論文の概要: A Survey on Imitation Learning for Contact-Rich Tasks in Robotics

• arxiv url: http://arxiv.org/abs/2506.13498v1
• Date: Mon, 16 Jun 2025 13:55:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.598158
• Title: A Survey on Imitation Learning for Contact-Rich Tasks in Robotics
• Title（参考訳）: ロボットにおけるコンタクトリッチタスクの模倣学習に関する調査研究
• Authors: Toshiaki Tsuji, Yasuhiro Kato, Gokhan Solak, Heng Zhang, Tadej Petrič, Francesco Nori, Arash Ajoudani,
• Abstract要約: 本稿では、微妙な相互作用のダイナミクスを捉えるのに欠かせない指導方法や感覚モダリティを含む実証収集手法について検討する。 マルチモーダル学習と基礎モデルの最近の進歩は、産業、家庭、医療領域にまたがる複雑なコンタクトタスクの性能を著しく向上させてきた。
• 参考スコア（独自算出の注目度）: 12.234016729420768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper comprehensively surveys research trends in imitation learning for contact-rich robotic tasks. Contact-rich tasks, which require complex physical interactions with the environment, represent a central challenge in robotics due to their nonlinear dynamics and sensitivity to small positional deviations. The paper examines demonstration collection methodologies, including teaching methods and sensory modalities crucial for capturing subtle interaction dynamics. We then analyze imitation learning approaches, highlighting their applications to contact-rich manipulation. Recent advances in multimodal learning and foundation models have significantly enhanced performance in complex contact tasks across industrial, household, and healthcare domains. Through systematic organization of current research and identification of challenges, this survey provides a foundation for future advancements in contact-rich robotic manipulation.
• Abstract（参考訳）: 本稿では,コンタクトリッチロボット作業における模倣学習の研究動向を包括的に調査する。 環境との複雑な物理的相互作用を必要とするコンタクトリッチなタスクは、その非線形力学と小さな位置ずれに対する感度のため、ロボット工学における中心的な課題である。 本稿では、微妙な相互作用のダイナミクスを捉えるのに欠かせない指導方法や感覚モダリティを含む実証収集手法について検討する。 次に、模倣学習のアプローチを分析し、コンタクトリッチな操作への応用を強調します。 マルチモーダル学習と基礎モデルの最近の進歩は、産業、家庭、医療領域にまたがる複雑なコンタクトタスクの性能を著しく向上させてきた。 現在の研究の体系化と課題の特定を通じて、この調査は、コンタクトリッチなロボット操作の今後の進歩の基礎を提供する。

関連論文リスト

• Few-Shot Vision-Language Action-Incremental Policy Learning [55.07841353049953]
  トランスフォーマーに基づくロボット操作手法は,多視点空間表現と言語命令を用いてロボットの運動軌跡を学習する。 既存のメソッドには、いくつかのデモだけで新しいタスクを継続的に学習する能力がない。 我々はこれらの問題に対処するタスク-prOmpt graPh evolutIon poliCy (TOPIC) を開発した。
  論文  参考訳（メタデータ） (2025-04-22T01:30:47Z)
• Dexterous Manipulation through Imitation Learning: A Survey [28.04590024211786]
  イミテーションラーニング(IL)は、ロボットが専門家によるデモンストレーションから直接巧妙な操作スキルを習得できるようにすることによって、代替手段を提供する。 ILは、明示的なモデリングと大規模な試行錯誤の必要性を回避しながら、きめ細かい調整と接触ダイナミクスをキャプチャする。 私たちのゴールは、研究者や実践者たちに、この急速に進化する領域の包括的紹介を提供することです。
  論文  参考訳（メタデータ） (2025-04-04T15:14:38Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• Twisting Lids Off with Two Hands [82.21668778600414]
  シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。 具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。 これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• RObotic MAnipulation Network (ROMAN) $\unicode{x2013}$ Hybrid Hierarchical Learning for Solving Complex Sequential Tasks [70.69063219750952]
  ロボットマニピュレーションネットワーク(ROMAN)のハイブリッド階層型学習フレームワークを提案する。 ROMANは、行動クローニング、模倣学習、強化学習を統合することで、タスクの汎用性と堅牢な障害回復を実現する。 実験結果から,これらの専門的な操作専門家の組織化と活性化により,ROMANは高度な操作タスクの長いシーケンスを達成するための適切なシーケンシャルなアクティベーションを生成することがわかった。
  論文  参考訳（メタデータ） (2023-06-30T20:35:22Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• Deep Reinforcement Learning for Contact-Rich Skills Using Compliant Movement Primitives [0.0]
  産業用ロボットのさらなる統合は、柔軟性、適応性、意思決定スキルの制限によって妨げられている。 収束と一般化を容易にする異なるプルーニング手法を提案する。 提案手法は,空間,サイズ,形状,および密接に関連するシナリオに不変な挿入スキルを学習できることを実証する。
  論文  参考訳（メタデータ） (2020-08-30T17:29:43Z)

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。