論文の概要: IMPASTO: Integrating Model-Based Planning with Learned Dynamics Models for Robotic Oil Painting Reproduction

• arxiv url: http://arxiv.org/abs/2603.29315v1
• Date: Tue, 31 Mar 2026 06:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.234512
• Title: IMPASTO: Integrating Model-Based Planning with Learned Dynamics Models for Robotic Oil Painting Reproduction
• Title（参考訳）: IMPASTO:ロボット油絵再現のためのモデルベースプランニングと学習力学モデルの統合
• Authors: Yingke Wang, Hao Li, Yifeng Zhu, Hong-Xing Yu, Ken Goldberg, Li Fei-Fei, Jiajun Wu, Yunzhu Li, Ruohan Zhang,
• Abstract要約: ISTOMPAは、学習されたピクセルのダイナミックスモデルとモデルベースの計画を統合する、ロボット油彩画システムである。 ISTOMPAは低レベルの力制御、学習力学モデル、高レベルのクローズドループ計画を統合し、ロボットのセルフプレイから学習する。
• 参考スコア（独自算出の注目度）: 49.85080754272514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic reproduction of oil paintings using soft brushes and pigments requires force-sensitive control of deformable tools, prediction of brushstroke effects, and multi-step stroke planning, often without human step-by-step demonstrations or faithful simulators. Given only a sequence of target oil painting images, can a robot infer and execute the stroke trajectories, forces, and colors needed to reproduce it? We present IMPASTO, a robotic oil-painting system that integrates learned pixel dynamics models with model-based planning. The dynamics models predict canvas updates from image observations and parameterized stroke actions; a receding-horizon model predictive control optimizer then plans trajectories and forces, while a force-sensitive controller executes strokes on a 7-DoF robot arm. IMPASTO integrates low-level force control, learned dynamics models, and high-level closed-loop planning, learns solely from robot self-play, and approximates human artists' single-stroke datasets and multi-stroke artworks, outperforming baselines in reproduction accuracy. Project website: https://impasto-robopainting.github.io/
• Abstract（参考訳）: 柔らかいブラシと顔料を用いた油絵のロボットによる再現には、変形可能な工具の力覚的な制御、ブラシストローク効果の予測、多段階ストローク計画が必要である。 対象とする油絵の一連の画像だけを考えると、ロボットはそれを再現するのに必要なストローク軌跡、力、色を推測して実行できますか? 本稿では,学習画素動態モデルとモデルベースプランニングを統合したロボット油塗布システムIMPASTOを提案する。 ダイナミックスモデルは、画像観察とパラメータ化されたストローク動作からキャンバスの更新を予測し、後退水平モデル予測制御オプティマイザは、軌跡と力を計画し、力に敏感なコントローラは7-DoFロボットアーム上でストロークを実行する。 IMPASTOは低レベルの力制御、学習力学モデル、高レベルのクローズドループ計画を統合し、ロボットのセルフプレイから学習し、人間のアーティストのシングルストロークデータセットとマルチストロークアートを近似し、再現精度でベースラインを上回る。 プロジェクトウェブサイト:https://impasto-robopainting.github.io/

関連論文リスト

• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects with Graph Networks [32.00371492516123]
  弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。 我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。 実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-05T20:28:15Z)

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。