Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

COBRA-PPM: Una arquitectura de razonamiento bayesiano causal que utiliza programación probabilística para la manipulación de robots en condiciones de incertidumbre

Created by
  • Haebom

Autor

Ricardo Cannizzaro, Michael Groom, Jonathan Routley, Robert Osazuwa Ness, Lars Kunze

Describir

COBRA-PPM es una novedosa arquitectura de inferencia bayesiana causal que combina redes bayesianas causales y programación probabilística para realizar inferencia intervencionista en la manipulación robótica bajo incertidumbre. Su funcionalidad se demuestra mediante experimentos de alta fidelidad basados ​​en Gazebo, que predicen resultados de manipulación con alta precisión (precisión de predicción: 88,6 %) en una tarea de apilamiento de bloques y realizan una selección subóptima voraz con una tasa de éxito del 94,2 %. Además, la transferencia sim2real se demuestra en un robot doméstico, demostrando su eficacia en el manejo de la incertidumbre del mundo real causada por el ruido del sensor y el comportamiento probabilístico. Este marco generalizable y escalable admite diversos escenarios de manipulación y sienta las bases para futuras investigaciones en la intersección de la robótica y la causalidad.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos una nueva arquitectura que maneja eficazmente la incertidumbre en la manipulación robótica aprovechando la inferencia bayesiana causal.
◦
Alta precisión de predicción y tasa de éxito de tareas verificadas experimentalmente.
◦
Demostración de aplicabilidad en el mundo real a través de la transferencia sim2real.
◦
Proporciona un marco generalizado aplicable a varios escenarios de operación.
•
Limitations:
◦
Sólo se presentan resultados experimentales para una tarea específica, apilamiento de bloques, por lo que se necesita más investigación para determinar la generalización.
◦
La verificación de robustez es necesaria para situaciones inesperadas que puedan surgir en aplicaciones del mundo real.
◦
Se necesita más investigación sobre la escalabilidad y aplicabilidad del marco a tareas complejas.
👍
Made with Slashpage