論文の概要: Perfect Demo Makes Poor Teacher: Learning Robust Alignment from Critical Motion Segments

• arxiv url: http://arxiv.org/abs/2606.15587v1
• Date: Sun, 14 Jun 2026 04:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.705641
• Title: Perfect Demo Makes Poor Teacher: Learning Robust Alignment from Critical Motion Segments
• Title（参考訳）: 批判的な動作セグメントからロバストなアライメントを学習する「Pepfect Demo」
• Abstract要約: 専門家によるデモンストレーションは、ロボット模倣学習における金の標準であると広く考えられている。 しかし、挿入、積み重ね、アライメントなどのきめ細かい操作のために、私たちは直感的な失敗モードを発見しました。 視覚言語モデルとアクションエキスパートをブリッジする,コンパクトな動的特徴であるSTAIRを導入する。
• 参考スコア（独自算出の注目度）: 53.85970147743299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expert demonstrations are widely assumed to be the gold standard for robot imitation learning. Yet for fine-grained manipulation such as insertion, stacking, and alignment, we uncover a counterintuitive failure mode: fluent demonstrations can be poor teachers. A skilled teleoperator compresses the decisive moments of alignment and recovery into a brief temporal window, leaving the policy flooded with redundant free-space motion and starved of supervision exactly where precision determines success. We address this bottleneck at two levels. At the data level, slowing down near alignment and resampling critical segments both help, yet the gain comes mainly from broadening the coverage of recovery states the policy must learn, not from reweighting frames it already has. Such data-side fixes, however, leave the policy's per-frame view untouched: a single image still maps directly to an action, and the local motion that governs correction stays implicit. We therefore turn to the representation level and introduce STAIR (\textbf{S}patio-\textbf{T}emporal feature \textbf{A}s an \textbf{I}nterface for \textbf{R}obot learning), a compact dynamic feature that bridges the vision-language model and the action expert, distilling the short-horizon motion already recorded in each trajectory into dense, motion-aware supervision. Trained on fluent data alone, STAIR recovers most of the deliberate-demonstration gain ($50.0$ to $62.2\%$ overall, approaching the $64.4\%$ of deliberate demonstrations). These results call for a more pedagogical view of robot data, optimized for machine learnability rather than human efficiency alone.
• Abstract（参考訳）: 専門家によるデモンストレーションは、ロボット模倣学習における金の標準であると広く考えられている。 しかし、挿入、積み重ね、アライメントなどのきめ細かい操作のために、私たちは直感的な失敗モードを発見しました。 熟練したテレオペレータは、アライメントとリカバリの決定的な瞬間を短時間の時間的ウィンドウに圧縮し、ポリシーは冗長な自由空間運動に浸水し、精度が成功する場所を正確に監視する。 このボトルネックを2つのレベルで解決します。 データレベルでは、アライメントの近くを遅くし、重要なセグメントを再サンプリングすることはどちらも役立ちますが、その利益は主に、すでに持っているリウェイトフレームからではなく、リカバリのカバレッジを広げることにあります。 しかし、このようなデータ側の修正は、ポリシーのフレーム単位のビューを未修正のままにしておく: 単一のイメージは依然としてアクションに直接マップされ、修正を管理するローカルな動きは暗黙的に残る。 したがって,STAIR (\textbf{S}patio-\textbf{T}emporal feature \textbf{A}s an \textbf{I}nterface for \textbf{R}obot learning) は視覚言語モデルとアクションエキスパートをブリッジするコンパクトな動的特徴であり,各トラジェクトリですでに記録されている短水平運動を,密集した動き認識の監視へと蒸留する。 流動的なデータだけで訓練されたSTAIRは、故意の実証的利益のほとんど(50.0$から62.2\%$全体)を回復し、故意のデモンストレーションの644.4\%ドルに近づいた。 これらの結果は、人間の効率だけでなく、機械の学習性にも最適化された、ロボットデータのより教育的な視点を求めている。

関連論文リスト

• Learning to Move Before Learning to Do: Task-Agnostic pretraining for VLAs [46.61554174146852]
  Task-Agnostic Pretraining (TAP)は、安価な未ラベルのインタラクションデータから転送可能なモータの事前学習を行う2段階のフレームワークである。 SIMPLERベンチマークでは、TAPは100万以上の専門家の軌道上でトレーニングされたモデルと、ラベル付きデータの桁数を桁違いに削減する。 現実世界のWidowXプラットフォームでは、TAPは、インターネットスケールのベースラインが0%に崩壊するカメラの摂動の下で25%の成功を維持している。
  論文  参考訳（メタデータ） (2026-07-02T17:33:37Z)
• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
  AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。 AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-04T13:28:51Z)
• Partially Observable Adversarial Patch Attacks on Vision-Language-Action Models in Robotics [21.834006622805678]
  ヴィジュアル・ランゲージ・アクション(VLA)モデルはロボット工学において注目を集めているが、敵の攻撃に対するロバスト性はほとんど解明されていない。 部分的に観測可能な脅威モデルを定式化し、敵は軌跡の短いプレフィックスのみを利用でき、その後の全てのフレームに適用する固定パッチを生成する。 まず、モデルの注意マップを用いてパッチをローカライズし、フルインストラクションに対応する視覚的に重要な領域を特定する。 次に,対象対象物のセマンティックグラウンドを乱すパッチを最適化し,動作軌跡の曲率を増加させる。
  論文  参考訳（メタデータ） (2026-06-02T12:19:28Z)
• WM-DAgger: Enabling Efficient Data Aggregation for Imitation Learning with World Models [22.67666648771421]
  効率的なデータ集約フレームワークであるWM-DAggerを提案する。 我々は、目の届くロボットアームと数発のデモでタスクを操作することに重点を置いている。 我々は、WM-DAggerを複数の実世界のロボットタスクで広範囲に検証する。
  論文  参考訳（メタデータ） (2026-04-13T11:49:11Z)
• Learning from Imperfect Demonstrations via Temporal Behavior Tree-Guided Trajectory Repair [5.4872967954342675]
  デモからロボット制御ポリシーを学ぶことは強力なパラダイムだが、現実のデータはしばしば最適でない、うるさい、あるいは不完全である。 本稿では,下流政策学習に使用される前に,時間的行動木(TBT)を用いて最適下方軌道を修復する形式的枠組みを提案する。 本稿では,このフレームワークが分散グリッドワールドナビゲーションおよび連続的単一・複数エージェントリーチ回避タスクに有効であることを示す。
  論文  参考訳（メタデータ） (2026-04-05T18:49:45Z)
• CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos [73.51386721543135]
  本稿では,映像から視覚的潜伏空間をロボット軌道から受容的潜伏空間に整列させるフレームワークであるContrastive Latent Action Pretraining (CLAP)を提案する。 CLAPは、ビデオの遷移を量子化され、物理的に実行可能なコードブックにマッピングする。 本稿では,命令追従やオブジェクトの一般化に優れた自己回帰モデルであるCLAP-NTPと,高頻度かつ高精度な操作のために設計されたRectified FlowベースのポリシーであるCLAP-RFの両方を提供する二重形式VLAフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T16:26:33Z)
• Weakly and Self-Supervised Class-Agnostic Motion Prediction for Autonomous Driving [52.79390062794558]
  我々は,LiDAR点雲からの弱・自己監督型クラス非依存動作予測について検討した。 動作アノテーションを完全にあるいは部分的に注釈付けした(1%, 0.1%)フォアグラウンド/バックグラウンドマスクに置き換える,弱制御された新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-09-16T14:22:45Z)
• Self-Augmented Robot Trajectory: Efficient Imitation Learning via Safe Self-augmentation with Demonstrator-annotated Precision [2.3548641190233264]
  自己拡張型ロボット軌道(Self-Augmented Robot Trajectory, SART)は、一つの人間のデモンストレーションからポリシー学習を可能にするフレームワークである。 SARTは、人間による実証にのみ訓練されたポリシーよりも、はるかに高い成功率を達成する。
  論文  参考訳（メタデータ） (2025-09-11T23:10:56Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning [66.53533434848369]
  密集した表現を学習する動き誘導型自己学習フレームワークを提案する。 6つの画像およびビデオデータセットと4つの評価ベンチマークにおいて、最先端を1%から6%改善する。
  論文  参考訳（メタデータ） (2025-06-10T11:20:32Z)

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。