論文の概要: Data Analogies Enable Efficient Cross-Embodiment Transfer

• arxiv url: http://arxiv.org/abs/2603.06450v1
• Date: Fri, 06 Mar 2026 16:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.996052
• Title: Data Analogies Enable Efficient Cross-Embodiment Transfer
• Title（参考訳）: 効率的なクロス・エボディメント・トランスファーを可能にするデータ・アナロジー
• Authors: Jonathan Yang, Chelsea Finn, Dorsa Sadigh,
• Abstract要約: 汎用ロボットポリシーは、さまざまなロボット、シーン、視点で収集されたデモに基づいて訓練される。 ロボットのセットアップ間での移動を可能にする上で、最も有用なデモデータの種類は何か? 我々の模擬実験は、視点のような知覚的な変化は幅広い多様性から最も恩恵を受けるが、形態学的な変化は非構造的な多様性から非常に恩恵を受けないことを示している。
• 参考スコア（独自算出の注目度）: 72.88252238231269
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalist robot policies are trained on demonstrations collected across a wide variety of robots, scenes, and viewpoints. Yet it remains unclear how to best organize and scale such heterogeneous data so that it genuinely improves performance in a given target setting. In this work, we ask: what form of demonstration data is most useful for enabling transfer across robot set-ups? We conduct controlled experiments that vary end-effector morphology, robot platform appearance, and camera perspective, and compare the effects of simply scaling the number of demonstrations against systematically broadening the diversity in different ways. Our simulated experiments show that while perceptual shifts such as viewpoint benefit most from broad diversity, morphology shifts benefit far less from unstructured diversity and instead see the largest gains from data analogies, i.e. paired demonstrations that align scenes, tasks, and/or trajectories across different embodiments. Informed by the simulation results, we improve real-world cross-embodiment transfer success by an average of $22.5\%$ over large-scale, unpaired datasets by changing only the composition of the data.
• Abstract（参考訳）: 汎用ロボットポリシーは、さまざまなロボット、シーン、視点で収集されたデモに基づいて訓練される。 しかし、そのような異種データを適切に整理し、拡張して、特定のターゲット設定のパフォーマンスを真に改善する方法は、まだ不明である。 この研究では、ロボットのセットアップ間での移動を可能にする上で、どのような形態のデモデータがもっとも有用か、と問う。 本研究では, エンドエフェクタ形態, ロボットプラットフォーム外観, カメラパースペクティブの異なる制御実験を行い, 異なる方法で多様性を体系的に拡張する上で, デモの数を単純に拡大する効果を比較した。 我々のシミュレーション実験は、視点のような知覚的な変化は、最も幅広い多様性から恩恵を受けるが、形態学的な変化は、非構造的な多様性からはるかに少なく、代わりにデータアナログから得られる最大の利益、すなわち、異なる実施形態をまたいだシーン、タスク、および/または軌跡を整列するペア化されたデモを見ることができることを示した。 シミュレーションの結果から,データの構成だけを変化させることで,大規模で不適切なデータセットに対して平均22.5\%の速さで実世界のクロス・エボディメント・トランスファーの成功率を向上させることができた。

関連論文リスト

• Diversity You Can Actually Measure: A Fast, Model-Free Diversity Metric for Robotics Datasets [12.45101201787042]
  ロボット模倣学習におけるデータセットの多様性が一般化性能に与える影響について検討する。 本稿では、エントロピーを最大化するデモのサブセットを選択するデータキュレーションアルゴリズムであるFAKTUALを紹介する。 FAKTUALは,ロボット模倣学習において,データセットの多様性を理解し,改善するための実用的なツールであることが示唆された。
  論文  参考訳（メタデータ） (2026-03-12T07:54:43Z)
• Invariance Co-training for Robot Visual Generalization [72.88252238231269]
  多様な観察から推論することは、汎用的なロボットポリシーが幅広い環境で動作するための基本的な能力である。 多様なデータによる協調学習は,既存の生成的拡張法よりも18%向上することを示した。
  論文  参考訳（メタデータ） (2025-12-04T20:08:46Z)
• Is Diversity All You Need for Scalable Robotic Manipulation? [50.747150672933316]
  ロボット学習におけるデータ多様性の役割について,従来の「より多様な方がよい」という直観に固執する3つの重要な次元(タスク),実施形態(ロボットの使用方法),専門家(専門家)を用いて検討する。 タスクの多様性は、タスクごとのデモンストレーション量よりも重要であり、多様な事前学習タスクから新しい下流シナリオへの移行に有効であることを示す。 本稿では,速度のあいまいさを緩和する分散デバイアス法を提案する。GO-1-Proは,2.5倍の事前学習データを用いて,15%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-07-08T17:52:44Z)
• How to Train Your Robots? The Impact of Demonstration Modality on Imitation Learning [25.798669976935283]
  模倣学習は、ユーザが提供するデータを用いてロボットポリシーを学ぶための有望なアプローチである。 本研究は,体操教育,VRコントローラーを用いた遠隔操作,宇宙空間コントローラを用いた遠隔操作など,低コストな実証モダリティを比較した。 以上の結果から, 身体美学教育はロボットの制御において最も直感的に評価され, 最良下流学習性能のための清潔なデータを提供することがわかった。
  論文  参考訳（メタデータ） (2025-03-10T07:57:26Z)
• What Makes Pre-Trained Visual Representations Successful for Robust Manipulation? [57.92924256181857]
  照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。 創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
  論文  参考訳（メタデータ） (2023-11-03T18:09:08Z)
• MetaGraspNet: A Large-Scale Benchmark Dataset for Vision-driven Robotic Grasping via Physics-based Metaverse Synthesis [78.26022688167133]
  本稿では,物理に基づくメタバース合成による視覚駆動型ロボットグルーピングのための大規模ベンチマークデータセットを提案する。 提案するデータセットには,10万の画像と25種類のオブジェクトが含まれている。 また,オブジェクト検出とセグメンテーション性能を評価するためのデータセットとともに,新しいレイアウト重み付け性能指標を提案する。
  論文  参考訳（メタデータ） (2021-12-29T17:23:24Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。