論文の概要: GeCo-SRT: Geometry-aware Continual Adaptation for Robotic Cross-Task Sim-to-Real Transfer

• arxiv url: http://arxiv.org/abs/2602.20871v2
• Date: Wed, 25 Feb 2026 14:34:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.667645
• Title: GeCo-SRT: Geometry-aware Continual Adaptation for Robotic Cross-Task Sim-to-Real Transfer
• Title（参考訳）: GeCo-SRT:ロボット・クロスタスク・シミュレートのための幾何対応型連続適応
• Authors: Wenbo Yu, Wenke Xia, Weitao Zhang, Di Hu,
• Abstract要約: 実世界のロボットシステムに低コストのシミュレーションデータを適用するためには,シム・トゥ・リアルのギャップを埋めることが重要である。 従来の方法は、それぞれのトランスファーを独立した取り組みとして扱うことで、著しく制限されている。 我々は,反復的伝達を横断する知識蓄積を中心とした,連続的なクロスタスク・シミュレートパラダイムを構築した。
• 参考スコア（独自算出の注目度）: 16.089601996193448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bridging the sim-to-real gap is important for applying low-cost simulation data to real-world robotic systems. However, previous methods are severely limited by treating each transfer as an isolated endeavor, demanding repeated, costly tuning and wasting prior transfer experience. To move beyond isolated sim-to-real, we build a continual cross-task sim-to-real transfer paradigm centered on knowledge accumulation across iterative transfers, thereby enabling effective and efficient adaptation to novel tasks. Thus, we propose GeCo-SRT, a geometry-aware continual adaptation method. It utilizes domain-invariant and task-invariant knowledge from local geometric features as a transferable foundation to accelerate adaptation during subsequent sim-to-real transfers. This method starts with a geometry-aware mixture-of-experts module, which dynamically activates experts to specialize in distinct geometric knowledge to bridge observation sim-to-real gap. Further, the geometry-expert-guided prioritized experience replay module preferentially samples from underutilized experts, refreshing specialized knowledge to combat forgetting and maintain robust cross-task performance. Leveraging knowledge accumulated during iterative transfer, GeCo-SRT method not only achieves 52% average performance improvement over the baseline, but also demonstrates significant data efficiency for new task adaptation with only 1/6 data. We hope this work inspires approaches for efficient, low-cost cross-task sim-to-real transfer.
• Abstract（参考訳）: 実世界のロボットシステムに低コストのシミュレーションデータを適用するためには,シム・トゥ・リアルのギャップを埋めることが重要である。 しかし、従来の方法は、各転送を独立した取り組みとして扱い、繰り返し、コストのかかるチューニングと事前転送経験の浪費を要求することで、大幅に制限されている。 分離されたsim-to-realを超越して、反復的伝達を通した知識蓄積を中心とした連続的なクロスタスク・sim-to-realトランスファーパラダイムを構築し、新しいタスクへの効果的かつ効率的な適応を可能にする。 そこで我々は幾何対応型連続適応法であるGeCo-SRTを提案する。 局所幾何学的特徴からのドメイン不変およびタスク不変の知識を伝達可能な基礎として利用し、その後のsim-to-real転送の適応を加速する。 この手法は、専門家を動的に活性化し、異なる幾何学的知識を専門化し、観察と実のギャップを埋める幾何学的な混合実験モジュールから始まる。 さらに、幾何専門家が指導する優先的な体験再生モジュールは、未使用の専門家から優先的にサンプルを採取し、特別な知識をリフレッシュして、忘れることと、堅牢なクロスタスクパフォーマンスを維持する。 GeCo-SRT法は, 反復移動時に蓄積した知識を活用することで, ベースライン上で平均性能を52%向上するだけでなく, 1/6データのみを用いて新しいタスク適応のための重要なデータ効率を示す。 この研究が、効率的で低コストなクロスタスク・シミュレート・トゥ・リアルトランスファーのアプローチに刺激を与えてくれることを願っている。

関連論文リスト

• FAST: Similarity-based Knowledge Transfer for Efficient Policy Learning [57.4737157531239]
  Transfer Learningは、タスク間で知識を伝達することで学習を加速する能力を提供する。 これは、負の転送、ドメイン適応、ソリッドソースポリシーの選択における非効率といった重要な課題に直面します。 本研究では,知識伝達の改善,タスク間のパフォーマンスの促進,計算コストの削減など,TLの課題に挑戦する。
  論文  参考訳（メタデータ） (2025-07-27T22:21:53Z)
• Enhancing Cross-task Transfer of Large Language Models via Activation Steering [75.41750053623298]
  クロスタスク・イン・コンテキスト学習はタスク間で知識を伝達する直接的なソリューションを提供する。 パラメータ更新や入力拡張を伴わずに、潜時空間ステアリングによりクロスタスク転送を実現することができるかを検討する。 本稿では,モデルの内部アクティベーション状態を操作することで,効率的な転送を可能にするクロスタスク・アクティベーション・ステアリング・トランスファー・フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-17T15:47:22Z)
• Transfer Learning of Surrogate Models: Integrating Domain Warping and Affine Transformations [4.515998639772672]
  サロゲートモデルは、計算的に要求される現実世界のプロセスに効率的な代替手段を提供する。 従来の研究では、微分可能および非微分可能サロゲートモデルの移動について研究されてきた。 本稿は、より広い範囲のトランスフォーメーションに対処することで、これまでの研究を拡張している。
  論文  参考訳（メタデータ） (2025-01-30T13:46:48Z)
• Transfer Learning of Surrogate Models via Domain Affine Transformation Across Synthetic and Real-World Benchmarks [4.515998639772672]
  代理モデルはしばしば、現実世界のプロセスのコストのかかる実行のための効率的な代用として使われる。 本研究は、原関数から対象関数への非微分可能な代理モデルを転送することに焦点を当てる。 これらのドメインは未知のアフィン変換によって関連づけられていると仮定し、ターゲット上で評価された限られた量の転送データポイントのみを使用する。
  論文  参考訳（メタデータ） (2025-01-23T18:44:25Z)
• Transferability Estimation Based On Principal Gradient Expectation [68.97403769157117]
  クロスタスク転送性は、自己整合性を維持しながら転送結果と互換性がある。 既存の転送可能性メトリクスは、ソースとターゲットタスクを会話することで、特定のモデルに基づいて推定される。 本稿では,タスク間の転送可能性を評価するための簡易かつ効果的な手法であるPGEを提案する。
  論文  参考訳（メタデータ） (2022-11-29T15:33:02Z)
• Frustratingly Easy Transferability Estimation [64.42879325144439]
  本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。 TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。 10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
  論文  参考訳（メタデータ） (2021-06-17T10:27:52Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。