論文の概要: ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning

• arxiv url: http://arxiv.org/abs/2512.10946v1
• Date: Thu, 11 Dec 2025 18:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.571418
• Title: ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning
• Title（参考訳）: ImplicitRDP: 構造的スローファスト学習による終端から終端までの視覚力拡散政策
• Authors: Wendi Chen, Han Xue, Yi Wang, Fangyuan Zhou, Jun Lv, Yang Jin, Shirun Tang, Chuan Wen, Cewu Lu,
• Abstract要約: 本稿では,単一のネットワークに視覚計画と反応力制御を統合した,一貫したエンドツーエンドの視覚力拡散政策を提案する。 本稿では,非同期な視覚と力のトークンを同時に処理するための因果的注意力を利用した構造的スローフォールストラーニングを紹介する。 コンタクトリッチタスクの実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方で著しく優れていた。
• 参考スコア（独自算出の注目度）: 52.86018040861575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-level contact-rich manipulation relies on the distinct roles of two key modalities: vision provides spatially rich but temporally slow global context, while force sensing captures rapid, high-frequency local contact dynamics. Integrating these signals is challenging due to their fundamental frequency and informational disparities. In this work, we propose ImplicitRDP, a unified end-to-end visual-force diffusion policy that integrates visual planning and reactive force control within a single network. We introduce Structural Slow-Fast Learning, a mechanism utilizing causal attention to simultaneously process asynchronous visual and force tokens, allowing the policy to perform closed-loop adjustments at the force frequency while maintaining the temporal coherence of action chunks. Furthermore, to mitigate modality collapse where end-to-end models fail to adjust the weights across different modalities, we propose Virtual-target-based Representation Regularization. This auxiliary objective maps force feedback into the same space as the action, providing a stronger, physics-grounded learning signal than raw force prediction. Extensive experiments on contact-rich tasks demonstrate that ImplicitRDP significantly outperforms both vision-only and hierarchical baselines, achieving superior reactivity and success rates with a streamlined training pipeline. Code and videos will be publicly available at https://implicit-rdp.github.io.
• Abstract（参考訳）: 視覚は空間的に豊かだが時間的に遅いグローバルな文脈を提供し、力覚は高速で高周波な局所的な接触ダイナミクスを捉える。 これらの信号の統合は、基本周波数と情報格差のために困難である。 本研究では,単一のネットワークに視覚計画と反応力制御を統合した,エンドツーエンドの視覚力拡散政策であるImplicitRDPを提案する。 動作チャンクの時間的コヒーレンスを維持しつつ、動作周波数でクローズループ調整を行えるように、非同期視覚トークンとフォーストークンを同時に処理するための因果的注意を利用した構造的スローファストラーニングを導入する。 さらに,各モード間の重み調整に失敗した場合のモダリティ崩壊を軽減するために,仮想目標ベース表現正規化を提案する。 この補助目的写像は、力のフィードバックをアクションと同じ空間にマッピングし、原力予測よりも強い物理基底学習信号を提供する。 コンタクトリッチタスクに関する大規模な実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方を著しく上回り、より優れた反応性と成功率を、合理化されたトレーニングパイプラインで達成している。 コードとビデオはhttps://implicit-rdp.github.io.comで公開される。

関連論文リスト

• Inference-Time Gaze Refinement for Micro-Expression Recognition: Enhancing Event-Based Eye Tracking with Motion-Aware Post-Processing [2.5465367830324905]
  イベントベースの視線追跡は、きめ細かい認知状態の推測に重要な可能性を秘めている。 本稿では、既存の事象に基づく視線推定モデルの出力を高めるために、モデルに依存しない推論時間改善フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-14T14:48:11Z)
• ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation [62.58034332427291]
  ForceVLAは、新しいエンドツーエンド操作フレームワークである。 外部力センシングは、VLAシステム内の第一級のモダリティとして扱う。
  論文  参考訳（メタデータ） (2025-05-28T09:24:25Z)
• Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
  人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。 既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。 本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:58:21Z)
• Building a Multi-modal Spatiotemporal Expert for Zero-shot Action Recognition with CLIP [34.88916568947695]
  マルチテンポラルダイナミクスを理解するための新しいCLIフレームワークを提案する。 視覚面では,効率的なダイナミック・クロスショット・アテンションを提案する。 セマンティック側では、アクション知識グラフを構築してテキスト拡張を行う。
  論文  参考訳（メタデータ） (2024-12-13T06:30:52Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)

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。