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
• Authors: Yunfeng Lin, Li Xu, Yong Yu, Jiangmiao Pang, Weinan Zhang,
• 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

• 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)
• 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。