論文の概要: SkiP: When to Skip and When to Refine for Efficient Robot Manipulation

• arxiv url: http://arxiv.org/abs/2605.15536v1
• Date: Fri, 15 May 2026 02:16:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.29509
• Title: SkiP: When to Skip and When to Refine for Efficient Robot Manipulation
• Title（参考訳）: SkiP: 効率的なロボット操作のために、いつスキップするか、いつリファインするか
• Authors: Mingtong Dai, Guanqi Peng, Yongjie Bai, Feng Yan, Chunjie Chen, Lingbo Liu, Liang Lin, Xinyu Wu,
• Abstract要約: textbfSkip Policy (SkiP)は、スキップセグメントを動的に跳躍し、キーセグメントのアクションを集中的に洗練する。 emphMotion Spectrum Keying (MSK) は、動作信号から局所的な動きの複雑さを検出する高速でタスクに依存しない手順である。 実験によると、SkiPは実行ステップを15ドルから40%ほど削減し、さまざまなポリシーバックボーン間での成功率のマッチングや改善を実現している。
• 参考スコア（独自算出の注目度）: 50.03201984643502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous imitation learning policies predict future actions at every control step, whether in smooth motion phases or precise, contact-rich operation phases. This uniform treatment is wasteful: most steps in a manipulation trajectory traverse free space and carry little task-relevant information, while a small fraction of \emph{key} steps around contacts, grasps, and alignment demand dense, high-resolution prediction. We propose a novel \emph{action relabeling} mechanism: at each timestep in a skip segment, we replace the behavior cloning target with the action at the entrance of the next key segment, enabling the policy to leap over redundant steps in a single decision. The resulting \textbf{Skip Policy (SkiP)} dynamically leaps over skip segments and intensively refines actions in key segments, within a single unified network requiring no learned skip planner or hierarchical structure. To automatically partition demonstrations into key and skip segments without manual annotation, we introduce \emph{Motion Spectrum Keying} (MSK), a fast, task-agnostic procedure that detects local motion complexity from action signals. Extensive experiments across 72 simulated manipulation tasks and three real-robot tasks show that SkiP reduces executed steps by $15$--$40\%$ while matching or improving success rates across various policy backbones. Project page: \texttt{https://pgq18.github.io/SkiP-page/}.
• Abstract（参考訳）: 従来の模倣学習ポリシーは、スムーズな動作フェーズでも、接触豊富な操作フェーズであっても、制御ステップ毎に将来の動作を予測する。 この一様処理は無駄であり、操作軌跡の自由空間のほとんどのステップはタスク関連情報をほとんど持たず、一方、接点、グリップ、アライメントの要求密度、高解像度の予測はごくわずかである。 スキップセグメントの各時間ステップにおいて、次のキーセグメントの入り口のアクションに振舞いクローンターゲットを置き換え、冗長なステップを1つの決定で跳躍できるように、新しい「emph{action relabeling}」機構を提案する。 結果として生じる‘textbf{Skip Policy(SkiP)’は、スキップセグメントを動的に跳躍し、キーセグメントでのアクションを、学習されたスキッププランナーや階層構造を必要としない単一の統一ネットワーク内で、集中的に洗練する。 手動のアノテーションを使わずに、デモをキーに分割し、セグメントをスキップするために、アクション信号から局所的な動きの複雑さを検出する高速なタスク非依存の手順である 'emph{Motion Spectrum Keying} (MSK) を導入する。 72のシミュレートされた操作タスクと3つの実ロボットタスクにわたる大規模な実験によると、SkiPは、さまざまなポリシーバックボーン間の成功率のマッチングや改善をしながら、実行ステップを15ドル～40ドル%削減する。 プロジェクトページ: \texttt{https://pgq18.github.io/SkiP-page/}。

関連論文リスト

• Action-aware Dynamic Pruning for Efficient Vision-Language-Action Manipulation [27.007611140797852]
  既存の手法では、VLAモデル内の視覚的冗長性を低減し、推論速度を最適化する。 textbfAction-aware textbfDynamic textbfPruning (textbfADP)を提案する。
  論文  参考訳（メタデータ） (2025-09-26T09:13:02Z)
• BiKC: Keypose-Conditioned Consistency Policy for Bimanual Robotic Manipulation [48.08416841005715]
  両面操作に適したキーポーズ条件の整合性ポリシーを導入する。 階層的な模倣学習フレームワークであり、ハイレベルなキープレース予測器と低レベルな軌道生成器から構成される。 シミュレーションおよび実世界の実験結果から,提案手法は成功率と運用効率の点で基準法を超越していることが示された。
  論文  参考訳（メタデータ） (2024-06-14T14:49:12Z)
• Skip-Plan: Procedure Planning in Instructional Videos via Condensed Action Space Learning [85.84504287685884]
  Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。 アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。 我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
  論文  参考訳（メタデータ） (2023-10-01T08:02:33Z)
• STEPs: Self-Supervised Key Step Extraction and Localization from Unlabeled Procedural Videos [40.82053186029603]
  問題を表現学習とキーステップ抽出の2つのステップに分解する。 ラベルなしで様々なステップの識別表現を学習するための学習目標であるBootstrapped Multi-Cue Contrastive (BMC2)損失を提案する。 キーステップのローカライゼーションと位相分類のタスクにおいて,先行作業よりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-01-02T18:32:45Z)
• SVIP: Sequence VerIfication for Procedures in Videos [68.07865790764237]
  ステップレベルの変換を伴う負のアクションシーケンスと同一のアクションシーケンスを実行するポジティブなビデオペアを区別することを目的とした,新しいシーケンス検証タスクを提案する。 このような困難なタスクは、事前のアクション検出やセグメンテーションなしで、オープンセット設定に置かれる。 我々は、化学実験において、あらゆる段階的な変換を列挙したスクリプト付きビデオデータセットを収集する。
  論文  参考訳（メタデータ） (2021-12-13T07:03:36Z)

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。