論文の概要: RAM: Reachability Across Morphologies

• arxiv url: http://arxiv.org/abs/2606.09108v1
• Date: Mon, 08 Jun 2026 07:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.777371
• Title: RAM: Reachability Across Morphologies
• Title（参考訳）: RAM: モルフォロジー全体にわたる到達可能性
• Authors: Tim Walter, Xinyu Chen, Jonathan Külz, Matthias Althoff,
• Abstract要約: 到達可能性 (Reachability Across Morphologies, RAM) は、形態論的条件付き暗黙の神経表現であり、ポーズ到達可能性の代理として機能する。 RAMをトレーニングするために、フォワードキネマティクスからのみ生成された3cdot1010$サンプルの大規模なデータセットを公開します。
• 参考スコア（独自算出の注目度）: 16.099198172907993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many stages of the robotic lifecycle, from morphology synthesis to operation, rely fundamentally on the reachable workspace. However, current methods for approximating workspaces are slow, imprecise, or tied to a single morphology. We introduce Reachability Across Morphologies (RAM): a morphology-conditioned, implicit neural representation that acts as a fast, differentiable surrogate for pose reachability, generalising to unseen morphologies while inherently accounting for self-collisions. To train RAM, we publish a large-scale dataset of $3\cdot10^{10}$ samples generated solely from forward kinematics. Experiments show that our model achieves an $ F_1$-score of $86\%$ at nanosecond inference, outperforming the baseline by $14\%$ while reducing inference time by three orders of magnitude. We further demonstrate speed-ups of one and two orders of magnitude for gradient-based morphology and trajectory optimisation, respectively. Website: https://timwalter.github.io/ram.
• Abstract（参考訳）: 形態学合成から操作まで、ロボットライフサイクルの多くの段階は、基本的に到達可能なワークスペースに依存している。 しかし、現在のワークスペースの近似法は遅く、不正確で、単一の形態に結びついている。 形態条件付き暗黙のニューラル表現で、ポーズの到達性に対する高速で微分可能なサロゲートとして機能し、自然に自己衝突を考慮しつつ、見えない形態に一般化する。 RAMをトレーニングするために、フォワードキネマティクスからのみ生成された3\cdot10^{10}$サンプルの大規模なデータセットを公開します。 実験の結果,我々のモデルでは,ナノ秒の推論でF_1$-scoreが$86\%,ベースラインが$14\%,推論時間が$3桁に短縮されることがわかった。 さらに、勾配に基づくモーメントと軌道最適化のために、1桁と2桁のスピードアップをそれぞれ示す。 Webサイト: https://timwalter.github.io/ram

関連論文リスト

• Architecture-driven Shift: towards a lightweight selector for capturing the trends of logit shift [1.6194290564561395]
  連続学習(CL)は、深層学習ニューラルネットワークのパワーを利用するための実践的なパラダイムである。 ロジットシフトは、CLシナリオにおけるロジットシフトを表すため、自然なプロキシとして機能する。 既存の理論的分析では、均一な隠蔽層幅の仮定のため、効率的な代替手段を提供できない。
  論文  参考訳（メタデータ） (2026-05-26T08:41:13Z)
• Reduced-Order Neural Operators: Learning Lagrangian Dynamics on Highly Sparse Graphs [19.1312659245072]
  我々は,データ駆動型離散化不変フレームワークであるGIOROMについて,低次モデリング(ROM)によるラグランジアンシミュレーションを高速化する。 我々は、PDEソリューション演算子のデータ駆動グラフに基づくニューラル近似を利用する。 GIOROMは6.6$times$-32$times$の入力次元の縮小を実現し、多様なラグランジアン体制における高忠実度再構成を維持している。
  論文  参考訳（メタデータ） (2024-07-04T13:37:26Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• A Dynamical Model of Neural Scaling Laws [79.59705237659547]
  ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。 我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
  論文  参考訳（メタデータ） (2024-02-02T01:41:38Z)
• Parameter-efficient Tuning of Large-scale Multimodal Foundation Model [68.24510810095802]
  我々はこれらの課題を克服するために、クロスモーダル転送(Aurora)のための優雅なプロンプトフレームワークを提案する。 既存のアーキテクチャの冗長性を考慮すると、まずモード近似を用いて0.1Mのトレーニング可能なパラメータを生成し、マルチモーダルプロンプトチューニングを実装する。 6つのクロスモーダルベンチマークの徹底的な評価は、最先端のベンチマークを上回るだけでなく、完全な微調整アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-15T06:40:56Z)
• Sublinear scaling in non-Markovian open quantum systems simulations [0.0]
  プロセステンソルを計算する数値的精度のアルゴリズムを導入する。 我々のアプローチでは、無限メモリを持つ環境に対して$mathcalO(nlog n)$の特異値分解しか必要としない。
  論文  参考訳（メタデータ） (2023-04-11T15:40:33Z)
• Learning Behavior Representations Through Multi-Timescale Bootstrapping [8.543808476554695]
  本稿では,行動のマルチスケール表現学習モデルであるBootstrap Across Multiple Scales (BAMS)を紹介する。 まず,異なる地形タイプをナビゲートする四足歩行のデータセットに本手法を適用し,そのモデルが行動の時間的複雑さを捉えていることを示す。
  論文  参考訳（メタデータ） (2022-06-14T17:57:55Z)
• Approximated Bilinear Modules for Temporal Modeling [116.6506871576514]
  CNNの2層は補助ブランチサンプリングを追加することで、時間的双線形モジュールに変換できる。 我々のモデルは、事前トレーニングなしで、Something v1とv2データセットの最先端メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-07-25T09:07:35Z)

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。