論文の概要: CORE: Common Outcome Regularities from Action-Free Visual Demonstrations for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2606.29517v1
• Date: Sun, 28 Jun 2026 17:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.947428
• Title: CORE: Common Outcome Regularities from Action-Free Visual Demonstrations for Robot Manipulation
• Title（参考訳）: CORE:ロボットマニピュレーションのためのアクションフリー視覚デモから得られる共通成果の規則性
• Abstract要約: COREは、視覚的なデモンストレーションから共通アウトカム規則を抽出するポリシー学習フレームワークである。 同じタスクで成功した軌道は多種多様であるが、その終端状態はしばしば安定したオブジェクト構成を共有する。
• 参考スコア（独自算出の注目度）: 26.48033419994886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot imitation learning often relies on costly robot demonstrations, while abundant action-free visual demonstrations, such as human videos, are difficult to use because they lack robot-executable actions and suffer from embodiment gaps. We propose CORE, a policy learning framework that extracts Common Outcome Regularities from visual demonstrations. Rather than transferring explicit actions across embodiments, CORE exploits a key observation: although successful trajectories for the same task can be diverse, their terminal states often share stable object configurations, spatial relations, and contact constraints. CORE first trains a terminal outcome encoder with contrastive and auxiliary temporal objectives, then aggregates successful terminal embeddings into visual goal prototypes, and finally injects these prototypes as global goal conditions into robot policies. Compared with language instructions, visual goal prototypes provide more concrete geometric and physical constraints for task completion. Across Meta-World, RoboTwin 2.0, and real-world manipulation, CORE improves the average success rate of the corresponding policy backbones by up to +3.9, +11.1, and +17.0 percentage points, respectively, and outperforms text-conditioned variants under the evaluated settings.
• Abstract（参考訳）: ロボット模倣学習はコストのかかるロボットのデモンストレーションに頼っていることが多いが、人間のビデオのようなアクションフリーの視覚的なデモは、ロボットが実行可能な動作を欠き、体力ギャップに悩まされているため、使用が困難である。 視覚的な実演から共通成果規則を抽出する政策学習フレームワークであるCOREを提案する。 同一タスクの軌道上で成功した軌道は多種多様であるが、その終端状態はしばしば安定したオブジェクト構成、空間的関係、接触制約を共有する。 COREはまず、コントラスト的かつ補助的な時間的目的を持った端末結果エンコーダを訓練し、その後、視覚目標のプロトタイプに端末の埋め込みを組み立て、最終的にこれらのプロトタイプをグローバル目標条件としてロボットポリシーに注入する。 言語命令と比較して、視覚目標のプロトタイプは、タスク完了のためのより具体的な幾何学的および物理的制約を提供する。 Meta-World、RoboTwin 2.0、および実世界の操作を通じて、COREは、対応するポリシーバックボーンの平均成功率を、最大+3.9、+11.1、+17.0のパーセンテージポイントまで改善し、評価された設定の下でテキスト条件の変種よりも優れている。

関連論文リスト

• AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
  我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。 私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。 大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-29T12:55:15Z)
• AdvDex: Learning Dexterous Manipulation from Human Demonstrations via Joint-Aligned Actions and Adversarial Learning [25.241504281004243]
  本稿では,人間とロボットのデモから,器用な操作を学ぶためのフレームワークであるAdvDexを紹介する。 まず、人間の操作デモの大規模マルチモーダルデータセットであるOmniShareを紹介する。 第2に,手首ポーズが$mathrmSE(3)$および15指関節からなる標準動作表現であるJAAS(Joint-Aligned Action Space)を提案する。 第3に,学習した視覚表現における具体的情報を減らすために,ドメイン・アドバイサル・ラーニングを用いる。
  論文  参考訳（メタデータ） (2026-08-14T07:19:06Z)
• WALA Learning Executable Latent Actions from Action-Labeled Demonstrations and Action-Free Videos [38.959415159248046]
  WALAは、アクションラベル付きデモとアクションフリービデオの両方から実行可能な潜在アクションを学ぶためのフレームワークである。 WALAはRoboTwin上で高いパフォーマンスを実現し,RoboCasa上での最先端の成果を平均75.2%で実現している。
  論文  参考訳（メタデータ） (2026-07-13T11:02:04Z)
• FORGE: Towards Functional Tool-Use Generalization via Keypoint Trajectory Reasoning [36.557151261284595]
  特定のツールで訓練されたロボットは、同じ機能を新しいツールに転送できないことを示す。 本稿では,FORGE(FunctiOnal Reasoning and Grounded Execution)を提案する。 FORGEは、シミュレーションと現実世界の両方において、目に見えないツールの最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-07T03:10:57Z)
• Gaze2Act: Gaze-Conditioned Vision-Language-Action Policies for Interactive Robot Manipulation [24.026684861369386]
  VLA(Vision-Language-Action)モデルは、最近、言語命令に従うことでロボット学習の可能性を強く示している。 どのオブジェクトが類似の候補と相互作用するか、どこでオブジェクトに作用するか、実行中にターゲットがどのように変化するかを記述するのは難しい。 複雑な対話操作のための動的かつ直感的な意図信号として人間の視線を利用する新しいVLAフレームワークであるGaze2Actを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:37:16Z)
• 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)
• Beyond Sight: Finetuning Generalist Robot Policies with Heterogeneous Sensors via Language Grounding [85.63710017456792]
  FuSeは、不均一なセンサのモダリティに対する微調整型ビズモータ一般政策を可能にする新しいアプローチである。 FuSeは視覚,触覚,音などのモーダル性に対して共同で推論を必要とする挑戦的なタスクを実行できることを示す。 実世界での実験では、FuSeisはすべての基準ラインと比較して成功率を20%以上引き上げることができた。
  論文  参考訳（メタデータ） (2025-01-08T18:57:33Z)
• Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
  学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。 視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。 ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
  論文  参考訳（メタデータ） (2024-07-11T17:31:01Z)
• Learning Manipulation by Predicting Interaction [85.57297574510507]
  本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。 実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-06-01T13:28:31Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)

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。