論文の概要: Task Editing for Generalizable 3D Visuomotor Policy Learning

• arxiv url: http://arxiv.org/abs/2606.07012v1
• Date: Fri, 05 Jun 2026 07:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.627619
• Title: Task Editing for Generalizable 3D Visuomotor Policy Learning
• Title（参考訳）: 一般化可能な3次元ビジュモータ政策学習のためのタスク編集
• Authors: Jian-Jian Jiang, YiHan Yang, Lan Wei, Yuming Luo, Xiao-Ming Wu, Xuhang Chen, Bin Fan, Dandan Zhang, Wei-Shi Zheng,
• Abstract要約: 3Dビジュモータポリシーは、深度マップと点雲が空間的推論のための豊富な幾何学的情報を提供するため、複雑なロボット操作に有望な方向を提供する。 既存の手法では、人間中心のデモにオブジェクト中心の変換を適用することで、データ効率を改善するためにデモ生成戦略が一般的である。 本稿では,タスク中心の編集の観点から多様な軌道を生成する新しいデモ生成フレームワークであるTask-Editを提案する。
• 参考スコア（独自算出の注目度）: 50.590696755853365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D visuomotor policies offer a promising direction for complex robotic manipulation, as depth maps and point clouds provide rich geometric information for spatial reasoning. However, their success often depends on large-scale real-world demonstrations, which are costly and time-consuming to collect. To this end, existing methods commonly use demonstration generation strategies to improve data efficiency by applying object-centric transformations to human-collected demonstrations, such as varying object poses or scales. While effective for local variation, these transformations largely preserve the original scene structure and skill sequence, limiting their ability to synthesize diverse scene-skill-object combinations for complex tasks. In this paper, we propose Task-Edit, a novel demonstration generation framework that generates diverse trajectories from a task-centric editing perspective. The key insight of Task-Edit is to decompose a task into scene, skill and object components, and flexibly recombine them. In this way, Task-Edit enables scalable demonstration generation and significantly improves generalization for long-horizon manipulation tasks. We evaluate Task-Edit through extensive real-world experiments and demonstrate three advantages: (1) Effectiveness: Task-Edit significantly improves 3D visuomotor policies across various real-world tasks and robot embodiments. (2) Generalizability: Task-Edit improves model generalization across different scenario setups. (3) Applicability: Task-Edit enables models to handle scenarios that are difficult to collect in the real world, including disturbance resistance, obstacle avoidance and unseen cluttered scenes.
• Abstract（参考訳）: 3Dビジュモータポリシーは、深度マップと点雲が空間的推論のための豊富な幾何学的情報を提供するため、複雑なロボット操作に有望な方向を提供する。 しかし、彼らの成功はしばしば大規模な実世界のデモに依存しており、収集には費用がかかり、時間がかかる。 この目的のために、既存の手法では、オブジェクトのポーズやスケールなど、人為的なデモにオブジェクト中心の変換を適用することで、データ効率を改善するためのデモ生成戦略が一般的である。 局所的な変化には有効であるが、これらの変換は元のシーン構造とスキルシーケンスを保ち、複雑なタスクのための多様なシーンスキルとオブジェクトの組み合わせを合成する能力を制限する。 本稿では,タスク中心の編集の観点から多様な軌道を生成する新しいデモ生成フレームワークであるTask-Editを提案する。 Task-Editの重要な洞察は、タスクをシーン、スキル、オブジェクトコンポーネントに分解し、柔軟に再結合することだ。 このように、Task-Editはスケーラブルなデモ生成を可能にし、長期操作タスクの一般化を大幅に改善する。 1)実世界の様々なタスクやロボットの実施状況において,タスク編集は3次元ビズモータポリシーを大幅に改善する。 (2) 一般化可能性: Task-Edit は様々なシナリオ設定におけるモデルの一般化を改善する。 (3)適用性:Task-Editは、乱れ抵抗、障害物回避、目に見えない散らばったシーンなど、現実世界で収集が難しいシナリオをモデルで処理することを可能にする。

関連論文リスト

• SAGA: Open-World Mobile Manipulation via Structured Affordance Grounding [17.694566254714676]
  SAGAは視覚運動制御のための汎用的で適応的なフレームワークである。 様々な環境、タスクの目的、ユーザ仕様をまたいで一般化することができる。 言語命令、選択されたポイント、サンプルデモなど、さまざまな形式で指定されたタスクを解決できる。
  論文  参考訳（メタデータ） (2025-12-14T21:13:56Z)
• Correspondence-Oriented Imitation Learning: Flexible Visuomotor Control with 3D Conditioning [11.847696426774732]
  本研究では,3次元のフレキシブルなタスク表現を持つビジュモータ制御のための条件付きポリシー学習フレームワークであるImitation-Oriented Learning (COIL)を紹介する。 COILはタスク、オブジェクト、動作パターンをまたいで一般化し、疎密な仕様と密な仕様の両方の下での現実世界の操作タスクの従来の方法と比べて、優れた粒度を達成する。
  論文  参考訳（メタデータ） (2025-12-05T18:50:17Z)
• Mash, Spread, Slice! Learning to Manipulate Object States via Visual Spatial Progress [53.723881111373736]
  SPARTAは、オブジェクトの状態変化操作タスクのファミリーで最初に統合されたフレームワークである。 SPARTAは、空間的に進行するオブジェクト変化のセグメンテーションマップ、実行可能領域と変換可能領域を知覚する視覚的スキル、時間とともに漸進的な進歩を捉える高密度報酬を統合している。 SPARTAを現実のロボットで検証し、10種類の現実世界のオブジェクトにまたがる3つの課題について検討する。
  論文  参考訳（メタデータ） (2025-09-28T23:56:07Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Geometrically-Aware One-Shot Skill Transfer of Category-Level Objects [18.978751760636563]
  本研究では,ロボットが複雑な物体操作のスキルと制約を1人の人間の実演から伝達することのできる,新しいスキル伝達フレームワークを提案する。 提案手法は,オブジェクト中心のインタラクションに着目したデモンストレーションから幾何学的表現を導出することで,スキル獲得とタスク実行の課題に対処する。 本手法の有効性と適応性を広範囲な実験により検証し,追加の訓練を必要とせず,多様な実環境における技術移転とタスク実行を実証した。
  論文  参考訳（メタデータ） (2025-03-19T16:10:17Z)
• Planning-Guided Diffusion Policy Learning for Generalizable Contact-Rich Bimanual Manipulation [16.244250979166214]
  Generalizable Planning-Guided Diffusion Policy Learning (GLIDE)は、コンタクトリッチな双方向操作タスクを解決するためのアプローチである。 本稿では,特徴抽出,タスク表現,行動予測,データ拡張における重要な設計オプションのセットを提案する。 本手法は, 多様な地形, 寸法, 物理的特性の物体を効果的に操作することができる。
  論文  参考訳（メタデータ） (2024-12-03T18:51:39Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)

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。