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
• 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

• A Hierarchical Approach to Imitation Learning for Manipulation Tasks Requiring Time Varying Forces [14.372073538832803]
  高速軌道生成(DPA-FTG)による拡散政策の導入 位置補正に焦点を当てた最近の視覚触覚アプローチと比較して、DPA-FTGは高周波力規制から低周波計画を切り離す。 本研究は,適合シートの分離を含む両面電池解体作業に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2026-08-04T04:21:00Z)
• UniFS: Unified Fast-to-Slow Hierarchical Architecture for Vision-Language-Action Models [15.95393143175101]
  視覚言語モデルのための統合型高速・低速アーキテクチャUniFSを紹介する。 VLA-Adapterベースラインを2.5%上回る平均成功率は98.3%)。 LIBEROの実験では、UniFSは最先端のパフォーマンスを達成する(平均成功率98.3%、VLA-Adapterベースラインよりも2.5%)。
  論文  参考訳（メタデータ） (2026-06-22T03:10:19Z)
• ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching [53.30290192030814]
  ForceFlowは、フローマッチングに基づいて構築された、フォース対応のリアクティブフレームワークである。 ForceFlowは、強力なベースラインであるForceVLAよりも37%の成功率の向上を実現している。 また、接触力の自己調節において、正確な力信号予測と優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-11T13:27:00Z)
• F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
  非同期推論はロボット操作における主要なパラダイムとして現れている。 本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。 本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-04-02T17:57:15Z)
• Knowledge-Guided Manipulation Using Multi-Task Reinforcement Learning [43.715148652244864]
  KG-M3POは、知覚、知識、ポリシーを統一する部分的に観察可能な設定でマルチタスクロボット操作を行うためのフレームワークである。 オンラインの3Dシーングラフは、オープン語彙の検出を計量的、リレーショナルな表現に変換する。
  論文  参考訳（メタデータ） (2026-03-25T08:41:32Z)
• FASTER: Rethinking Real-Time Flow VLAs [82.58822112377923]
  VLA(Vision-Language-Action)モデルを物理世界に展開するには、リアルタイム実行が不可欠である。 反応時間は、TTFA(Time to First Action)と実行地平線によって決定される一様分布に従っていることを示す。 即時反応のための高速動作サンプリング(FASTER)を提案し,この問題を克服する。
  論文  参考訳（メタデータ） (2026-03-19T17:51:37Z)
• AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge [49.66156306240961]
  高レイテンシは制御ループを壊し、リアルタイムデプロイメントでは安全でない強力なモデルをレンダリングする。 リアクティブ実行からセマンティック推論を分離する非同期制御フレームワークであるAsyncVLAを提案する。 AsyncVLAは、最先端のベースラインよりも40%高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-13T21:31:19Z)
• DynaPURLS: Dynamic Refinement of Part-aware Representations for Skeleton-based Zero-Shot Action Recognition [51.80782323686666]
  textbfDynaPURLSは、堅牢でマルチスケールなビジュアル・セマンティック対応を確立する統一的なフレームワークである。 我々のフレームワークは、グローバルな動きと局所的な身体部分のダイナミクスの両方を含む階層的なテキスト記述を生成するために、大きな言語モデルを活用する。 NTU RGB+D 60/120とPKU-MMDを含む3つの大規模ベンチマークデータセットの実験は、DynaPURLSが先行技術よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-12-12T10:39:10Z)
• 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)
• STAF: Sinusoidal Trainable Activation Functions for Implicit Neural Representation [7.2888019138115245]
  Inlicit Neural Representations (INR) は、連続的な信号をモデリングするための強力なフレームワークとして登場した。 ReLUベースのネットワークのスペクトルバイアスは、十分に確立された制限であり、ターゲット信号の微細な詳細を捕捉する能力を制限する。 Sinusoidal Trainable Function Activation (STAF)について紹介する。 STAFは本質的に周波数成分を変調し、自己適応型スペクトル学習を可能にする。
  論文  参考訳（メタデータ） (2025-02-02T18:29:33Z)
• Remote Inference over Dynamic Links via Adaptive Rate Deep Task-Oriented Vector Quantization [24.064287427162345]
  本稿では、動的リンク上のリモート推論に適した学習圧縮機構である適応レートタスク指向ベクトル量子化(ARTOVeQ)を提案する。 我々は、ARTOVeQが連続的な改良原理によって徐々に洗練される低レイテンシ推論をサポートするように拡張されていることを示す。 数値的な結果から,提案手法は複数のレートで動作し,幅広いビット予算をサポートする遠隔深部推論を実現し,より多くのビットを交換して徐々に改善する高速推論を容易にする。
  論文  参考訳（メタデータ） (2025-01-05T12:38:13Z)
• 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。