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
• 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

• Managing Task Execution for Unknown Workloads in Batteryless IoT: A Hardware-Agnostic Evaluation [2.435798495038311]
  IoT(Internet of Things)パラダイムは、バッテリレスでエネルギーを節約するアーキテクチャへとシフトしている。 従来のエネルギ対応スケジューラは、静的実行しきい値に依存するため、予測不可能なワークロードに苦労する。 アプリケーションをブラックボックスとして扱う2つの新しいハードウェアに依存しない動的スケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2026-06-23T09:27:59Z)
• PCHC: Enabling Preference Conditioned Humanoid Control via Multi-Objective Reinforcement Learning [50.63196995993855]
  多目的強化学習(MORL)を活用してPCHC(Preference-Conditioned Humanoid Control)を実現する新しいフレームワークを提案する。 当社のフレームワークは、単一の嗜好条件のポリシーを多種多様な行動を示すために有効である。
  論文  参考訳（メタデータ） (2026-03-25T07:55:37Z)
• EnergyAction: Unimanual to Bimanual Composition with Energy-Based Models [73.21721376238233]
  EnergyActionは、一元的操作ポリシーを二元的タスクに合成する新しいフレームワークである。 まず,個々の一元的政策をEMMとしてモデル化し,その構成特性を利用して左腕と右腕の動作を構成する。 第2に,エネルギー制約を通した時空間協調機構を導入する。 第3に,行動品質評価に基づいて動的に認知段階を適応させる2つの異なるエネルギー認知型認知戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-09T04:50:17Z)
• Energy-Aware Reinforcement Learning for Robotic Manipulation of Articulated Components in Infrastructure Operation and Maintenance [4.019133420452149]
  本稿では,インテリジェントインフラストラクチャO&Mにおけるロボット操作のための,音節に依存しない,エネルギーを意識した強化学習フレームワークを提案する。 この方法は、部分誘導3次元知覚、重み付き点サンプリング、およびPointNetベースの符号化を組み合わせて、コンパクトな幾何学的表現を得る。 代表的なO&Mタスクの実験では、エネルギー消費が16%～30%減少し、成功へのステップが16%～32%減少した。
  論文  参考訳（メタデータ） (2026-01-25T18:19:16Z)
• Energy-Efficient Omnidirectional Locomotion for Wheeled Quadrupeds via Predictive Energy-Aware Nominal Gait Selection [17.713242307107166]
  本稿では,車輪付き四足歩行ロボットの全方向効率を最適化するために,予測パワーモデリングと残留強化学習を統合した階層型制御フレームワークを提案する。 提案手法では,1秒の地平線上での歩行パターンの異なるエネルギー消費を予測できる新しい電力予測ネットワークを用いる。 強化学習ポリシーは、この名目歩行に残留的な調整を生成し、エネルギー効率と性能目標とのバランスをとるためのロボットの動作を微調整する。
  論文  参考訳（メタデータ） (2025-12-23T09:56:35Z)
• 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)
• Reparameterized Policy Learning for Multimodal Trajectory Optimization [61.13228961771765]
  本研究では,高次元連続行動空間における強化学習のためのパラメータ化政策の課題について検討する。 本稿では,連続RLポリシーを最適軌道の生成モデルとしてモデル化する原理的フレームワークを提案する。 本稿では,マルチモーダルポリシーパラメータ化と学習世界モデルを活用した実用的モデルベースRL手法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T09:05:46Z)
• 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)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• 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。