論文の概要: LiMoDE: Rethinking Lifelong Robot Manipulation from a Mixture-of-Dynamic-Experts Perspective
- arxiv url: http://arxiv.org/abs/2606.26183v1
- Date: Wed, 24 Jun 2026 13:18:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.024233
- Title: LiMoDE: Rethinking Lifelong Robot Manipulation from a Mixture-of-Dynamic-Experts Perspective
- Title（参考訳）: LiMoDE: ダイナミック・エクササイズの観点からの生涯ロボットマニピュレーションの再考
- Abstract要約: 本稿では,動的エキスパートの生涯混合(textitLiMoDE)のアーキテクチャ的視点について述べる。
具体的には、マルチタスク事前学習段階において、事前知識を学習するために、動的MoE構造が最初に提案される。
タスク適応段階では、生涯の専門家を学習し、凍結したタスクと動的に組み合わせて新しいタスクを行う、生涯MoE適応機構%(LiMoEAM)を設計する。
- 参考スコア（独自算出の注目度）: 7.2941149985927645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building a generalist robot that can leverage prior knowledge for continuous task adaptation remains a significant challenge. Previous works alleviate the catastrophic forgetting problem by parameter-efficient fine-tuning for single-task adaptation. However, they fail to extract reusable skills and model the interaction with other skills effectively. Recent works try to address these issues by learning prompts. Differently, this paper presents an architectural perspective on the Lifelong Mixture of Dynamic Experts (\textit{LiMoDE}), a novel two-stage learning scheme for lifelong robot manipulation. Specifically, a dynamic MoE structure is first proposed in the multi-task pre-training stage to learn prior knowledge, where a varied number of heterogeneous experts are activated based on the motion information to address different short-term manipulations. Subsequently, in the task adaptation stage, we design a lifelong MoE adaptation mechanism % (LiMoEAM) that learns lifelong experts and dynamically combines them with frozen ones for new tasks, facilitating the knowledge transfer during adaptation. The proposed \textit{LiMoDE} is evaluated on both the simulated lifelong learning benchmark and real-world tasks. Extensive experiments demonstrate its effectiveness in achieving superior performance and strong lifelong adaptation by introducing a moderate number of additional trainable parameters and inference overhead.
- Abstract（参考訳）: タスク適応のための事前知識を活用できる汎用ロボットの構築は,依然として大きな課題である。
従来の研究は、単一タスク適応のためのパラメータ効率の良い微調整により、破滅的な忘れの問題を軽減するものだった。
しかし、再利用可能なスキルの抽出に失敗し、他のスキルとの相互作用を効果的にモデル化する。
最近の研究は、これらの問題に学習のプロンプトで対処しようとしている。
そこで本研究では,生涯ロボット操作のための新しい2段階学習手法であるLifelong Mixture of Dynamic Experts (\textit{LiMoDE})について,そのアーキテクチャ的視点を示す。
具体的には、動的MoE構造をマルチタスク事前学習段階で提案し、様々な動作情報に基づいて様々な異種の専門家を活性化し、異なる短期操作に対処する。
その後、タスク適応段階において、生涯の専門家を学習し、凍結したタスクと動的に組み合わせ、適応中の知識伝達を容易にする、寿命の長いMoE適応機構(LiMoEAM)を設計する。
The proposed \textit{LiMoDE} is evaluate on thesimulated lifelong learning benchmark and real-world task。
大規模な実験は、適度な数のトレーニング可能なパラメータと推論オーバーヘッドを導入することで、優れた性能と強力な寿命適応を実現する効果を実証している。
関連論文リスト
- LifeMem: Enabling Lifelong Experience Reuse for LLM Agents [79.11224209641739]
LifeMemは、エージェントが複数の環境にまたがって知識を伝達できるようにする、生涯学習フレームワークである。
LifeMemは、再利用可能なスキルを抽出するために、基礎となる軌跡に基づく相互作用軌跡を蓄積した。
その結果、LifeMemは生涯学習における効果的な体験再利用を可能にし、学習課題の忘れを減らし、より優れたタスク間移動を実現することができることがわかった。
論文 参考訳（メタデータ） (2026-09-11T10:00:43Z) - Spatially Generalizable Mobile Manipulation via Adaptive Experience Selection and Dynamic Imagination [23.225672159796815]
移動マニピュレーションは、多段階の異種スキルの合成に対する長い水平決定を伴う。
既存のMM手法では, (i) 長期間の相互作用で発生する冗長なデータの有効利用により, サンプル効率が低下する。
本稿では,適応経験選択(AES)とモデルに基づく動的想像力を通して,これらの課題に対処する。
論文 参考訳（メタデータ） (2026-01-21T04:43:49Z) - Mixtures of SubExperts for Large Language Continual Learning [6.425296129700846]
タスクの連続ストリームに大規模言語モデルを適用することは、決定的だが挑戦的な取り組みである。
1組のPEFTパラメータを新しいタスクに再利用すると、しばしば以前の知識を壊滅的に忘れてしまう。
本稿では,最小限の忘れ込みと効率のよい拡張性を実現するための,新しい連続学習フレームワークであるTextitMixtures of SubExperts (MoSEs)を提案する。
論文 参考訳（メタデータ） (2025-11-09T05:44:45Z) - Dynamic Mixture of Progressive Parameter-Efficient Expert Library for Lifelong Robot Learning [64.88132446226474]
ジェネラリストエージェントは生涯を通じて継続的に学び、適応し、忘れを最小化しながら効率的な転送を実現する必要がある。
従来の研究は、シングルタスク適応のためのパラメータ効率の良い微調整を探索し、少数のパラメータで凍結事前訓練されたモデルを効果的に操る。
本稿では,生涯にわたるロボット学習のためのDMPEL(Dynamic Mixture of Progressive Efficient Expert Library)を提案する。
論文 参考訳（メタデータ） (2025-06-06T11:13:04Z) - SPECI: Skill Prompts based Hierarchical Continual Imitation Learning for Robot Manipulation [3.1997825444285457]
動的非構造環境における現実世界のロボット操作は、進化するオブジェクト、シーン、タスクに対して生涯の適応性を必要とする。
伝統的な模倣学習は、生涯適応に不適な静的な訓練パラダイムに依存している。
我々は,ロボット操作のための新しいエンドツーエンドの階層型CILポリシーアーキテクチャである,スキル・プロンプトに基づく階層型連続模倣学習(SPECI)を提案する。
論文 参考訳（メタデータ） (2025-04-22T03:30:38Z) - LLaVA-CMoE: Towards Continual Mixture of Experts for Large Vision-Language Models [21.888139819188105]
LLaVA-CMoEは、大規模言語モデルの継続的な学習フレームワークである。
Probe-Guided Knowledge Extensionメカニズムは、いつ、どこで新しいエキスパートを追加するべきかを決定する。
Probabilistic Task Locatorは各タスクを専用軽量ルータに割り当てる。
論文 参考訳（メタデータ） (2025-03-27T07:36:11Z) - Transforming Vision Transformer: Towards Efficient Multi-Task Asynchronous Learning [59.001091197106085]
Vision TransformerのためのMulti-Task Learning (MTL)は、複数のタスクを同時に処理することでモデル能力を向上させることを目的としている。
最近の研究は、Mixture-of-Experts(MoE)構造の設計とローランド適応(LoRA)によるマルチタスク学習の効率化に重点を置いている。
本稿では,事前学習した視覚変換器を効率的なマルチタスク学習器に変換することで,EMTAL(Efficient Multi-Task Learning)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2025-01-12T17:41:23Z) - Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2023-09-15T17:10:51Z) - LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。
宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。
我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
論文 参考訳（メタデータ） (2023-06-05T23:32:26Z) - Hierarchical Few-Shot Imitation with Skill Transition Models [66.81252581083199]
FIST(Few-shot Imitation with Skill Transition Models)は、オフラインデータからスキルを抽出し、それらを利用して見えないタスクに一般化するアルゴリズムである。
本稿では,FISTが新たなタスクに一般化し,ナビゲーション実験において従来のベースラインを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2021-07-19T15:56:01Z)
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。