論文の概要: MTF-Grasp: A Multi-tier Federated Learning Approach for Robotic Grasping

• arxiv url: http://arxiv.org/abs/2507.10158v1
• Date: Mon, 14 Jul 2025 11:17:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.762297
• Title: MTF-Grasp: A Multi-tier Federated Learning Approach for Robotic Grasping
• Title（参考訳）: MTF-Grasp: ロボットグラスピングのための多層フェデレーション学習手法
• Authors: Obaidullah Zaland, Erik Elmroth, Monowar Bhuyan,
• Abstract要約: Federated Learning(FL)は、プライバシ保護と協調的なモデルのトレーニングを可能にする機械学習パラダイムである。 MTF-Graspは,ロボット間の非IIDデータ分散がもたらす固有の課題を認識し,多層FLアプローチである。 提案手法は,量スキュードコーネルとジャカードの把握データセットにおいて,従来のFLセットアップを最大8%向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is a promising machine learning paradigm that enables participating devices to train privacy-preserved and collaborative models. FL has proven its benefits for robotic manipulation tasks. However, grasping tasks lack exploration in such settings where robots train a global model without moving data and ensuring data privacy. The main challenge is that each robot learns from data that is nonindependent and identically distributed (non-IID) and of low quantity. This exhibits performance degradation, particularly in robotic grasping. Thus, in this work, we propose MTF-Grasp, a multi-tier FL approach for robotic grasping, acknowledging the unique challenges posed by the non-IID data distribution across robots, including quantitative skewness. MTF-Grasp harnesses data quality and quantity across robots to select a set of "top-level" robots with better data distribution and higher sample count. It then utilizes top-level robots to train initial seed models and distribute them to the remaining "low-level" robots, reducing the risk of model performance degradation in low-level robots. Our approach outperforms the conventional FL setup by up to 8% on the quantity-skewed Cornell and Jacquard grasping datasets.
• Abstract（参考訳）: Federated Learning(FL)は、参加するデバイスがプライバシ保護された協調モデルのトレーニングを可能にする、有望な機械学習パラダイムである。 FLはロボット操作タスクの利点を証明している。 しかし、データの移動やデータのプライバシの確保を伴わずに、ロボットがグローバルモデルのトレーニングを行うような環境では、タスクを把握できない。 主な課題は、各ロボットが非独立で同一に分散した(非IID)低量のデータから学習することである。 これは特にロボットの把握において性能劣化を示す。 そこで本研究では,ロボット間における非IIDデータ分散による独特な課題を定量的に把握する,多層FLアプローチであるMTF-Graspを提案する。 MTF-Graspは、ロボット間でのデータ品質と量を利用して、より優れたデータ分散とより高いサンプル数を持つ「トップレベル」ロボットのセットを選択する。 次に、トップレベルのロボットを使用して初期シードモデルをトレーニングし、残りの「低レベルの」ロボットに配布することで、低レベルのロボットのモデル性能劣化のリスクを低減する。 提案手法は,量スキュードのコーネルとジャカードの把握データセットにおいて,従来のFLセットアップを最大8%向上させる。

関連論文リスト

• GR00T N1: An Open Foundation Model for Generalist Humanoid Robots [133.23509142762356]
  汎用ロボットには多目的体と知的な心が必要だ。 近年のヒューマノイドロボットの進歩は、汎用的な自律性を構築するためのハードウェアプラットフォームとして大きな可能性を秘めている。 我々はヒューマノイドロボットのオープン基盤モデルであるGR00T N1を紹介する。
  論文  参考訳（メタデータ） (2025-03-18T21:06:21Z)
• Fed-EC: Bandwidth-Efficient Clustering-Based Federated Learning For Autonomous Visual Robot Navigation [7.8839937556789375]
  Federated-EmbedCluster (Fed-EC) は、さまざまな屋外環境で視覚ベースの自律ロボットナビゲーションを備えたクラスタリングベースのフェデレーション学習フレームワークである。 Fed-ECは、目標指向ナビゲーションの集中学習性能に適合しながら、各ロボットの通信サイズを23倍に削減し、局所学習より優れる。
  論文  参考訳（メタデータ） (2024-11-06T18:44:09Z)
• $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
  本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。 我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-31T17:22:30Z)
• Re-Mix: Optimizing Data Mixtures for Large Scale Imitation Learning [25.359270812682155]
  ロボット基礎モデル事前学習のためのロボットデータセットの異なるサブセットやドメインの重み付けについて検討する。 我々の手法であるRe-Mixは、ロボットデータセットにDROを適用する際に生じる幅広い課題に対処する。
  論文  参考訳（メタデータ） (2024-08-26T06:14:25Z)
• AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
  AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。 われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。 実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
  論文  参考訳（メタデータ） (2024-01-23T18:45:54Z)
• Grasping Student: semi-supervised learning for robotic manipulation [0.7282230325785884]
  本研究では,ロボットとのインタラクションを伴わずに収集する製品画像を利用した半教師付き把握システムの設計を行う。 少数のロボットトレーニングサンプルの体制では、ラベルのないデータを活用することで、10倍のデータセットサイズでパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2023-03-08T09:03:11Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)

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。