Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Global Search with Bernoulli Alternation Kernel for Task-oriented Grasping Informed by Simulation
KTH, Skolan för elektroteknik och datavetenskap (EECS), Centra, Centrum för autonoma system, CAS. KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL.ORCID-id: 0000-0002-3018-2445
KTH, Skolan för elektroteknik och datavetenskap (EECS), Centra, Centrum för autonoma system, CAS. KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL.
KTH, Skolan för elektroteknik och datavetenskap (EECS), Centra, Centrum för autonoma system, CAS. KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL.ORCID-id: 0000-0003-3958-6179
KTH, Skolan för elektroteknik och datavetenskap (EECS), Centra, Centrum för autonoma system, CAS. KTH, Skolan för elektroteknik och datavetenskap (EECS), Robotik, perception och lärande, RPL.ORCID-id: 0000-0003-2965-2953
2018 (Engelska)Ingår i: Proceedings of The 2nd Conference on Robot Learning, PMLR 87, 2018, s. 641-650Konferensbidrag, Muntlig presentation med publicerat abstract (Refereegranskat)
Abstract [en]

We develop an approach that benefits from large simulated datasets and takes full advantage of the limited online data that is most relevant. We propose a variant of Bayesian optimization that alternates between using informed and uninformed kernels. With this Bernoulli Alternation Kernel we ensure that discrepancies between simulation and reality do not hinder adapting robot control policies online. The proposed approach is applied to a challenging real-world problem of task-oriented grasping with novel objects. Our further contribution is a neural network architecture and training pipeline that use experience from grasping objects in simulation to learn grasp stability scores. We learn task scores from a labeled dataset with a convolutional network, which is used to construct an informed kernel for our variant of Bayesian optimization. Experiments on an ABB Yumi robot with real sensor data demonstrate success of our approach, despite the challenge of fulfilling task requirements and high uncertainty over physical properties of objects.

Ort, förlag, år, upplaga, sidor
2018. s. 641-650
Nationell ämneskategori
Datorsystem
Forskningsämne
Datalogi
Identifikatorer
URN: urn:nbn:se:kth:diva-248396OAI: oai:DiVA.org:kth-248396DiVA, id: diva2:1302880
Konferens
2nd Conference on Robot Learning, October 29th-31st, 2018, Zürich, Switzerland.
Anmärkning

QC 20190507

Tillgänglig från: 2019-04-07 Skapad: 2019-04-07 Senast uppdaterad: 2020-01-31Bibliografiskt granskad

Open Access i DiVA

fulltext(15286 kB)9 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 15286 kBChecksumma SHA-512
b015629daab0dedc1ee150b00f5645100864174cfd3881b6f6fa3418c421d8e0d61f8cbdae04f29eeb2c3294ec053df623092f09bf5461008a5cd7f966716f69
Typ fulltextMimetyp application/pdf

Övriga länkar

ConferenceProceedingsFull text

Personposter BETA

Antonova, RikaKokic, MiaStork, Johannes A.Kragic, Danica

Sök vidare i DiVA

Av författaren/redaktören
Antonova, RikaKokic, MiaStork, Johannes A.Kragic, Danica
Av organisationen
Centrum för autonoma system, CASRobotik, perception och lärande, RPL
Datorsystem

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 9 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 357 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf