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
• 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

• Practice Makes Policies: Bootstrapping and Consolidating Robotic Capabilities from Zero Human Demonstrations [9.01493948952274]
  汎用ロボット操作では、ロボットはオープンワールド環境で多様なタスクを実行する必要がある。 HEROは、ゼロ人のデモから自律的な能力の進化を可能にする自己改善型階層型エンボディエージェントである。
  論文  参考訳（メタデータ） (2026-07-29T11:51:41Z)
• Legible Shared Autonomy: Implicit Communication of Robot Belief through Motion [10.259015383410395]
  従来の共有自律システムは、推論された目標への効率的な最短経路に沿って支援を提供する。 ロボットが目標を正しく推測すると、不明瞭な補助動作から理解できないため、ユーザーは制御を続ける。 ロボットの行動はどちらも目標に向かって前進し、どの目標が推測されたかを明確に示さなければならない。
  論文  参考訳（メタデータ） (2026-06-29T06:35:21Z)
• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• AURA: Multimodal Shared Autonomy for Real-World Urban Navigation [49.419374037785815]
  複雑な都市環境でのロングホライゾンナビゲーションは、連続した人間の操作に大きく依存している。 AURA(Assistive Urban Robot Autonomy)は、都市ナビゲーションを高レベルなヒューマンインストラクションと低レベルなAI制御に分解する新しいマルチモーダルフレームワークである。 AURAは、効果的に人間の指示に従い、手動操作の労力を減らし、ナビゲーションの安定性を改善し、オンライン適応を可能にしている。
  論文  参考訳（メタデータ） (2026-04-02T05:59:31Z)
• ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
  重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:06:51Z)
• 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。