論文の概要: GAP: Geometric Anchor Pre-training for Data-Efficient Visuomotor Learning of Manipulation Tasks

• arxiv url: http://arxiv.org/abs/2605.15836v1
• Date: Fri, 15 May 2026 10:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.321526
• Title: GAP: Geometric Anchor Pre-training for Data-Efficient Visuomotor Learning of Manipulation Tasks
• Title（参考訳）: GAP:データ効率の良いマニピュレーションタスクのビズモータ学習のための幾何学的アンカー事前学習
• Authors: Davide Buoso, Andrea Protopapa, Stefano Di Carlo, Francesca Pistilli, Giuseppe Averta,
• Abstract要約: 本稿では,下流の模倣学習に先立って空間アダプタを正規化する,シンプルでアクションフリーなウォームアップステージを提案する。 厳しいデータ不足とドメインシフトの下で,RoboMimicとManiSkillのGAPを評価した。
• 参考スコア（独自算出の注目度）: 7.115441721911126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning visuomotor policies from scarce expert demonstrations remains a core challenge in robotic manipulation. A primary hurdle lies in distilling high-dimensional RGB representations into control-relevant geometry without overfitting. While using frozen pre-trained Vision Foundation Models (VFMs) improves data efficiency, it also shifts most task adaptation onto a small spatial pooling module, which can latch onto task-irrelevant shortcuts and lose geometric grounding when finetuned with few data samples. More broadly, pre-trained visual representations used for policy learning have been observed to struggle under even minor scene perturbations, highlighting the need for robustness-oriented inductive biases. We propose Geometric Anchor Pre-training (GAP), a simple, action-free warm-up stage that regularizes the spatial adapter before downstream imitation learning. GAP pre-trains the pooling layer on a lightweight simulated proxy task where object masks are available at no cost, encouraging the adapter to produce keypoints that lie on the object, cover its spatial extent, and remain sharp and repeatable over time. This yields stable geometric anchors that provide a reliable coordinate interface for few-shot policy learning, while keeping the VFM frozen. We evaluate GAP on RoboMimic and ManiSkill under severe data scarcity (15-50 demonstrations) and domain shift. A simple adapter regularized with GAP consistently outperforms stronger attention-based poolers and end-to-end fine-tuning, achieving 62% success on RoboMimic Can with 15 demonstrations (+16% over AFA), 63% on the long-horizon high-precision Tool Hang task with 50 demonstrations, and 61% on ManiSkill StackCube with 30 demonstrations (+11% over full fine-tuning). The proxy stage is lightweight and fully decoupled from downstream tasks, making it practical to reuse across environments and manipulation skills.
• Abstract（参考訳）: 希少な専門家によるデモンストレーションから振動子ポリシーを学ぶことは、ロボット操作における中核的な課題である。 第一のハードルは、高次元RGB表現をオーバーフィットせずに制御関連幾何学に蒸留することである。 凍結した事前訓練されたビジョンファウンデーションモデル(VFM)を使用することで、データ効率が向上する一方で、ほとんどのタスク適応を小さな空間プールモジュールにシフトする。 より広範に、政策学習に使用される事前訓練された視覚表現は、小さなシーンの摂動の下でも苦労することが観察されており、堅牢性指向の帰納的バイアスの必要性を強調している。 本稿では,下流の模倣学習に先立って空間アダプタを正規化するための,簡易かつアクションフリーなウォームアップステージであるGeometric Anchor Pre-training (GAP)を提案する。 GAPは、オブジェクトマスクが無償で利用可能である軽量なシミュレートされたプロキシタスクにおいて、プール層を事前トレーニングする。 これにより安定な幾何アンカーが得られ、VFMを凍結させながら、数ショットのポリシー学習のための信頼性の高い座標インターフェースを提供する。 重度のデータ不足(15～50回の実証)とドメインシフトの下で,RoboMimicとManiSkillのGAPを評価した。 GAPで正規化された単純なアダプタは、より強力な注意ベースのプールとエンドツーエンドの微調整を一貫して上回り、RoboMimic Canで15回のデモ(+16%がAFAで、Hangタスクで50回のデモで63%、ManiSkill StackCubeで61%、フル微調整で+11%)で62%の成功を達成した。 プロキシステージは軽量で、下流タスクから完全に分離されているため、環境をまたいだ再利用や操作スキルが現実的になる。

関連論文リスト

• Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
  本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。 幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。 動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
  論文  参考訳（メタデータ） (2026-05-12T09:21:29Z)
• RL-Based Coverage Path Planning for Deformable Objects on 3D Surfaces [32.12472154789291]
  我々は,曲面ワイピングタスクのための変形可能な物体を操作するため,シミュレータ内の強化学習エージェントを訓練する。 本研究では,高調波UVマッピング,2次元特徴写像上のシミュレータからのプロセス接触フィードバック,スケールド・グループ・コンボリューション(SGCNN)を用いて,物体表面の状態表現を単純化し,特徴を効率的に抽出する。 実験により,本手法は,経路距離や被覆面積など,従来の手法よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2026-03-03T16:16:06Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• JUICER: Data-Efficient Imitation Learning for Robotic Assembly [21.43402768760014]
  本稿では,人体実験予算を小さくすることで,模擬学習性能を向上させるパイプラインを提案する。 我々のパイプラインは、表現力のあるポリシーアーキテクチャと、データセットの拡張とシミュレーションベースのデータ拡張のための様々な技術を組み合わせています。 シミュレーションで4つの家具組立タスクのパイプラインを実演し、2500近い時間ステップで最大5つの部品をマニピュレータで組み立てます。
  論文  参考訳（メタデータ） (2024-04-04T18:00:15Z)
• BootsTAP: Bootstrapped Training for Tracking-Any-Point [62.585297341343505]
  Tracking-Any-Point (TAP) は、ビデオ中の固体表面上の任意の点を追跡するアルゴリズムとして形式化することができる。 大規模でラベルなし、未修正のリアルワールドデータが、最小限のアーキテクチャ変更でTAPモデルを改善することができることを示す。 我々は,TAP-Vidベンチマークにおける最先端性能が,従来の結果よりも広いマージンで上回っていることを示す。
  論文  参考訳（メタデータ） (2024-02-01T18:38:55Z)
• Hierarchical Side-Tuning for Vision Transformers [33.536948382414316]
  微調整された事前訓練された視覚変換器(ViTs)は、視覚認識タスクの強化に大きく貢献している。 PETLは、完全な微調整に比べてパラメータ更新が少なく、高いパフォーマンスを実現する可能性がある。 本稿では,多様な下流タスクへのVTモデルの転送を容易にする革新的PETL手法である階層側チューニング(HST)を紹介する。
  論文  参考訳（メタデータ） (2023-10-09T04:16:35Z)
• Multi-Level Contrastive Learning for Dense Prediction Task [59.591755258395594]
  本稿では,高密度予測タスクのための領域レベルの特徴表現を効率よく学習するための,MCL(Multi-Level Contrastive Learning for Dense Prediction Task)を提案する。 本手法は, 局所化, スケールの整合性, 認識の3つの要因に動機付けられている。 提案手法は,様々なデータセットにおける最近の最先端の手法よりも有意なマージンを有する。
  論文  参考訳（メタデータ） (2023-04-04T17:59:04Z)
• Task-Adaptive Saliency Guidance for Exemplar-free Class Incremental Learning [60.501201259732625]
  EFCILにタスク適応型サリエンシを導入し、タスク適応型サリエンシ・スーパービジョン(TASS)と呼ばれる新しいフレームワークを提案する。 提案手法は,CIFAR-100, Tiny-ImageNet, ImageNet-Subset EFCILベンチマークを用いて,タスク間のサリエンシマップの保存や,最先端の成果の達成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-16T02:43:52Z)
• MST: Masked Self-Supervised Transformer for Visual Representation [52.099722121603506]
  Transformerは自然言語処理(NLP)における自己教師型事前学習に広く利用されている。 我々は、画像の局所的コンテキストを明示的にキャプチャできる、MSTと呼ばれる新しいMasked Self-supervised Transformerアプローチを提案する。 MSTは、線形評価による300エポック事前トレーニングのみを使用して、DeiT-Sで76.9%のTop-1精度を達成する。
  論文  参考訳（メタデータ） (2021-06-10T11:05:18Z)

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。