ترجمه فارسی مقاله مقیاس یادگیری متقابل تجسم: یک سیاست برای دستکاری، ناوبری، حرکت و هوانوردی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Scaling Cross-Embodied Learning: One Policy for Manipulation, Navigation, Locomotion and Aviation
عنوان مقاله به فارسی مقیاس یادگیری متقابل تجسم: یک سیاست برای دستکاری، ناوبری، حرکت و هوانوردی
نویسندگان Ria Doshi, Homer Walke, Oier Mees, Sudeep Dasari, Sergey Levine
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Robotics,Machine Learning,روباتیک , یادگیری ماشین ,
توضیحات Submitted 21 August, 2024; originally announced August 2024. , Comments: Project website at https://crossformer-model.github.io/
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: وب سایت پروژه در https://crossformer-model.github.io/
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Modern machine learning systems rely on large datasets to attain broad generalization, and this often poses a challenge in robot learning, where each robotic platform and task might have only a small dataset. By training a single policy across many different kinds of robots, a robot learning method can leverage much broader and more diverse datasets, which in turn can lead to better generalization and robustness. However, training a single policy on multi-robot data is challenging because robots can have widely varying sensors, actuators, and control frequencies. We propose CrossFormer, a scalable and flexible transformer-based policy that can consume data from any embodiment. We train CrossFormer on the largest and most diverse dataset to date, 900K trajectories across 20 different robot embodiments. We demonstrate that the same network weights can control vastly different robots, including single and dual arm manipulation systems, wheeled robots, quadcopters, and quadrupeds. Unlike prior work, our model does not require manual alignment of the observation or action spaces. Extensive experiments in the real world show that our method matches the performance of specialist policies tailored for each embodiment, while also significantly outperforming the prior state of the art in cross-embodiment learning.

چکیده به فارسی (ترجمه ماشینی)

سیستم های یادگیری ماشین مدرن برای دستیابی به تعمیم گسترده به مجموعه داده های بزرگ متکی هستند ، و این اغلب در یادگیری ربات یک چالش را ایجاد می کند ، جایی که هر بستر و کار روباتیک ممکن است فقط یک مجموعه داده کوچک داشته باشد.با آموزش یک سیاست واحد در انواع مختلفی از روبات ها ، یک روش یادگیری ربات می تواند از مجموعه داده های بسیار گسترده تر و متنوع تر استفاده کند ، که به نوبه خود می تواند منجر به تعمیم بهتر و استحکام شود.با این حال ، آموزش یک خط مشی واحد در مورد داده های چند ربوت چالش برانگیز است زیرا روبات ها می توانند سنسورها ، محرک ها و فرکانس های کنترل بسیار متفاوتی داشته باشند.ما Crossformer ، یک خط مشی مقیاس پذیر و انعطاف پذیر مبتنی بر ترانسفورماتور را پیشنهاد می کنیم که می تواند داده ها را از هر تجسم مصرف کند.ما Crossformer را در بزرگترین و متنوع ترین مجموعه داده تا به امروز آموزش می دهیم ، 900K مسیر در 20 تجسم ربات مختلف.ما نشان می دهیم که همان وزن شبکه می تواند روبات های بسیار متفاوتی از جمله سیستم های دستکاری بازوی تک و دوگانه ، روبات های چرخ دار ، کوادکوپتر و چهار نفره را کنترل کند.بر خلاف کار قبلی ، مدل ما نیازی به تراز دستی فضاهای مشاهده یا عمل ندارد.آزمایش های گسترده در دنیای واقعی نشان می دهد که روش ما با عملکرد سیاست های تخصصی متناسب با هر تجسم مطابقت دارد ، در حالی که به طور قابل توجهی از وضعیت قبلی هنر در یادگیری متقابل استفاده می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.