論文の概要: Fast Visuomotor Policy for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2510.12483v1
• Date: Tue, 14 Oct 2025 13:18:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.324487
• Title: Fast Visuomotor Policy for Robotic Manipulation
• Title（参考訳）: ロボットマニピュレーションのための高速振動子政策
• Authors: Jingkai Jia, Tong Yang, Xueyao Chen, Chenhuan Liu, Wenqiang Zhang,
• Abstract要約: エネルギー政策は、高周波ロボットタスクと資源制約システムのために設計されている。 単一のフォワードパスにおけるマルチモーダル動作を予測し、高速で高精度な操作を可能にする。 その結果、エネルギー政策は最先端の操作方法のパフォーマンスにマッチするか、超越しているかを示す。
• 参考スコア（独自算出の注目度）: 31.26284715644132
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a fast and effective policy framework for robotic manipulation, named Energy Policy, designed for high-frequency robotic tasks and resource-constrained systems. Unlike existing robotic policies, Energy Policy natively predicts multimodal actions in a single forward pass, enabling high-precision manipulation at high speed. The framework is built upon two core components. First, we adopt the energy score as the learning objective to facilitate multimodal action modeling. Second, we introduce an energy MLP to implement the proposed objective while keeping the architecture simple and efficient. We conduct comprehensive experiments in both simulated environments and real-world robotic tasks to evaluate the effectiveness of Energy Policy. The results show that Energy Policy matches or surpasses the performance of state-of-the-art manipulation methods while significantly reducing computational overhead. Notably, on the MimicGen benchmark, Energy Policy achieves superior performance with at a faster inference compared to existing approaches.
• Abstract（参考訳）: 本稿では,高頻度ロボットタスクと資源制約システムのために設計された,ロボット操作のための高速かつ効果的な政策フレームワークであるEnergy Policyを提案する。 既存のロボットポリシーとは異なり、エナジーポリシーは1つの前方通過におけるマルチモーダル動作をネイティブに予測し、高速で高精度な操作を可能にする。 このフレームワークは2つのコアコンポーネント上に構築されている。 まず,マルチモーダル・アクション・モデリングを容易にするための学習目的として,エネルギースコアを採用する。 第2に,アーキテクチャをシンプルかつ効率的に保ちつつ,提案する目的を実現するためのエネルギMLPを導入する。 我々は,シミュレーション環境と実世界のロボット作業の両方において総合的な実験を行い,エネルギー政策の有効性を評価する。 その結果, エネルギー政策は, 計算オーバーヘッドを著しく低減しつつ, 最先端の操作手法の性能に適合するか, 上回っていることがわかった。 特に、MimicGenベンチマークでは、Energy Policyは既存のアプローチに比べて高速な推論で優れたパフォーマンスを達成する。

関連論文リスト

• Compose Your Policies! Improving Diffusion-based or Flow-based Robot Policies via Test-time Distribution-level Composition [52.232968183793986]
  General Policy Composition (GPC) は、複数の事前学習されたポリシーの分布スコアを組み合わせることで、パフォーマンスを向上させる訓練のない手法である。 GPCは、さまざまなタスクセットにおけるパフォーマンスと適応性を一貫して改善します。
  論文  参考訳（メタデータ） (2025-10-01T16:05:53Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Riemannian Flow Matching Policy for Robot Motion Learning [5.724027955589408]
  本稿では,ロボットビジュモータポリシーの学習と合成のための新しいモデルを提案する。 RFMPはよりスムーズな行動軌跡を提供し,推論時間を大幅に短縮することを示した。
  論文  参考訳（メタデータ） (2024-03-15T20:48:41Z)
• Learning Robotic Manipulation Skills Using an Adaptive Force-Impedance Action Space [7.116986445066885]
  強化学習は、様々な困難な意思決定タスクにおいて、有望な結果をもたらしました。 高速な人間のような適応制御手法は複雑なロボットの相互作用を最適化するが、非構造化タスクに必要なマルチモーダルフィードバックを統合することができない。 本稿では,階層的学習と適応アーキテクチャにおける学習問題を要因として,両世界を最大限に活用することを提案する。
  論文  参考訳（メタデータ） (2021-10-19T12:09:02Z)
• Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
  本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。 エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
  論文  参考訳（メタデータ） (2021-05-19T01:58:10Z)
• Conv1D Energy-Aware Path Planner for Mobile Robots in Unstructured Environments [9.230959086746736]
  エネルギー消費は、困難な環境における移動ロボットのナビゲーションにおいて重要な役割を果たします。 本稿では,複雑な地形を横断するロボットの走行エネルギー消費量とエネルギー回収量を推定できるエネルギー認識経路プランナーの最初の結果について報告する。 この手法の新たな特徴は、1次元畳み込みニューラルネットワークを用いて、移動中にロボットが経験するのと同じ時間順に地形をシーケンシャルに解析することである。
  論文  参考訳（メタデータ） (2021-04-04T08:13:54Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。