ترجمه فارسی مقاله DynaMo: پیش فرض دینامیک دامنه برای کنترل ویسو-حرکتی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی DynaMo: In-Domain Dynamics Pretraining for Visuo-Motor Control
عنوان مقاله به فارسی DynaMo: پیش فرض دینامیک دامنه برای کنترل ویسو-حرکتی
نویسندگان Zichen Jeff Cui, Hengkai Pan, Aadhithya Iyer, Siddhant Haldar, Lerrel Pinto
فرمت مقاله انگلیسی PDF
تعداد صفحات 23
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Robotics,Artificial Intelligence,Computer Vision and Pattern Recognition,Machine Learning,روباتیک , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 18 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

Imitation learning has proven to be a powerful tool for training complex visuomotor policies. However, current methods often require hundreds to thousands of expert demonstrations to handle high-dimensional visual observations. A key reason for this poor data efficiency is that visual representations are predominantly either pretrained on out-of-domain data or trained directly through a behavior cloning objective. In this work, we present DynaMo, a new in-domain, self-supervised method for learning visual representations. Given a set of expert demonstrations, we jointly learn a latent inverse dynamics model and a forward dynamics model over a sequence of image embeddings, predicting the next frame in latent space, without augmentations, contrastive sampling, or access to ground truth actions. Importantly, DynaMo does not require any out-of-domain data such as Internet datasets or cross-embodied datasets. On a suite of six simulated and real environments, we show that representations learned with DynaMo significantly improve downstream imitation learning performance over prior self-supervised learning objectives, and pretrained representations. Gains from using DynaMo hold across policy classes such as Behavior Transformer, Diffusion Policy, MLP, and nearest neighbors. Finally, we ablate over key components of DynaMo and measure its impact on downstream policy performance. Robot videos are best viewed at https://dynamo-ssl.github.io

چکیده به فارسی (ترجمه ماشینی)

ثابت شده است که یادگیری تقلید ابزاری قدرتمند برای آموزش سیاستهای دیداری پیچیده است.با این حال ، روش های فعلی اغلب برای انجام مشاهدات بصری با ابعاد بالا ، صدها تا هزاران تظاهرات متخصص به صدها تا هزاران تظاهرات متخصص نیاز دارند.یک دلیل مهم برای این راندمان ضعیف داده این است که بازنمایی های بصری عمدتاً بر روی داده های خارج از دامنه پیش بینی می شوند یا مستقیماً از طریق یک هدف کلون سازی رفتار آموزش می گیرند.در این کار ، ما Dynamo ، یک روش جدید در دامنه خود را برای یادگیری بازنمایی های بصری ارائه می دهیم.با توجه به مجموعه ای از تظاهرات تخصصی ، ما به طور مشترک یک مدل دینامیک معکوس نهفته و یک مدل دینامیک رو به جلو را بر روی دنباله ای از تعبیه های تصویر می آموزیم ، قاب بعدی را در فضای نهفته ، بدون تقویت ، نمونه گیری متضاد یا دسترسی به اقدامات حقیقت زمین پیش بینی می کنیم.نکته مهم ، Dynamo نیازی به داده های خارج از دامنه مانند مجموعه داده های اینترنتی یا مجموعه داده های متقاطع ندارد.در مجموعه ای از شش محیط شبیه سازی شده و واقعی ، ما نشان می دهیم که بازنمایی های آموخته شده با دینام به طور قابل توجهی عملکرد یادگیری تقلید در پایین دست را نسبت به اهداف یادگیری خود تحت نظارت قبلی و بازنمایی های پیش ساخته بهبود می بخشند.سود حاصل از استفاده از دینامو در کلاسهای سیاست مانند ترانسفورماتور رفتار ، سیاست انتشار ، MLP و نزدیکترین همسایگان است.سرانجام ، ما از مؤلفه های کلیدی دینام استفاده می کنیم و تأثیر آن را بر عملکرد سیاست پایین دست اندازه می گیریم.فیلم های ربات به بهترین وجه در https://dynamo-sl.github.io مشاهده می شوند

📚 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.