論文の概要: Robot Learning with Sparsity and Scarcity

• arxiv url: http://arxiv.org/abs/2509.16834v1
• Date: Sat, 20 Sep 2025 23:18:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.998018
• Title: Robot Learning with Sparsity and Scarcity
• Title（参考訳）: スパーシティとスカーシティによるロボット学習
• Authors: Jingxi Xu,
• Abstract要約: 筆者は,(1)触覚センシングと(2)疎外感と疎外感を模したリハビリテーションロボットの2つの領域における選択された作品について論じる。 私の研究は、半教師付き、メタラーニング、生成AIメソッドを含む、最小限のデータで意図推論を可能にする機械学習アルゴリズムを開発している。
• 参考スコア（独自算出の注目度）: 1.9203862573160633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unlike in language or vision, one of the fundamental challenges in robot learning is the lack of access to vast data resources. We can further break down the problem into (1) data sparsity from the angle of data representation and (2) data scarcity from the angle of data quantity. In this thesis, I will discuss selected works on two domains: (1) tactile sensing and (2) rehabilitation robots, which are exemplars of data sparsity and scarcity, respectively. Tactile sensing is an essential modality for robotics, but tactile data are often sparse, and for each interaction with the physical world, tactile sensors can only obtain information about the local area of contact. I will discuss my work on learning vision-free tactile-only exploration and manipulation policies through model-free reinforcement learning to make efficient use of sparse tactile information. On the other hand, rehabilitation robots are an example of data scarcity to the extreme due to the significant challenge of collecting biosignals from disabled-bodied subjects at scale for training. I will discuss my work in collaboration with the medical school and clinicians on intent inferral for stroke survivors, where a hand orthosis developed in our lab collects a set of biosignals from the patient and uses them to infer the activity that the patient intends to perform, so the orthosis can provide the right type of physical assistance at the right moment. My work develops machine learning algorithms that enable intent inferral with minimal data, including semi-supervised, meta-learning, and generative AI methods.
• Abstract（参考訳）: 言語やビジョンとは異なり、ロボット学習の基本的な課題の1つは、膨大なデータリソースへのアクセスの欠如である。 さらに、(1)データ表現の角度からのデータ空間性、(2)データ量の角度からのデータ不足に分解することができる。 本論では,(1)触覚センシングと(2)データ空間の希薄さに代表されるリハビリテーションロボットの2つの分野について論じる。 触覚はロボティクスにとって必須のモダリティであるが、触覚データはしばしば疎外され、物理的世界との相互作用ごとに触覚センサは局所的な接触領域に関する情報しか得られない。 疎密な触覚情報を効率的に活用するためのモデルフリー強化学習を通して、視覚自由な触覚のみの探索と操作ポリシーの学習に関する私の研究について論じる。 一方、リハビリテーションロボットは、身体障害者から生体信号を集めることの難しさから、極端にデータ不足の例である。 本研究は,脳卒中生存者に対する意図的推論について,医学部や臨床医と共同で研究を行い,脳卒中生存者に対する意図的推論において,我々の研究室で開発された手指整形術が患者からのバイオシグナーのセットを収集し,患者が行おうとする活動の推測に使用する。 私の研究は、半教師付き、メタラーニング、生成AIメソッドを含む、最小限のデータで意図推論を可能にする機械学習アルゴリズムを開発している。

関連論文リスト

• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• Efficient Sensorimotor Learning for Open-world Robot Manipulation [6.1694031687146955]
  この論文は、効率的な感覚運動学習手法を用いて、オープンワールドロボットマニピュレーション問題に取り組む。 効率的な感覚運動学習を実現するための鍵は、限られた量の実演データに存在する規則的なパターンを活用することである。
  論文  参考訳（メタデータ） (2025-05-07T18:23:58Z)
• dARt Vinci: Egocentric Data Collection for Surgical Robot Learning at Scale [9.732963094538837]
  本稿では,手術環境におけるロボット学習のためのスケーラブルなデータ収集プラットフォームであるdARt Vinciを紹介する。 このシステムは、Augmented Reality(AR)ハンドトラッキングと高忠実度物理エンジンを使って、原始的な外科手術の微妙な操作を捉えている。
  論文  参考訳（メタデータ） (2025-03-07T18:07:54Z)
• Resolving Domain Shift For Representations Of Speech In Non-Invasive Brain Recordings [3.5297361401370044]
  脳磁図(MEG)を用いた非侵襲的データ収集に焦点を当てた。 私たちの知る限りでは、この研究はMEGニューロイメージングデータに基づく機能レベルの深層学習の初めての応用である。
  論文  参考訳（メタデータ） (2024-10-25T21:56:23Z)
• A Survey of Embodied Learning for Object-Centric Robotic Manipulation [27.569063968870868]
  オブジェクト中心のロボット操作のための身体学習は、AIの急速に発展し、挑戦的な分野である。 データ駆動機械学習とは異なり、具体化学習は環境との物理的相互作用を通じてロボット学習に焦点を当てる。
  論文  参考訳（メタデータ） (2024-08-21T11:32:09Z)
• RH20T: A Comprehensive Robotic Dataset for Learning Diverse Skills in One-Shot [56.130215236125224]
  オープンドメインでのロボット操作における重要な課題は、ロボットの多様性と一般化可能なスキルの獲得方法である。 単発模倣学習の最近の研究は、訓練されたポリシーを実証に基づく新しいタスクに移行する可能性を示唆している。 本稿では,エージェントがマルチモーダルな知覚で数百の現実世界のスキルを一般化する可能性を解き放つことを目的とする。
  論文  参考訳（メタデータ） (2023-07-02T15:33:31Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。