論文の概要: Autonomous Integration and Improvement of Robotic Assembly using Skill Graph Representations

• arxiv url: http://arxiv.org/abs/2603.12649v1
• Date: Fri, 13 Mar 2026 04:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.745112
• Title: Autonomous Integration and Improvement of Robotic Assembly using Skill Graph Representations
• Title（参考訳）: スキルグラフ表現を用いたロボット組立の自律的統合と改善
• Authors: Peiqi Yu, Philip Huang, Chaitanya Chawla, Guanya Shi, Jiaoyang Li, Changliu Liu,
• Abstract要約: 本稿では,Skill Graph表現に基づくロボット組立システムの自律的統合と継続的改善のためのフレームワークを提案する。 Skill Graphは、ロボット機能を動詞ベースのスキルとして整理し、意味記述を実行可能なポリシー、条件前、条件後、評価者と明示的にリンクする。 Skill Graphsは,ロボットコントローラや知覚モジュールに対して,明確に定義されたインターフェースによる実行を基盤として,スキルに対するセマンティックレベルの計画を支援することで,迅速なシステム統合を実現する方法を示す。
• 参考スコア（独自算出の注目度）: 17.172213217910535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic assembly systems traditionally require substantial manual engineering effort to integrate new tasks, adapt to new environments, and improve performance over time. This paper presents a framework for autonomous integration and continuous improvement of robotic assembly systems based on Skill Graph representations. A Skill Graph organizes robot capabilities as verb-based skills, explicitly linking semantic descriptions (verbs and nouns) with executable policies, pre-conditions, post-conditions, and evaluators. We show how Skill Graphs enable rapid system integration by supporting semantic-level planning over skills, while simultaneously grounding execution through well-defined interfaces to robot controllers and perception modules. After initial deployment, the same Skill Graph structure supports systematic data collection and closed-loop performance improvement, enabling iterative refinement of skills and their composition. We demonstrate how this approach unifies system configuration, execution, evaluation, and learning within a single representation, providing a scalable pathway toward adaptive and reusable robotic assembly systems. The code is at https://github.com/intelligent-control-lab/AIDF.
• Abstract（参考訳）: ロボット組立システムは伝統的に、新しいタスクを統合し、新しい環境に適応し、時間の経過とともにパフォーマンスを改善するために、かなりの手作業を必要とする。 本稿では,Skill Graph表現に基づくロボット組立システムの自律的統合と継続的改善のためのフレームワークを提案する。 Skill Graphは、ロボット機能を動詞ベースのスキルとして整理し、意味記述(動詞と名詞)を実行可能なポリシー、前提条件、後条件、評価器と明示的にリンクする。 Skill Graphsは,ロボットコントローラや知覚モジュールに対して,明確に定義されたインターフェースによる実行を基盤として,スキルに対するセマンティックレベルの計画を支援することで,迅速なシステム統合を実現する方法を示す。 最初のデプロイ後、同じSkill Graph構造は、システマティックなデータ収集とクローズドループのパフォーマンス向上をサポートし、スキルとその構成の反復的な洗練を可能にする。 このアプローチがシステム構成、実行、評価、学習を単一の表現内で統一し、適応的で再利用可能なロボット組立システムへのスケーラブルな経路を提供する方法を実証する。 コードはhttps://github.com/intelligent-control-lab/AIDFにある。

関連論文リスト

• Executable Analytic Concepts as the Missing Link Between VLM Insight and Precise Manipulation [70.8381970762877]
  VLM(Vision-Language Models)は、セマンティック推論とタスク計画において顕著な能力を示す。 本稿では,VLMに基づく推論を実行可能な解析概念を通じて基礎づける新しいフレームワークであるGRACEを紹介する。 G GRACEは高レベル命令理解と低レベルロボット制御の統一的で解釈可能なインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-10-09T09:08:33Z)
• Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
  バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。 本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。 我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-03-12T09:28:41Z)
• Temporal Representation Alignment: Successor Features Enable Emergent Compositionality in Robot Instruction Following [50.377287115281476]
  本研究では,現在および将来の状態の表現と時間的損失を関連付ける学習により,構成一般化が向上することを示す。 我々は,多様なロボット操作タスクおよびシミュレーションにおけるアプローチを評価し,言語やゴールイメージで指定されたタスクに対して,大幅な改善を示す。
  論文  参考訳（メタデータ） (2025-02-08T05:26:29Z)
• Aguvis: Unified Pure Vision Agents for Autonomous GUI Interaction [69.57190742976091]
  Aguvisは、自律的なGUIエージェントのためのビジョンベースのフレームワークである。 クロスプラットフォームのインタラクションを標準化し、内部モノローグによる構造化推論を取り入れている。 オフラインおよび実世界のオンラインベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-05T18:58:26Z)
• Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。 本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• Efficient and Feasible Robotic Assembly Sequence Planning via Graph Representation Learning [22.447462847331312]
  本稿では,製品集合体に対するアセンブリグラフと呼ばれるグラフ表現を含む総合的なグラフィカルアプローチを提案する。 GRACEでは、グラフ入力から意味のある情報を抽出し、ステップバイステップでアセンブリシーケンスを予測する。 実験では,アルミニウムプロファイルの積変種にまたがって,本手法が実現可能なアセンブリシーケンスを予測可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-17T17:23:14Z)
• Graph-based Reinforcement Learning meets Mixed Integer Programs: An application to 3D robot assembly discovery [34.25379651790627]
  我々は、テトリスのような構造ブロックとロボットマニピュレータを用いて、スクラッチから完全に定義済みの任意のターゲット構造を構築するという課題に対処する。 我々の新しい階層的アプローチは、タスク全体を相互に利益をもたらす3つの実行可能なレベルに効率的に分解することを目的としています。
  論文  参考訳（メタデータ） (2022-03-08T14:44:51Z)

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。