論文の概要: Benchmarking Action Spaces in Reinforcement Learning for Vision-based Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2606.18594v1
• Date: Wed, 17 Jun 2026 01:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.958687
• Title: Benchmarking Action Spaces in Reinforcement Learning for Vision-based Robotic Manipulation
• Title（参考訳）: 視覚に基づくロボットマニピュレーションのための強化学習におけるベンチマーク行動空間
• Authors: Seyed Alireza Azimi, Homayoon Farrahi, Abhishek Naik, Colin Bellinger, A. Rupam Mahmood,
• Abstract要約: 実世界の強化学習(RL)では、動作空間の選択は動きの滑らかさ、安全性、全体的なタスクパフォーマンスを形作る上で重要な役割を果たす。 我々はシミュレーションでポリシーをトレーニングし、sim-to-real転送を使用してそれらを現実世界に展開する。 アクション空間の表現は、実際にはsim-to-realのパフォーマンスに大きく影響している。
• 参考スコア（独自算出の注目度）: 9.501565892264027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world reinforcement learning (RL), the choice of action space can play a key role in shaping motion smoothness, safety, and overall task performance. In this study, we evaluate pose increment, pose velocity, joint position increment, and joint velocity across two vision-based manipulation tasks: object picking and pushing. We train policies in simulation and deploy them to the real world using sim-to-real transfer. We find that action-space representation indeed significantly affects sim-to-real performance. In particular, we find that the joint velocity action space is best for the vision-based picking and pushing tasks in terms of smoothness and final task performance. We also provide practical guidance for RL practitioners in choosing action spaces for both simulation and real-world experiments.
• Abstract（参考訳）: 実世界の強化学習(RL)では、動作空間の選択は動きの滑らかさ、安全性、全体的なタスクパフォーマンスを形作る上で重要な役割を果たす。 本研究では,2つの視覚に基づく操作課題である物体の摘みと押す作業において,ポーズの増分,ポーズの速さ,関節位置の増分,関節の速さを評価する。 我々はシミュレーションでポリシーをトレーニングし、sim-to-real転送を使用してそれらを現実世界に展開する。 アクション空間の表現は、実際にはsim-to-realのパフォーマンスに大きく影響している。 特に, 関節速度動作空間は, 視力に基づくピックおよびプッシュ作業において, 滑らかさと最終作業性能の点で最適であることがわかった。 また,シミュレーションと実世界の実験の両方において,RL実践者が行動空間を選択するための実践的ガイダンスも提供する。

関連論文リスト

• Universal Pose Pretraining for Generalizable Vision-Language-Action Policies [83.39008378156647]
  既存のVision-Language-Action(VLA)モデルは、しばしば機能崩壊と訓練効率の低下に悩まされる。 本稿では,VLAトレーニングを3次元空間前駆体抽出のための事前学習フェーズに分離する,分離されたパラダイムであるPose-VLAを提案する。 我々のフレームワークは2段階の事前学習パイプラインに従い、ポーズと動きのアライメントによる基本的な空間接地を確立する。
  論文  参考訳（メタデータ） (2026-02-23T11:00:08Z)
• PhysHSI: Towards a Real-World Generalizable and Natural Humanoid-Scene Interaction System [67.2851799763138]
  PhysHSIはシミュレーショントレーニングパイプラインと現実世界のデプロイメントシステムで構成される。 シミュレーションでは,自然のヒューマノイドとシーンの相互作用データを模倣するために,逆運動に基づくポリシー学習を採用する。 実世界の展開には、LiDARとカメラ入力を組み合わせた粗粒度オブジェクトローカライズモジュールを導入する。
  論文  参考訳（メタデータ） (2025-10-13T07:11:37Z)
• Watch Less, Feel More: Sim-to-Real RL for Generalizable Articulated Object Manipulation via Motion Adaptation and Impedance Control [7.986465090160508]
  可変インピーダンス制御と動き適応を備えた新しいRLパイプラインを提案する。 我々のパイプラインは、ゼロショットsim-to-real転送時の滑らかで器用な動きに焦点を当てている。 我々の知る限りでは、われわれの政策は現実世界で84%の成功率を最初に報告した。
  論文  参考訳（メタデータ） (2025-02-20T11:18:35Z)
• On the Role of the Action Space in Robot Manipulation Learning and Sim-to-Real Transfer [6.1622717998840395]
  本研究では,ロボット操作学習とシミュレート・トゥ・リアル・トランスファーにおける行動空間の選択について検討する。 我々は250以上の強化学習(RL)エージェントを訓練し、タスクの到達とプッシュをシミュレートした。 空間の選択は、共通のアクション空間設計特性の組み合わせにまたがる。
  論文  参考訳（メタデータ） (2023-12-06T18:38:05Z)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• Contrastive Learning for Enhancing Robust Scene Transfer in Vision-based Agile Flight [21.728935597793473]
  本研究では、ゼロショットシーン転送と実世界展開を可能にする視覚表現学習のための適応型マルチペアコントラスト学習戦略を提案する。 私たちは、アジャイルでビジョンベースの4倍体飛行のタスクに対して、私たちのアプローチのパフォーマンスを実演します。
  論文  参考訳（メタデータ） (2023-09-18T15:25:59Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。