論文の概要: ConCent: Contact-Centric Real-to-Sim-to-Real Learning from One Demonstration

• arxiv url: http://arxiv.org/abs/2606.30268v1
• Date: Mon, 29 Jun 2026 13:16:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.243505
• Title: ConCent: Contact-Centric Real-to-Sim-to-Real Learning from One Demonstration
• Title（参考訳）: ConCent:1つのデモから学ぶコンタクト中心のリアル・ツー・リアル・ツー・リアル
• Abstract要約: Sim-to-real Policy Transferは、大規模な実世界のデータなしでロボット操作をスケールするための有望なパラダイムである。 本稿では,実演から抽出したタスク関連接触イベントシーケンスを利用する,コンタクト中心の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実 接触リッチな操作タスクの実験は、制約のないRLベースラインよりも安定でロバストなsim-to-realポリシー転送を示す。
• 参考スコア（独自算出の注目度）: 17.067367964368486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sim-to-real policy transfer -- deploying policies trained in simulation in the real world -- is a promising paradigm for scaling robot manipulation without large-scale real-world data. However, transferring simulation-trained policies remains challenging due to discrepancies in contact dynamics -- particularly in contact-rich tasks where subtle differences can alter task outcomes entirely. Because interaction between the manipulated object and the environment is mediated through contact, task success depends on accurately reproducing task-relevant contacts. Accordingly, in manipulation, contact-centric fidelity -- reproducing both the contact event sequence (when, where, and how contacts occur) and the local contact dynamics (how forces and motions evolve at each contact) -- is a necessary condition for task success. Based on this insight, we propose a contact-centric real-to-sim-to-real RL framework that uses task-relevant contact event sequences extracted from real demonstrations as the learning objective. We approximate objects as groups of primitives and optimize their contact geometry in simulation so that the resulting local contact dynamics explain the observed state transitions. The contact event sequence is automatically extracted by replaying the demonstration. This sequence serves as a structured reward signal, guiding the policy toward physically plausible contact regimes validated in reality and preventing exploitation of unrealistic simulator contacts. The signal is obtained automatically, requiring no per-task reward design. Experiments on contact-rich manipulation tasks demonstrate more stable and robust sim-to-real policy transfer compared to unconstrained RL baselines.
• Abstract（参考訳）: Sim-to-real Policy Transfer -- シミュレーションでトレーニングされたポリシーを現実世界にデプロイする — は、大規模な実世界のデータなしでロボット操作をスケールするための有望なパラダイムである。 しかしながら、特に微妙な違いがタスク結果を完全に変更できるコンタクトリッチなタスクでは、コンタクトダイナミクスの相違により、シミュレーショントレーニングされたポリシの転送は依然として困難である。 操作対象と環境との相互作用は接触を介して媒介されるため、タスク成功はタスク関連接触を正確に再現することに依存する。 したがって、操作において、接触中心の忠実さ -- 接触イベントシーケンス(どこで、どこで、どのように接触するか)と局所接触ダイナミクス(各接触での力と動きの進化)の両方を再現する -- は、タスクの成功に必要な条件である。 この知見に基づいて,実演から抽出したタスク関連接触イベントシーケンスを学習目的として利用する,コンタクト中心のリアルタイム・シミュレート・トゥ・リアルRLフレームワークを提案する。 物体を原始体の群として近似し、それらの接触幾何学をシミュレーションで最適化し、結果として生じる局所接触ダイナミクスが観測された状態遷移を説明する。 デモを再生して接触イベントシーケンスを自動的に抽出する。 このシーケンスは構造化された報酬信号として機能し、物理的に妥当な接触状態に対するポリシーを現実的に検証し、非現実的なシミュレーター接触の悪用を防ぐ。 信号は自動的に取得され、タスク毎の報酬設計を必要としない。 接触リッチな操作タスクの実験は、制約のないRLベースラインよりも安定でロバストなsim-to-realポリシー転送を示す。

関連論文リスト

• One Demonstration, Many Objects: Generalizing Manipulation via Local Contact Geometry [49.066054862620014]
  人間のデモから学ぶことは、ロボット遠隔操作のスケーラブルな代替手段として現れてきた。 最近のsim-to-real RL法はそのような先入観を取り入れているが、しばしば正確な接触を明示的に動機付ける報酬を省略する。 接触点に局所的な形状に着目してオブジェクトを操作できるDemoMimicを提案する。
  論文  参考訳（メタデータ） (2026-09-01T23:04:35Z)
• ContactMimic: Humanoid Object Interaction via Contact Control [14.393971688434528]
  本研究では,キーポイントトラジェクトリとともに,明示的な部分レベルバイナリコンタクトコマンドを追跡する学習フレームワークであるConTACTMIMICを提案する。 CONTACTMIMICは、接触追従報酬と軌道拡張スキームを用いることで可能となる。 シミュレーション実験により、ConTACTMIMICはタスク固有の報酬なしで操作を完了できる接触制御性を示すことを確認した。
  論文  参考訳（メタデータ） (2026-07-09T17:42:15Z)
• TacCoRL: Integrating Tactile Feedback into VLA via Simulation [38.963250081631834]
  視覚言語アクション(VLA)モデルは、ロボット操作のための強力な視覚、言語、行動の優先順位を提供する。 我々は、VLAポリシーに触覚フィードバックを注入するスケーラブルなフレームワークであるTacCoRLを提案する。 我々は,接触操作のためのクローズドループトレーニング環境として,実列シミュレータを用いる。
  論文  参考訳（メタデータ） (2026-06-10T07:20:36Z)
• Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation [51.463992799813816]
  コンタクトリッチな操作における主要なボトルネックは、現実世界のデータ収集の難しさである。 物理原理に基づく効果的な触覚表現であるCenter-of-Pressureを紹介する。 我々は2つのブラインドで困難なコンタクトリッチな操作タスクについてCoPを評価する。
  論文  参考訳（メタデータ） (2026-05-27T17:59:02Z)
• Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
  ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。 本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。 スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
  論文  参考訳（メタデータ） (2026-02-14T16:05:08Z)
• Contact-Aware Neural Dynamics [42.83872574010789]
  本研究では,シミュレータのダイナミクスと接触情報との整合性を学習する暗黙のsim-to-realフレームワークを提案する。 本研究では,ロボットハンドの触覚接触情報を用いることで,接触に富む作業に係わる非滑らかな不連続性を効果的にモデル化できることを示す。
  論文  参考訳（メタデータ） (2026-01-19T07:56:13Z)
• Flow with the Force Field: Learning 3D Compliant Flow Matching Policies from Force and Demonstration-Guided Simulation Data [15.490144903271338]
  本研究では,シミュレーションにおける力インフォームドデータ生成のためのフレームワークについて紹介する。 本稿では, 適合ポリシーとの結合が, 合成データから学習したビジュモータポリシーの性能をいかに向上させるかを示す。
  論文  参考訳（メタデータ） (2025-10-03T05:40:58Z)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
  本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。 未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
  論文  参考訳（メタデータ） (2025-02-27T18:59:52Z)
• Planning-Guided Diffusion Policy Learning for Generalizable Contact-Rich Bimanual Manipulation [16.244250979166214]
  Generalizable Planning-Guided Diffusion Policy Learning (GLIDE)は、コンタクトリッチな双方向操作タスクを解決するためのアプローチである。 本稿では,特徴抽出,タスク表現,行動予測,データ拡張における重要な設計オプションのセットを提案する。 本手法は, 多様な地形, 寸法, 物理的特性の物体を効果的に操作することができる。
  論文  参考訳（メタデータ） (2024-12-03T18:51:39Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing [87.7257446869134]
  一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。 深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。 動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
  論文  参考訳（メタデータ） (2020-11-23T08:20:21Z)

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。