論文の概要: Look Before You Leap: Using Serialized State Machine for Language Conditioned Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2503.05114v1
• Date: Fri, 07 Mar 2025 03:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:20.045866
• Title: Look Before You Leap: Using Serialized State Machine for Language Conditioned Robotic Manipulation
• Title（参考訳）: 言語条件付きロボットマニピュレーションのためのシリアライズドステートマシン
• Authors: Tong Mu, Yihao Liu, Mehran Armand,
• Abstract要約: 本稿では,有限状態機械をシリアライズして実演を生成するフレームワークを提案する。 実験の結果,既存手法による制御条件と比較して,これらの課題において最大98の達成率が得られることがわかった。
• 参考スコア（独自算出の注目度）: 6.649586181283724
• License:
• Abstract: Imitation learning frameworks for robotic manipulation have drawn attention in the recent development of language model grounded robotics. However, the success of the frameworks largely depends on the coverage of the demonstration cases: When the demonstration set does not include examples of how to act in all possible situations, the action may fail and can result in cascading errors. To solve this problem, we propose a framework that uses serialized Finite State Machine (FSM) to generate demonstrations and improve the success rate in manipulation tasks requiring a long sequence of precise interactions. To validate its effectiveness, we use environmentally evolving and long-horizon puzzles that require long sequential actions. Experimental results show that our approach achieves a success rate of up to 98 in these tasks, compared to the controlled condition using existing approaches, which only had a success rate of up to 60, and, in some tasks, almost failed completely.
• Abstract（参考訳）: ロボット操作のための模倣学習フレームワークは近年,言語モデル基盤ロボットの開発に注目されている。 しかし、フレームワークの成功は、デモケースのカバレッジに大きく依存している。 デモセットがすべての可能な状況でどのように振る舞うかの例を含まない場合、アクションは失敗し、カスケードエラーを引き起こす可能性がある。 そこで本研究では,FSM(シリアライズされた有限状態機械)を用いて実演を生成するフレームワークを提案する。 その有効性を検証するために、長い連続的なアクションを必要とする環境変化と長期水平パズルを用いる。 実験の結果,既存手法を用いた制御条件と比較すると,これらのタスクでは最大98成功率を達成でき,60成功率に過ぎず,一部のタスクではほぼ完全に失敗することがわかった。

関連論文リスト

• Screw Geometry Meets Bandits: Incremental Acquisition of Demonstrations to Generate Manipulation Plans [9.600625243282618]
  本研究では,1回に1回に1回,十分な審美的デモンストレーションの集合を得るという課題について検討する。 実験結果から操作計画を生成するために, (i) スクリュー幾何表現を用いて, これらのオープンな問題に対処する新しい手法を提案する。 本研究は,2つの実例操作課題,すなわち注水とスクーピングに関する実験結果である。
  論文  参考訳（メタデータ） (2024-10-23T20:57:56Z)
• SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
  Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。 我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
  論文  参考訳（メタデータ） (2024-05-30T00:32:51Z)
• Self-Corrected Multimodal Large Language Model for End-to-End Robot Manipulation [30.54275273155153]
  MLLM (Multimodal Large Language Models) は、視覚的指示において有望であることを示す。 自己補正(SC)-MLLMを導入し、エンドエフェクタのポーズを予測するだけでなく、障害行動の自律的認識と修正も行う。 SC-MLLMは従来の最先端ロボットMLLM(ManipLLM)と比較して操作精度を著しく向上させる
  論文  参考訳（メタデータ） (2024-05-27T17:58:48Z)
• Unsupervised Learning of Effective Actions in Robotics [0.9374652839580183]
  ロボット工学における現在の最先端のアクション表現は、ロボットのアクションに対する適切な効果駆動学習を欠いている。 連続運動空間の離散化と「アクションプロトタイプ」生成のための教師なしアルゴリズムを提案する。 シミュレーションされた階段登上補強学習課題について,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-04-03T13:28:52Z)
• Towards Bridging the Gap between High-Level Reasoning and Execution on Robots [2.6107298043931206]
  例えば、タスク計画やGologを使ったエージェントプログラミングによってアクションを推論する場合、ロボットのアクションは一般的に抽象的なレベルでモデル化される。 しかし、そのような動作をロボットで実行すると、もはや原始的とは見なされない。 本稿では,このギャップを埋めるためのいくつかのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-30T12:26:12Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)
• One ACT Play: Single Demonstration Behavior Cloning with Action Chunking Transformers [11.875194596371484]
  人間は1つか2つのデモを見ただけで、複雑なタスクを完了させることを学ぶことができる。 我々の研究は、行動クローニングを使用して、人間の1つのデモンストレーションのみを与えられたタスクを学ぶことで、この能力をエミュレートすることを目指している。 本研究では,行動チャンキングエージェントが推論時に使用する時間的アンサンブル法に新たな付加法を開発した。
  論文  参考訳（メタデータ） (2023-09-18T21:50:26Z)
• Leveraging Sequentiality in Reinforcement Learning from a Single Demonstration [68.94506047556412]
  本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。 本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
  論文  参考訳（メタデータ） (2022-11-09T10:28:40Z)
• Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation [55.31301153979621]
  我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。 未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。 提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-28T16:18:54Z)
• Learning to Shift Attention for Motion Generation [55.61994201686024]
  ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。 以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。 この問題を克服する外挿能力を有するモーション生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-24T09:07:52Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。