論文の概要: DiSCo: Diffusion Sequence Copilots for Shared Autonomy
- arxiv url: http://arxiv.org/abs/2603.22787v1
- Date: Tue, 24 Mar 2026 04:22:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.303522
- Title: DiSCo: Diffusion Sequence Copilots for Shared Autonomy
- Title（参考訳）: DiSCo:共有自律化のための拡散シーケンスコパイロット
- Authors: Andy Wang, Xu Yan, Brandon McMahan, Michael Zhou, Yuyang Yuan, Johannes Y. Lee, Ali Shreif, Matthew Li, Zhenghao Peng, Bolei Zhou, Yuchen Cui, Jonathan C. Kao,
- Abstract要約: 拡散シーケンスコパイロット(Diffusion Sequence Copilots, DiSCo)は、拡散政策と共有自律性の方法である。
DiSCoは過去のユーザーアクションと整合したアクションシーケンスを計画している。
シミュレーション運転やロボットアーム作業において,ハイパロがタスク性能を大幅に向上することを示す。
- 参考スコア（独自算出の注目度）: 30.735037882507125
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Shared autonomy combines human user and AI copilot actions to control complex systems such as robotic arms. When a task is challenging, requires high dimensional control, or is subject to corruption, shared autonomy can significantly increase task performance by using a trained copilot to effectively correct user actions in a manner consistent with the user's goals. To significantly improve the performance of shared autonomy, we introduce Diffusion Sequence Copilots (DiSCo): a method of shared autonomy with diffusion policy that plans action sequences consistent with past user actions. DiSCo seeds and inpaints the diffusion process with user-provided actions with hyperparameters to balance conformity to expert actions, alignment with user intent, and perceived responsiveness. We demonstrate that DiSCo substantially improves task performance in simulated driving and robotic arm tasks. Project website: https://sites.google.com/view/disco-shared-autonomy/
- Abstract（参考訳）: 共有自律性は、ロボットアームのような複雑なシステムを制御するために、人間のユーザーとAIの協調行動を組み合わせる。
タスクが困難であったり、高次元制御が必要であったり、汚職を受けたりした場合、共有自律性は、訓練されたコリロットを使用してユーザの目標と整合した方法でユーザアクションを効果的に補正することにより、タスクパフォーマンスを著しく向上させることができる。
共有自律性を向上させるために,従来のユーザ行動と整合した行動シーケンスを計画する拡散政策と共有自律性(Diffusion Sequence Copilots, DiSCo)を導入する。
DiSCoシードは、ユーザーが提供するアクションをハイパーパラメータで拡散させ、専門家のアクションとの整合性、ユーザの意図との整合性、応答性を認識する。
シミュレーション運転やロボットアーム作業において,DiSCoはタスク性能を大幅に向上することを示した。
プロジェクトウェブサイト: https://sites.google.com/view/disco-shared-autonomy/
関連論文リスト
- ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。
CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。
そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
論文 参考訳（メタデータ） (2025-12-16T18:56:04Z) - 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) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z) - Shared Autonomy with IDA: Interventional Diffusion Assistance [41.62838658851348]
共有自律(SA)は、人間のパイロットとAIの協力者からの入力を組み合わせることで制御を容易にする。
以前のSA研究では、副操縦士は各段階の動作を決定するために常に活発である。
我々は,コピロの行動の期待値が人間の行動のそれを超える場合にのみ,コピロの介入によって制御を動的に共有する,目標に依存しない介入支援(IA)を開発する。
論文 参考訳（メタデータ） (2024-09-05T17:19:22Z) - Latent Exploration for Reinforcement Learning [87.42776741119653]
強化学習では、エージェントは環境を探索し、相互作用することでポリシーを学ぶ。
LATent TIme-Correlated Exploration (Lattice)を提案する。
論文 参考訳（メタデータ） (2023-05-31T17:40:43Z) - To the Noise and Back: Diffusion for Shared Autonomy [5.739826835394077]
拡散モデルの前方および逆拡散過程を変調した共有自律性に対する新しいアプローチを提案する。
我々のフレームワークは望ましい行動の空間上の分布を学習する。
次に、拡散モデルを使用して、ユーザのアクションをこのディストリビューションのサンプルに変換する。
論文 参考訳（メタデータ） (2023-02-23T18:58:36Z)
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。