論文の概要: Learning Transferable Motor Skills for Geometry-Aware Robotic Surface Tasks

• arxiv url: http://arxiv.org/abs/2605.24881v1
• Date: Sun, 24 May 2026 05:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.491611
• Title: Learning Transferable Motor Skills for Geometry-Aware Robotic Surface Tasks
• Title（参考訳）: 幾何を考慮したロボット表面タスクのための伝達可能なモータスキルの学習
• Authors: Miroslav David, Karla Stepanova, Robert Babuska,
• Abstract要約: スプレー塗装や溶接のようなロボットの表面相互作用タスクは、正確な幾何学的計画と正確な動きの実行の両方を必要とする。 本稿では,幾何運動計画と実行レベルの専門知識を分離するモジュラーフレームワークを提案する。 我々は、運動軌道データとCADモデル幾何からルールパラメータを共同で推論するために、マルチモーダルニューラルネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 3.0714301039424776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic surface-interaction tasks, such as spray painting or welding, require both accurate geometric planning and precise motion execution. While modern motion planners generate valid geometric paths, they often lack the expert motor patterns observed in human operators. Conversely, learning from demonstration often tightly couples task execution to the specific training geometry, limiting transferability. We propose a modular framework that decouples geometric motion planning from execution-level expertise. Expert behavior is represented as a vocabulary of interpretable, atomic motor rules, such as velocity scaling and orientation offsets, that systematically modify a geometrically planned reference path. We train a multimodal neural network to infer rule parameters jointly from kinematic trajectory data and CAD model geometry. We evaluate our approach through dynamic simulation on L-shaped and window-shaped objects, demonstrating on simulated data that the model successfully extracts velocity and orientation rules across both topologies.
• Abstract（参考訳）: スプレー塗装や溶接のようなロボットの表面相互作用タスクは、正確な幾何学的計画と正確な動きの実行の両方を必要とする。 現代の運動プランナーは有効な幾何学的経路を生成するが、しばしば人間のオペレーターで観察される専門的な運動パターンを欠いている。 逆に、デモから学ぶことは、しばしばタスク実行を特定のトレーニング幾何学に密結合し、転送可能性を制限する。 本稿では,幾何運動計画と実行レベルの専門知識を分離するモジュラーフレームワークを提案する。 専門家の行動は、幾何学的に計画された基準経路を体系的に修正する速度スケーリングや方向オフセットのような解釈可能な原子運動規則の語彙として表される。 我々は、運動軌道データとCADモデル幾何からルールパラメータを共同で推論するために、マルチモーダルニューラルネットワークを訓練する。 我々は,L字型および窓型物体の動的シミュレーションにより,モデルが両方のトポロジで速度と向きの規則をうまく抽出することを示すシミュレーションデータを用いて,我々のアプローチを評価する。

関連論文リスト

• PGOT: A Physics-Geometry Operator Transformer for Complex PDEs [15.319296758227857]
  物理幾何学演算子変換器(PGOT)を提案する。 PGOTは4つの標準ベンチマークで一貫した最先端性能を実現し、エアフォイルやカーデザインを含む大規模産業タスクに優れる。
  論文  参考訳（メタデータ） (2025-12-29T04:05:01Z)
• Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors [41.99844472131922]
  軸対称境界領域における準破壊的乱流について検討する。 流れは所定の解析力によって駆動される。 我々は,1回のターンオーバー時間のみにまたがるデータに基づいてトレーニングされたSGSモデルが,トレーニング期間より少なくとも100倍長い統合よりも安定かつ正確であることを示す。
  論文  参考訳（メタデータ） (2025-11-18T15:21:38Z)
• TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics [53.442362491589726]
  本稿では、視覚言語モデル(VLM)を幾何学コンピュータに変換する新しいフレームワークであるTIGeR(Tool-Integrated Geometric Reasoning)を提案する。 TIGeRは、ニューラルネットワーク内で複雑な幾何学的操作を内部化しようとするのではなく、幾何学的推論要求を認識するためにモデルに権限を与える。 TIGeRは、実世界のロボット操作タスクにおいて、センチメートルレベルの精度を示しながら、幾何学的推論ベンチマーク上でSOTA性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T16:20:23Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• Attention to Detail: Fine-Scale Feature Preservation-Oriented Geometric Pre-training for AI-Driven Surrogate Modeling [6.34618828355523]
  AI駆動サロゲートモデリングは、3D設計、分析、製造のための物理ベースのシミュレーションの代替として、ますます効果的になっている。 本研究は,非パラメトリック3次元モデルから微細な幾何学的特徴を捉えるための自己教師付き幾何学的表現学習手法を提案する。
  論文  参考訳（メタデータ） (2025-04-27T17:10:13Z)
• Geometry-aware Active Learning of Spatiotemporal Dynamic Systems [4.251030047034566]
  本稿では,動的システムのモデリングのための幾何対応能動学習フレームワークを提案する。 データ収集のための空間的位置を戦略的に識別し、予測精度をさらに最大化する適応型能動学習戦略を開発した。
  論文  参考訳（メタデータ） (2025-04-26T19:56:38Z)
• FusionForce: End-to-end Differentiable Neural-Symbolic Layer for Trajectory Prediction [1.03590082373586]
  本稿では、カメラ画像やライダー点雲から、荒れたオフロード地形におけるロボットの軌道予測を行うエンド・ツー・エンドの微分可能モデルを提案する。 このモデルは、ロボットとテランの相互作用力を予測する学習可能なコンポーネントと、古典力学の法則を強制するニューラル・シンボリック・レイヤを統合する。
  論文  参考訳（メタデータ） (2025-02-14T13:36:00Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Nothing But Geometric Constraints: A Model-Free Method for Articulated Object Pose Estimation [89.82169646672872]
  本稿では,ロボットアームの関節構成を,モデルに先入観を持たずにRGBまたはRGB-D画像のシーケンスから推定する,教師なし視覚ベースシステムを提案する。 我々は,古典幾何学的定式化と深層学習を組み合わせることで,この課題を解決するために,極性多剛体制約を拡張した。
  論文  参考訳（メタデータ） (2020-11-30T20:46:48Z)

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。