Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet 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 (engelsk)Inngår i: Proceedings of The 2nd Conference on Robot Learning, PMLR 87, 2018, s. 641-650Konferansepaper, Oral presentation with published abstract (Fagfellevurdert)
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.

sted, utgiver, år, opplag, sider
2018. s. 641-650
HSV kategori
Forskningsprogram
Datalogi
Identifikatorer
URN: urn:nbn:se:kth:diva-248396OAI: oai:DiVA.org:kth-248396DiVA, id: diva2:1302880
Konferanse
2nd Conference on Robot Learning, October 29th-31st, 2018, Zürich, Switzerland.
Merknad

QC 20190507

Tilgjengelig fra: 2019-04-07 Laget: 2019-04-07 Sist oppdatert: 2020-01-31bibliografisk kontrollert

Open Access i DiVA

fulltext(15286 kB)9 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 15286 kBChecksum SHA-512
b015629daab0dedc1ee150b00f5645100864174cfd3881b6f6fa3418c421d8e0d61f8cbdae04f29eeb2c3294ec053df623092f09bf5461008a5cd7f966716f69
Type fulltextMimetype application/pdf

Andre lenker

ConferenceProceedingsFull text

Personposter BETA

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

Søk i DiVA

Av forfatter/redaktør
Antonova, RikaKokic, MiaStork, Johannes A.Kragic, Danica
Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 9 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 339 treff
RefereraExporteraLink to record
Permanent link

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