論文の概要: Learning from Demonstrations over Riemannian Manifolds using Neural ODEs: An Extended Abstract

• arxiv url: http://arxiv.org/abs/2606.05422v1
• Date: Wed, 03 Jun 2026 20:38:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.396194
• Title: Learning from Demonstrations over Riemannian Manifolds using Neural ODEs: An Extended Abstract
• Title（参考訳）: ニューラルネットワークによるリーマン多様体上のデモから学ぶ:拡張抽象
• Authors: Diana Cuervo Espinosa, Mahathi Anand, Angela P. Schoellig,
• Abstract要約: 本研究では,測地線を用いたロボットの学習フレームワークを開発する。 我々は、ニューラル常微分方程式を用いて測地学を数値的に推定する。 これらの測地学は、ロボットにデプロイする前に元のタスク空間に復号することができる。
• 参考スコア（独自算出の注目度）: 6.375597233389154
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Learning from demonstratins (LfD) is usually performed over Euclidean spaces, while the robot state, e.g. orientation, naturally evolves over curved spaces. Therefore, to ensure natural, complex motion generation, we investigate learning from demonstrations over Riemannian manifolds that are capable of encoding both position and orientation data. Here, geodesic paths provide for natural motion between two arbitrary points within the manifold. We propose to numerically estimate geodesics via neural ordinary differential equations, mitigating large computational overhead of existing approaches. Finally, these geodesics can be decoded back into the original task space before deploying on the robot. In this extended abstract, we discuss the architecture of our framework, provide some initial insights from our simulation experiments, including comparison to other geodesic computation mechanisms, and discuss the challenges and prospects for future work.
• Abstract（参考訳）: デーモンストラチン(LfD)からの学習は通常ユークリッド空間上で行われ、ロボットの状態、例えば方向は、曲線空間上で自然に進化する。 したがって、自然な複雑な動きの生成を保証するために、位置データと向きデータの両方を符号化できるリーマン多様体上の実演から学習する。 ここで、測地経路は多様体内の2つの任意の点の間の自然な運動を与える。 本稿では,既存手法の計算オーバーヘッドを軽減し,ニューラル常微分方程式を用いて測地学を数値的に推定する。 最後に、これらの測地学はロボットに展開する前に元のタスク空間に復号することができる。 本稿では,提案するフレームワークのアーキテクチャについて論じるとともに,他の測地線計算機構との比較を含むシミュレーション実験からの最初の知見を提供し,今後の課題と展望について考察する。

関連論文リスト

• Parallelised Differentiable Straightest Geodesics for 3D Meshes [47.61846725512702]
  メッシュが最も直線的な測地線として識別されたリーマン曲面上の指数写像を計算するための原理的枠組みを提案する。 我々は、我々の微分指数写像が一般測地における学習と最適化のパイプラインをどのように改善するかを示す。
  論文  参考訳（メタデータ） (2026-03-16T18:10:28Z)
• Geometry-Aware Sampling-Based Motion Planning on Riemannian Manifolds [9.081925829245455]
  構成に依存した測定値において,長さを最小化する衝突のない運動を計画する問題に対処する。 提案手法はユークリッド型プランナーや古典的数値測地解法ベースラインよりも低コストな軌道を一貫して生成する。
  論文  参考訳（メタデータ） (2026-02-01T03:14:46Z)
• Riemannian Consistency Model [57.933800575074535]
  本稿では,Riemannian Consistency Model (RCM)を提案する。 RCMの離散的および連続的な訓練目標に対する閉形式解を導出する。 我々は、RCMの目的を解釈するためのユニークなキネマティクスの視点を提供し、新しい理論的な角度を提供する。
  論文  参考訳（メタデータ） (2025-10-01T14:57:25Z)
• Geometric Neural Distance Fields for Learning Human Motion Priors [51.99890740169883]
  本研究では,より頑健で時間的に整合性があり,物理的に妥当な3次元運動回復を可能にする新しい3D生成人体運動について紹介する。 AMASSデータセットをトレーニングし、NRMFは複数の入力モードにまたがって著しく一般化する。
  論文  参考訳（メタデータ） (2025-09-11T17:58:18Z)
• Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
  本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。 これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。 EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-05-23T12:18:08Z)
• A singular Riemannian Geometry Approach to Deep Neural Networks III. Piecewise Differentiable Layers and Random Walks on $n$-dimensional Classes [49.32130498861987]
  本稿ではReLUのような非微分可能活性化関数の事例について検討する。 最近の2つの研究は、ニューラルネットワークを研究するための幾何学的枠組みを導入した。 本稿では,画像の分類と熱力学問題に関する数値実験を行った。
  論文  参考訳（メタデータ） (2024-04-09T08:11:46Z)
• Short and Straight: Geodesics on Differentiable Manifolds [6.85316573653194]
  本研究では,測地線長を最小化するための既存の手法をまず解析する。 次に,連続多様体上の距離場と測地流のモデルに基づくパラメータ化を提案する。 第3に,Ricciスカラーのより大きい値を示す多様体の領域において,曲率に基づくトレーニング機構,サンプリングおよびスケーリングポイントを開発する。
  論文  参考訳（メタデータ） (2023-05-24T15:09:41Z)
• Reactive Motion Generation on Learned Riemannian Manifolds [14.325005233326497]
  人間の操作者が示す複雑な動作パターンに基づいて動作スキルを生成する方法を示す。 そこで本研究では,学習多様体を変形させることにより,オンザフライのエンドエフェクタ/マルチランブ障害物回避を容易にする手法を提案する。 7-DoFロボットマニピュレータを用いて,タスク空間と関節空間のシナリオにおいて,我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2022-03-15T10:28:16Z)

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。