page: https://evm7.github.io/Self-AWare

arxiv情報

著者 Esteve Valls Mascaro,Dongheui Lee
発行日 2024-10-16 09:36:56+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO パーマリンク