論文の概要: UniCon: A Unified System for Efficient Robot Learning Transfers

• arxiv url: http://arxiv.org/abs/2601.14617v1
• Date: Wed, 21 Jan 2026 03:19:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.224844
• Title: UniCon: A Unified System for Efficient Robot Learning Transfers
• Title（参考訳）: UniCon: 効率的なロボット学習移行のための統合システム
• Abstract要約: UniConは、ステート、制御フロー、プラットフォーム間のインスツルメンテーションを標準化するフレームワークである。 従来の方法とは異なり、バッチ化されたベクトル化されたデータフローによって効率を優先する。 進行中の研究プロジェクトに統合され、実世界のシナリオにおいてその効果が証明されている。
• 参考スコア（独自算出の注目度）: 42.7467954513312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying learning-based controllers across heterogeneous robots is challenging due to platform differences, inconsistent interfaces, and inefficient middleware. To address these issues, we present UniCon, a lightweight framework that standardizes states, control flow, and instrumentation across platforms. It decomposes workflows into execution graphs with reusable components, separating system states from control logic to enable plug-and-play deployment across various robot morphologies. Unlike traditional middleware, it prioritizes efficiency through batched, vectorized data flow, minimizing communication overhead and improving inference latency. This modular, data-oriented approach enables seamless sim-to-real transfer with minimal re-engineering. We demonstrate that UniCon reduces code redundancy when transferring workflows and achieves higher inference efficiency compared to ROS-based systems. Deployed on over 12 robot models from 7 manufacturers, it has been successfully integrated into ongoing research projects, proving its effectiveness in real-world scenarios.
• Abstract（参考訳）: 不均一なロボットに学習ベースのコントローラを配置することは、プラットフォームの違い、一貫性のないインターフェース、非効率なミドルウェアのために困難である。 これらの問題に対処するため、UniConは、ステート、制御フロー、プラットフォーム間のインスツルメンテーションを標準化する軽量フレームワークである。 ワークフローを再利用可能なコンポーネントで実行グラフに分解し、システム状態と制御ロジックを分離して、さまざまなロボット形態のプラグアンドプレイデプロイを可能にする。 従来のミドルウェアとは異なり、バッチ化されたベクトル化されたデータフローによって効率を優先し、通信オーバーヘッドを最小限にし、推論遅延を改善する。 このモジュラーでデータ指向のアプローチは、最小限の再エンジニアリングでシームレスなsim-to-real転送を可能にする。 我々は、UniConがワークフロー転送時のコード冗長性を低減し、ROSベースのシステムと比較して高い推論効率を実現することを実証した。 7つのメーカーから12以上のロボットモデル上に展開され、現在進行中の研究プロジェクトに統合され、実世界のシナリオにおいてその効果が証明されている。

関連論文リスト

• FLARE: Diffusion for Hybrid Language Model [72.60770374799634]
  FLAREは、ハイブリッドアテンションな大規模言語モデルのための体系的な変換フレームワークである。 トークン平等なAR/拡散目標、ハードウェア対応カーネル、統一推論を組み合わせることで、ひとつのチェックポイントがARスタイルの検証された復号化と拡散スタイルの並列復号化の両方をサポートすることができる。 この結果から,実際のdLLMは復号化アルゴリズムだけでなく,データ品質や現在のブロック拡散目標のトレーニング非効率によって制限されていることが示唆された。
  論文  参考訳（メタデータ） (2026-06-01T06:58:15Z)
• XRZero-G0: Pushing the Frontier of Dexterous Robotic Manipulation with Interfaces, Quality and Ratios [10.349987856533723]
  XRZero-G0(XRZero-G0)は、データ収集とポリシー学習のためのハードウェアとソフトウェアの共同設計システムである。 我々は、目標となる物理ロボットにゼロショットのクロスボデーメント転送を可能にする2000時間ロボットフリーデータセットを構築した。
  論文  参考訳（メタデータ） (2026-04-14T17:34:21Z)
• One Interface, Many Robots: Unified Real-Time Low-Level Motion Planning for Collaborative Arms [8.276456155150138]
  本稿では,協調ロボットアームのリアルタイム低レベル動作計画のための共通インタフェースを提案する。 プログラムソルバとn次補間器を併用して,スムーズかつ連続的な微分可能な軌道を生成する。
  論文  参考訳（メタデータ） (2026-04-09T21:50:53Z)
• Robometer: Scaling General-Purpose Robotic Reward Models via Trajectory Comparisons [69.87766750714945]
  汎用ロボット報酬モデルは通常、専門家によるデモンストレーションから絶対的なタスク進捗を予測するために訓練される。 本稿では、軌道内進行監視と軌道間優先監視を組み合わせたスケーラブルな報酬モデリングフレームワークRobometerを紹介する。 ロビオメーターは、専門家データに報酬等級を固定するフレームレベルのプログレス・ロスと、グローバルな順序制約を課す軌跡比較優先損失という2つの目的で訓練されている。
  論文  参考訳（メタデータ） (2026-03-02T17:38:58Z)
• ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold Learning [31.000965640377128]
  ABot-M0は、システマティックデータキュレーションパイプラインを構築するフレームワークである。 これは不均一な生データを統一的で効率的な表現にエンドツーエンドに変換することを可能にする。 ABot-M0はデュアルストリーム機構を通じてモジュール認識をサポートする。
  論文  参考訳（メタデータ） (2026-02-11T16:47:01Z)
• DORA: Dataflow Oriented Robotic Architecture [17.8058013175612]
  本研究では,明示的なデータ依存仕様と効率的なゼロコピーデータ伝送を可能にするデータフロー指向型ロボットアーキテクチャ(DORA)を提案する。 提案するフレームワークをオープンソースシステムとして実装し,シミュレーションおよび実世界のロボット環境における広範な実験を通じて評価する。
  論文  参考訳（メタデータ） (2026-02-02T13:28:39Z)
• Lite VLA: Efficient Vision-Language-Action Control on CPU-Bound Edge Robots [0.6119773373677944]
  本研究は,移動ロボットに小型視覚言語モデル(VLM)を配置し,厳密な計算制約の下でリアルタイムのシーン理解と推論を実現することの実現可能性を示す。 移動性から知覚を分離する従来のアプローチとは異なり、提案フレームワークはオンボードハードウェアのみを使用して動的環境の同時移動と推論を可能にする。
  論文  参考訳（メタデータ） (2025-11-07T17:49:14Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• Pixel Motion Diffusion is What We Need for Robot Control [38.925028601732116]
  DAWNは言語条件のロボット操作のための統合拡散ベースのフレームワークである。 高レベルの動き意図と低レベルのロボット動作を、構造化されたピクセルの動き表現を介してブリッジする。 DAWNは、挑戦的なCALVINベンチマークで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-09-26T17:59:59Z)
• Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
  構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。 これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。 本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
  論文  参考訳（メタデータ） (2025-08-08T22:43:17Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• RobotDiffuse: Motion Planning for Redundant Manipulator based on Diffusion Model [13.110235244912474]
  冗長マニピュレータは、キネマティック性能と汎用性の向上を提供する。 これらのマニピュレータの動作計画は、DOFの増加と複雑な動的環境のために困難である。 本稿では,冗長マニピュレータにおける運動計画のための拡散モデルに基づくロボットディフューズを提案する。
  論文  参考訳（メタデータ） (2024-12-27T07:34:54Z)
• Bridging the Resource Gap: Deploying Advanced Imitation Learning Models onto Affordable Embedded Platforms [13.488752211167533]
  先進的な模倣学習アルゴリズムのエッジデバイスへの移行を容易にするパイプラインを提案する。 提案するパイプラインの効率性を示すため,大規模な模倣学習モデルがサーバ上で訓練され,エッジデバイス上に展開され,様々な操作処理が完了する。
  論文  参考訳（メタデータ） (2024-11-18T09:28:11Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• Relay-Assisted Cooperative Federated Learning [10.05493937334448]
  オーバー・ザ・エアの計算により、モバイルデバイスはローカルモデルを同時にアップロードできる。 無線チャネルの消失により、エッジサーバにおけるモデル集約誤差は、すべてのデバイスの中で最も弱いチャネルに支配される。 本稿では,トラグラー問題に効果的に対処するリレー支援型協調型FL方式を提案する。
  論文  参考訳（メタデータ） (2021-07-20T14:06:19Z)

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。