論文の概要: OLIVE: Online Low-Rank Incremental Learning for Efficient Adaptive Exoskeletons

• arxiv url: http://arxiv.org/abs/2606.05234v1
• Date: Wed, 03 Jun 2026 01:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.267786
• Title: OLIVE: Online Low-Rank Incremental Learning for Efficient Adaptive Exoskeletons
• Title（参考訳）: OLIVE: 効果的な適応型外骨格のためのオンライン低ランクインクリメンタルラーニング
• Authors: Dong Liu, Yanxuan Yu, Ben Lengerich, Tony Geng, Ying Nian Wu,
• Abstract要約: オリーブはオンライン適応フレームワークで、デプロイ中にExoskeletonコントロールを継続的にパーソナライズする。 ウェアラブルプラットフォーム上での実験では,オリーブは歩行のスムーズ性,労力削減,運動安定性において,+13,+22,+15のパーセンテージ向上を達成した。
• 参考スコア（独自算出の注目度）: 35.46988807021252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable exoskeleton systems hold promise for restoring mobility in individuals with physical impairments, yet most existing controllers rely on static gait policies that lack the ability to adapt to dynamic real-world environments or individual user characteristics. We present \olive (\underline{O}nline \underline{L}ow-rank \underline{I}ncremental Learning for Efficient Adapti\underline{ve} Exoskeletons), a parameter-efficient online adaptation framework that continuously personalizes exoskeleton control during deployment. \olive decomposes the adaptive component of the control policy into a low-rank residual form~$\dW = \At\Bt^\top$ with rank~$r!\ll!\min(d,k)$, reducing online update cost from $\mathcal{O}(dk)$ to $\mathcal{O}(r(d{+}k))$ while preserving the stability of a pretrained base controller~$\Wz$. Parameters are updated via a reward-shaped policy gradient driven purely by on-body sensor feedback (EMG, IMU, vibration), eliminating dependence on offline reference trajectories. A gating mechanism modulates the strength of personalization based on contextual state, and a dynamic rank scheduler adapts the update dimensionality to terrain complexity -- allocating minimal capacity on simple flat terrain and expanding to higher-rank updates on demanding uneven surfaces -- enabling robust performance across diverse activities: flat walking, stair navigation, slopes, and uneven terrain. Experiments on the wearable platform demonstrate that \olive achieves +13, +22, and +15 percentage-point improvements in gait smoothness, effort reduction, and motion stability over the strongest baseline, converging within $\sim$1{,}800 walking steps at 7.4,ms end-to-end latency. Our code implementation is available at https://github.com/FastLM/OLIVE.
• Abstract（参考訳）: ウェアラブルエキソスケルトンシステムは、身体障害を持つ個人の移動性回復を約束するが、既存のコントローラーの多くは、動的な現実世界の環境や個々のユーザー特性に適応する能力に欠ける静的な歩行ポリシーに依存している。 本稿では,エキソスケトン制御を継続的にパーソナライズするパラメータ効率の高いオンライン適応フレームワークである,高効率なAdapti\underline{ve} Exoskeletonsのための学習手法を,<olive>(\underline{O}nline \underline{L}ow-rank \underline{I}ncremental Learning)として提案する。 \olive は制御ポリシーの適応成分を低ランク残差形式~$\dW = \At\Bt^\top$ with rank~$r! くそっ! オンライン更新コストを$\mathcal{O}(dk)$から$\mathcal{O}(r(d{+}k))$に下げる。 パラメータは、車載センサーフィードバック(EMG、IMU、振動)によって純粋に駆動される報酬型ポリシー勾配によって更新される。 ゲーティングメカニズムは、コンテキスト状態に基づいてパーソナライゼーションの強度を変調し、ダイナミックなランクスケジューラは、更新次元を地形の複雑さに適応させる -- 単純な平坦な地形に最小限の容量を割り当て、不均一な表面を要求する場合の高階更新に拡張する -- により、フラットウォーキング、階段ナビゲーション、傾斜、不均一な地形など、さまざまな活動において堅牢なパフォーマンスを実現する。 ウェアラブルプラットフォーム上での実験では、‘オリーブ’は、最強ベースライン上での歩行の滑らかさ、労力削減、動作安定性において、最大7.4msで$\sim$1{,}800ウォーキングステップに収束する、+13, +22, +15パーセントの改善を達成した。 私たちのコード実装はhttps://github.com/FastLM/OLIVE.comで公開されています。

関連論文リスト

• Agile Online Model Selection: Resolving Adaptation Lag via Safeguarded Large Learning Rates [9.463718838347955]
  本稿では,保護された大規模学習率を最大$(T) まで活用する,新しい楽観的なオンラインミラー降下法を提案する。 私たちの重要な技術的貢献は、不安定な更新を動的に監視し、過度の後悔を招く学習率を排除する、ポストホックペナルティメカニズムです。 3つの合成および11の多様な実世界のデータセットに対する実証的な評価は、我々のアプローチが数百ラウンドから数ラウンドまでの適応ラグを減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-26T12:18:08Z)
• Power Reinforcement Post-Training of Text-to-Image Models with Super-Linear Advantage Shaping [66.25536973294726]
  テキスト・トゥ・イメージ(T2I)モデルのポストトレーニング手法はハッキングに報いる傾向がある。 SLAS(Super-Linear Advantage Shaping)は、地方政策の分野を再考する。 SLASは、DanceGRPOベースラインを複数のバックボーンとベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-11T17:59:25Z)
• DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
  本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。 メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。 EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
  論文  参考訳（メタデータ） (2026-04-13T03:19:36Z)
• The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation [86.83038620308423]
  Continual Test-Time Adaptation (CTTA)は、ソースデータにアクセスすることなく、分散シフトの下でラベルなしのデータストリームへのオンライン適応を可能にすることを目的としている。 我々は,GOLD ( Guided Online Low-rank Directional Adaptation) を提案する。これは,Goldenサブスペースに機能を投影する軽量アダプタを用いて,サブスペースがAGOPを介して動的に更新される間に,コンパクトなスケーリングベクトルを学習する。
  論文  参考訳（メタデータ） (2026-03-23T12:48:38Z)
• Toward Adaptive Non-Intrusive Reduced-Order Models: Design and Challenges [0.509780930114934]
  我々は、潜在部分空間と縮小されたダイナミクスの両方をオンラインに更新する適応的非侵入性ROMについて研究する。 ROMの予測的クレームは、トレーニング/適応/デプロイ体制の明確な分離を伴って、コストを意識し、透明でなければならない、と我々は主張する。
  論文  参考訳（メタデータ） (2026-02-11T21:09:08Z)
• PLATE: Plasticity-Tunable Efficient Adapters for Geometry-Aware Continual Learning [1.8985807299725523]
  従来のタスクデータへのアクセスを必要としない事前学習モデルの連続学習法を開発した。 冗長性は 自然の偏見を与えます textscPLATEは、可塑性保持トレードオフを明示的に制御する。
  論文  参考訳（メタデータ） (2026-02-03T18:59:42Z)
• Bootstrap Off-policy with World Model [59.129118672069644]
  ブートストラップループを通じて計画と非政治学習を緊密に統合するフレームワークであるBOOMを提案する。 BOOMは、トレーニングの安定性と最終的なパフォーマンスの両方において、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-11-01T06:33:04Z)
• Logits Replay + MoClip: Stabilized, Low-Cost Post-Training with Minimal Forgetting [6.653834890554154]
  Logits Replay + MoClipは,ロジット空間の監視を圧縮し,更新レベルでの最適化を安定化するフレームワークである。 提案手法は,一般的なベンチマークでの忘れを軽減しつつ,コミュニケーション技術タスクのドメイン性能を向上する。
  論文  参考訳（メタデータ） (2025-10-10T08:55:32Z)
• Adaptive Behavior Cloning Regularization for Stable Offline-to-Online Reinforcement Learning [80.25648265273155]
  オフライン強化学習は、固定データセットから学習することで、環境と対話することなくエージェントの動作を学ぶことができる。 オンラインの微調整中、オフラインからオンラインデータへの突然の分散シフトにより、事前訓練されたエージェントのパフォーマンスが急速に低下する可能性がある。 エージェントの性能と訓練安定性に基づいて,オンラインファインチューニングにおける行動クローンの損失を適応的に評価することを提案する。 実験の結果,提案手法はD4RLベンチマークにおいて,最先端のオフライン-オンライン強化学習性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-25T09:08:26Z)

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。