論文の概要: Hierarchical Proportion Models for Motion Generation via Integration of Motion Primitives

• arxiv url: http://arxiv.org/abs/2602.03188v1
• Date: Tue, 03 Feb 2026 06:57:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.122986
• Title: Hierarchical Proportion Models for Motion Generation via Integration of Motion Primitives
• Title（参考訳）: モーションプリミティブの統合による動き生成のための階層的確率モデル
• Abstract要約: イミテーション・ラーニング(IL)は、ロボットがデモから人間のような動きのスキルを習得することを可能にする。 本研究では、動きプリミティブと比例に基づく動き合成を統合する階層型ILフレームワークを提案する。 学習の柔軟性、計算コスト、適応性の間のトレードオフを検討するために、3つのモデル変種が導入された。
• 参考スコア（独自算出の注目度）: 0.09558392439655013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imitation learning (IL) enables robots to acquire human-like motion skills from demonstrations, but it still requires extensive high-quality data and retraining to handle complex or long-horizon tasks. To improve data efficiency and adaptability, this study proposes a hierarchical IL framework that integrates motion primitives with proportion-based motion synthesis. The proposed method employs a two-layer architecture, where the upper layer performs long-term planning, while a set of lower-layer models learn individual motion primitives, which are combined according to specific proportions. Three model variants are introduced to explore different trade-offs between learning flexibility, computational cost, and adaptability: a learning-based proportion model, a sampling-based proportion model, and a playback-based proportion model, which differ in how the proportions are determined and whether the upper layer is trainable. Through real-robot pick-and-place experiments, the proposed models successfully generated complex motions not included in the primitive set. The sampling-based and playback-based proportion models achieved more stable and adaptable motion generation than the standard hierarchical model, demonstrating the effectiveness of proportion-based motion integration for practical robot learning.
• Abstract（参考訳）: イミテーション・ラーニング(IL)は、ロボットがデモから人間のような動きのスキルを習得することを可能にするが、複雑なタスクや長距離タスクを扱うためには、まだまだ大量の高品質なデータと再訓練が必要である。 本研究では,データ効率と適応性を改善するために,動きプリミティブと比例に基づく動き合成を統合する階層型ILフレームワークを提案する。 提案手法は,上層層が長期計画を行う2層アーキテクチャを用いており,下層モデルの集合は個々の動きプリミティブを学習する。 学習の柔軟性,計算コスト,適応性の相違を検討するために,学習ベース比例モデル,サンプリングベース比例モデル,再生ベース比例モデルという3つのモデルモデルが導入された。 実ロボットのピック・アンド・プレイス実験を通じて、提案したモデルはプリミティブ・セットに含まれない複雑な動きをうまく生成した。 サンプリングベースおよび再生ベース比例モデルは、標準的な階層モデルよりも安定かつ適応可能な運動生成を実現し、実用的なロボット学習における比例ベースの運動積分の有効性を実証した。

関連論文リスト

• EnsAug: Augmentation-Driven Ensembles for Human Motion Sequence Analysis [1.2922946578413579]
  本稿では,アンサンブル内でモデル多様性を育むために,戦略的に拡張を利用する新たなトレーニングパラダイムであるEnsAugを紹介する。 提案手法では,1つの異なる幾何学的変換のみを用いて,元のデータセットから各モデルを学習する専門家のアンサンブルを訓練する。 手話と人間の活動認識ベンチマークの実験は、我々の多様化したアンサンブル手法が標準的実践を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-02T03:35:15Z)
• GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
  本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。 我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。 我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
  論文  参考訳（メタデータ） (2025-05-02T17:59:55Z)
• Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
  本稿では,低次元物理モデル学習のための合理化手法を提案する。 各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。 物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2024-10-31T18:37:22Z)
• Comparative Evaluation of Learning Models for Bionic Robots: Non-Linear Transfer Function Identifications [0.0]
  ロボットダイナミクスの制御とモデリングは、機械学習を用いたモデルフリー制御戦略をますます採用している。 本研究では,モデルフリー制御の適用のための総合的な評価戦略とフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T17:00:23Z)
• Scaling Pre-trained Language Models to Deeper via Parameter-efficient Architecture [68.13678918660872]
  行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。 MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。 私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
  論文  参考訳（メタデータ） (2023-03-27T02:34:09Z)
• Minimal Value-Equivalent Partial Models for Scalable and Robust Planning in Lifelong Reinforcement Learning [56.50123642237106]
  モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。 このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。 我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-24T16:40:01Z)
• Reservoir Computing with Diverse Timescales for Prediction of Multiscale Dynamics [5.172455794487599]
  異種リークインテグレータニューロンのリカレントネットワークを用いて,様々な時間スケールの貯水池計算モデルを提案する。 高速なカオス力学系を用いた予測タスクにおいて、提案モデルが既存の標準モデルよりも高いポテンシャルを持つことを示す。 本分析により, 対象力学の各成分の生成に必要な時間尺度は, モデルトレーニングにより, 貯水池力学から適切な, 柔軟に選択されることが明らかとなった。
  論文  参考訳（メタデータ） (2021-08-21T06:52:21Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Model Predictive Actor-Critic: Accelerating Robot Skill Acquisition with Deep Reinforcement Learning [42.525696463089794]
  Model Predictive Actor-Critic (MoPAC)は、モデル予測ロールアウトとポリシー最適化を組み合わせてモデルバイアスを軽減するハイブリッドモデルベース/モデルフリーメソッドである。 MoPACは最適なスキル学習を近似誤差まで保証し、環境との物理的相互作用を減らす。
  論文  参考訳（メタデータ） (2021-03-25T13:50:24Z)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)
• Goal-Directed Planning for Habituated Agents by Active Inference Using a Variational Recurrent Neural Network [5.000272778136268]
  本研究では, 予測符号化(PC)とアクティブ推論(AIF)フレームワークが, 低次元潜在状態空間における事前分布を学習することにより, より優れた一般化を実現できることを示す。 提案モデルでは, 最適潜伏変数を推定し, 実験結果の最小化のためのシナプス重みを推定することにより学習を行う。 提案手法は,シミュレーションにおけるロボットタスクと複雑なロボットタスクの両方を用いて評価し,限られた学習データを用いた学習における十分な一般化を実証した。
  論文  参考訳（メタデータ） (2020-05-27T06:43:59Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。