1. Flow Matcher 클래스들ConditionalFlowMatcherfrom torchcfm import ConditionalFLowMatcher# initfm = ConditionalFlowMatcher(sigma=0.0)t, xt, ut = fm.sample_location_and_conditional_flow(x0=None, x1=data) ExactOptimalTransportConditionalFlowMatcherfrom torchcfm import ExactOptimalTransportConditionalFlowMatcher# 더 정교하고 계산 비용 높음fm_ot = ExactOptimalTransportConditionalFlowMatcher(sigma=0.0t, xt, ut = fm..

Diversity is All You Need : Learning Skills without a Reward FunctionBenjamin Eysenbach and Abhishek Gupta and Julian Ibarz and Sergey Levinehttps://arxiv.org/abs/1802.06070핵심 : DIAYN은 다양한 Skill을 비지도로 학습하기 위한 파이프라인이며 학습된 Skill들 중 어떤 것을 선택하고 조합할지는 그 이후의 추가 학습 (Hierarchical RL, Fine-tuning, Imitation Learning)에서 결정된다. Abstract지능적인 생명체는 감독 없이도 환경을 탐색하고 유용한 기술을 스스로 학습할 수 있다. 본 논문에서는 보상 함수 없이 유용한 기술(..

전세계 로봇 학회 중 가장 큰 학회 중 하나인 International Conference on Robotics and Automation (이하 ICRA)에서는 매년 사족보행로봇 챌린지(이하 QRC)라는 대회를 개최하곤 한다. 로보컵이나 DARPA처럼, 재난 상황에서도 잘 임무를 수행하는 로봇을 위한 기술을 개발하기 위해서 매우 도전적인 지형을 다니면서 미션을 수행하는 대회이다. 내가 속해있는 Urban Robotics Lab (이하 URL)에서는 매년 이 대회를 나가는데, 2023년 첫 대회에서는 큰 점수차로 우승을 하기도 해서(뉴스) ICRA QRC는 랩에서 큰 연례 행사이자 미션으로 여겨지곤 한다. 이 대회를 참가하기 위해서 개발한 모듈들이 연구실의 귀중한 원천기술이 되어서 다양한 과제 및 후속 ..

Hierarchical Tri-manual Planning for Vision-assisted Fruit Harvestingwith Quadrupedal RobotsZhichao Liu and Jingzong Zhou and Konstantinos Karydis2025 ICRAhttps://arxiv.org/abs/2409.17116 Hierarchical Tri-manual Planning for Vision-assisted Fruit Harvesting with Quadrupedal RobotsThis paper addresses the challenge of developing a multi-arm quadrupedal robot capable of efficiently harvesting frui..

석사 입학 지원서를 냈던 게 엊그제같은데 벌써 1학기가 끝났다. 1학기에 가장 열심히 한 것은 단연 ICRA Quadrupedal Robot Challenge(QRC)로 많은 것을 배웠고 개인적으로도 무척 특별한 시간이었다. 짧지만 압축적인 몇 달을 보내면서 드는 생각은 "연구자에게는 개인적인 로드맵이 필요하다"는 것이었다. 우리 랩에서는 2년차 이상의 석사과정 혹은 박사과정 선배님들이 연초에 을 발표하도록 하는데 그 발표에서 요구하는 것은 실로 한 연구자적 목표를 제시하는 것이다. 예를 들어 멀티 로봇 SLAM을 연구하시는 분이라면 "코엑스를 100대의 로봇으로 5분 안에 맵을 다 따는" 정도의 익스트림을 제시해야 한다. 나는 이곳에서 매우 막내로 하는 일도 별로 없기는 하지만 이런 나라도 석사과정의 ..

멀티센서를 사용하고 실시간성이 크리티컬하게 요구되는 상황에서콜백함수에 아무거나 넣지 말 것콜백함수가 전체 시스템을 느리게 동작하게 함콜백함수는 큐에 데이터를 넣기만 하고 timestamp로 토픽 싱크 맞추기특히 Odom을 같이 받고 있는 상황에서는, 더 높은 정확도를 위해서는 interpolation을 해줘야 할 수도 있음ROS 통신에서 시간이나 싱크 관련한 부분은 좀 더 면밀히 살펴보기 특히 메시지필터 : 이 친구 믿으면 안 됨멀티스레딩 잘 하기병목 생기는 구간 체크여러 Odom 데이터가 나오는 상황에서 내가 무슨 프레임 기준 Odom을 받고 있는지 꼭 항상 체크하기/{}_odom, /{}_odom_base, /{}_odom_grav ... 토픽 publisher/subscriber 시스템 도는 중간에..

그냥 Launch 파일로 켰을 때:특급 Launch 파일로 켰을 때:json{ "device": { "fw version": "05.13.00.50", "name": "Intel RealSense D435I", "product line": "D400" }, "parameters": { "aux-param-autoexposure-setpoint": "1536", "aux-param-colorcorrection1": "0.298828", "aux-param-colorcorrection10": "-0", "aux-param-colorcorrection11": "-0", "aux-param-col..

Flow matching (https://zzziito.tistory.com/153)은 디퓨젼과 함께 최근 확률적 러닝 모델 기반 생성 분야에서 주목받고 있는 방법이다. Flow matching은 확률 흐름 상미분 방정식 (Ordinary Differential Equation, ODE)을 기반으로 하며, 이 방법은 복잡한 데이터 분포를 단순한 분포(Ex. 가우시안)로 연속적으로 변형하는 벡터 필드를 학습한다. 데이터 분포와 단순한 분포 사이의 확률 흐름을 모델링하여 이 흐름을 따라 이동하는 궤적을 학습하고, 연속 정규화 흐름(Continuous Normalizing Flow, CNF)의 개념을 확장하여 적용했다. 디퓨젼 모델이 노이즈가 없는 이미지에 점진적으로 가우시안 노이즈를 추가하여 데이터를 손상시..

https://github.com/Weixy21/SafeDiffuser GitHub - Weixy21/SafeDiffuser: Safe Planning with Diffusion Probabilistic ModelsSafe Planning with Diffusion Probabilistic Models. Contribute to Weixy21/SafeDiffuser development by creating an account on GitHub.github.com Filetree# SafeDiffuser Project Structure├── LICENSE├── README.md├── azure/ # Azure 클라우드 관련 설정│ ├── Dockerfile│ ├── ..

SafeDiffuser: Safe Planning with Diffusion Probabilistic ModelsWei Xiao and Tsun-Hsuan Wang and Chuang Gan and Daniela Rushttps://arxiv.org/abs/2306.00148 SafeDiffuser: Safe Planning with Diffusion Probabilistic ModelsDiffusion model-based approaches have shown promise in data-driven planning, but there are no safety guarantees, thus making it hard to be applied for safety-critical applications...

Flow Matching for Generative ModelingYaron Lipman and Ricky T. Q. Chen and Heli Ben-Hamu and Maximilian Nickel and Matt Lehttps://arxiv.org/abs/2210.02747 Flow Matching for Generative ModelingWe introduce a new paradigm for generative modeling built on Continuous Normalizing Flows (CNFs), allowing us to train CNFs at unprecedented scale. Specifically, we present the notion of Flow Matching (FM),..

Planning with Diffusion for Flexible Behavior SynthesisMichael Janner and Yilun Du and Joshua B. Tenenbaum and Sergey Levinehttps://arxiv.org/abs/2205.09991 Planning with Diffusion for Flexible Behavior SynthesisModel-based reinforcement learning methods often use learning only for the purpose of estimating an approximate dynamics model, offloading the rest of the decision-making work to classic..