論文の概要: Shape Your Body: Value Gradients for Multi-Embodiment Robot Design

• arxiv url: http://arxiv.org/abs/2606.00702v1
• Date: Sat, 30 May 2026 12:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.662611
• Title: Shape Your Body: Value Gradients for Multi-Embodiment Robot Design
• Title（参考訳）: 体を形作る:多体ロボット設計のための価値勾配
• Abstract要約: 本稿では,汎用多体値関数を再利用可能なロボット設計モデルに変換することを提案する。 各ロボットに対して新しい強化学習協調設計ループを実行する代わりに、まず、多くのロボット設計において、実施意識と価値関数を訓練する。
• 参考スコア（独自算出の注目度）: 16.640420524594443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose to turn generalist multi-embodiment value functions into reusable models for robot design. Instead of running a new reinforcement learning co-design loop for each robot, we first train an embodiment-aware policy and value function across many robot designs. After training, the frozen value function is used as a differentiable surrogate to optimize candidate embodiments through value gradients. We evaluate our approach across different robot design settings, from perturbed single robots to held-out robots across morphology classes, with single models trained on up to 50 robots and design spaces of over 1100 continuous embodiment parameters. Beyond optimizing complete embodiments, we show that value gradients can identify performance-limiting design and control parameters, enabling both the optimization and the analysis of new robot designs.
• Abstract（参考訳）: 本稿では,汎用多体値関数を再利用可能なロボット設計モデルに変換することを提案する。 各ロボットに対して新しい強化学習協調設計ループを実行する代わりに、まず、多くのロボット設計において、実施意識と価値関数を訓練する。 訓練後、凍結された値関数は、値勾配を通じて候補実施率を最適化する微分可能な代理として使用される。 我々は,最大50台のロボットで訓練された単一モデルと1100台以上の連続的な実施パラメータを持つ設計空間を用いて,摂動ロボットから形態学クラスにまたがる保留ロボットまで,さまざまなロボット設計環境におけるアプローチを評価した。 完全な具体化を最適化する以外に、値勾配は性能制限設計と制御パラメータを識別できることを示し、新しいロボット設計の最適化と解析を可能にする。

関連論文リスト

• Transformer Transformer: A Unified Model for Motion-Conditioned Robot Co-design [29.19489133790808]
  Transformer Transformerは、報酬に依存しない状態とアクション予測を報酬固有の値予測に変換する動的モデルである。 最適化されたALOHA設計により,従来の設計に比べて70%以上の追従誤差を低減した。
  論文  参考訳（メタデータ） (2026-07-28T14:47:14Z)
• RobotSeg: A Model and Dataset for Segmenting Robots in Image and Video [56.9581053843815]
  画像とビデオにおけるロボットセグメンテーションの基礎モデルであるRobotSegを紹介する。 ロボットへの適応の欠如、手動のプロンプトへの依存、フレーム単位のトレーニングマスクアノテーションの必要性に対処する。 それは、画像とビデオの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-28T07:51:02Z)
• A Design Co-Pilot for Task-Tailored Manipulators [21.513483509321805]
  本研究は,特定の環境に適したロボット形態を自動設計し,最適化するアプローチを提案する。 完全に微分可能なフレームワークは、設計されたロボットと逆キネマティクスソリューションの勾配に基づく微調整を実現する。 数値実験により, 粗い環境をナビゲートできるロボットや, 特定の作業空間にまたがって良好に動作し, ハードウェアの制約に適応できるマニピュレータが発見された。
  論文  参考訳（メタデータ） (2025-09-16T13:34:30Z)
• Holistic Construction Automation with Modular Robots: From High-Level Task Specification to Execution [7.012962572096341]
  建設現場におけるロボットの自動化は、常に変化する環境、ロボット専門家の不足、そしてロボット工学と建設の実践を橋渡しする標準フレームワークの欠如によって困難である。 本研究は, ロボット形態の最適化, 移動モジュール再構成ロボットを用いたミッション実行のための総合的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-12-30T11:11:13Z)
• MuTT: A Multimodal Trajectory Transformer for Robot Skills [14.84252843639553]
  MuTTは、ロボットスキルの環境対応実行を予測するために設計された、新しいエンコーダ・デコーダ変換アーキテクチャである。 我々は、視覚と軌跡の融合を開拓し、新しい軌跡投影を導入した。 このアプローチは,現実的な実行を必要とせずに,現状環境におけるロボットスキルパラメータの最適化を容易にする。
  論文  参考訳（メタデータ） (2024-07-22T14:18:52Z)
• DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
  DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。 言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。 実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
  論文  参考訳（メタデータ） (2024-05-12T15:38:17Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• 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)
• GLSO: Grammar-guided Latent Space Optimization for Sample-efficient Robot Design Automation [16.96128900256427]
  設計自動化を低次元連続最適化問題に変換するフレームワークであるGrammar-Guided Latent Space Optimization (GLSO)を提案する。 本研究では,グラフ構造設計空間と連続潜在空間とのマッピングを学習するために,グラフ変分オートエンコーダ(VAE)を訓練することにより,設計自動化を低次元連続最適化問題に変換するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-23T17:48:24Z)
• A Capability and Skill Model for Heterogeneous Autonomous Robots [69.50862982117127]
  機能モデリングは、異なるマシンが提供する機能を意味的にモデル化するための有望なアプローチと考えられている。 この貢献は、製造から自律ロボットの分野への能力モデルの適用と拡張の仕方について考察する。
  論文  参考訳（メタデータ） (2022-09-22T10:13:55Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)

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。