論文の概要: AutoSpeed: Annotation-Free Stage-Adaptive Motion Speed Learning for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2607.01051v2
• Date: Sun, 05 Jul 2026 11:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 17:33:48.840234
• Title: AutoSpeed: Annotation-Free Stage-Adaptive Motion Speed Learning for Robot Manipulation
• Title（参考訳）: AutoSpeed:ロボットマニピュレーションのためのアノテーションなし段適応運動速度学習
• Abstract要約: ILベースのビジュモータポリシーは、専門家によるデモンストレーションの実行速度を模倣し、固定時間的予測水平線で運用する。 本稿では,モデルに依存しない学習フレームワークであるAutoSpeedを紹介した。 AutoSpeedはタスクの実行時間を大幅に短縮し、成功率も向上することを示す。
• 参考スコア（独自算出の注目度）: 11.362770278564973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different stages of manipulation tasks exhibit varying levels of difficulty, suggesting stage-dependent motion speeds and temporal prediction horizons. However, existing IL-based visuomotor policies typically imitate the execution speed of expert demonstrations and operate with a fixed temporal prediction horizon, limiting flexibility and overall task throughput. In this paper, we introduce AutoSpeed, a model-agnostic learning framework that enables existing visuomotor policies to predict trajectories with stage-adaptive motion speeds, without requiring speed or stage annotations. We treat future trajectories at different speeds as candidate optimization targets, evaluate each candidate using a composite cost that trades off prediction error against prediction horizon, and optimize the policy toward the minimum-cost candidate. With a fixed-length action sequence, speed modulation adjusts the effective temporal prediction horizon: simple stages are executed faster with a longer prediction horizon, whereas complex stages are executed more slowly with a shorter prediction horizon. Specifically, we implement speed modulation in the frequency domain via the discrete cosine transform (DCT), which enables smooth, non-integer speed scaling and thus preserves motion continuity. Extensive evaluations show that AutoSpeed substantially reduces task execution time while also improving success rates. Under the AutoSpeed framework, the inferred motion speeds exhibit a strong correspondence with task stages.
• Abstract（参考訳）: 操作タスクの異なる段階は様々な難易度を示し、ステージ依存の運動速度と時間的予測地平線を示唆している。 しかし、既存のILベースのビジュモータポリシーは、通常、専門家によるデモンストレーションの実行速度を模倣し、固定された時間的予測水平線で動作し、柔軟性と全体的なタスクスループットを制限する。 本稿では,モデルに依存しない学習フレームワークであるAutoSpeedについて紹介する。 本研究では,予測誤差を予測地平線から切り離す複合コストを用いて,予測目標として,将来の軌道を異なる速度で処理し,最小コストの候補に対するポリシーを最適化する。 固定長のアクションシーケンスでは、速度変調が効果的な時間的予測地平線を調整し、単純なステージはより長い予測地平線で高速に実行されるのに対して、複雑なステージはより短い予測地平線でよりゆっくりと実行される。 具体的には、離散コサイン変換(DCT)を用いて周波数領域の速度変調を実装し、スムーズで非整数的な速度スケーリングを可能にし、運動連続性を維持する。 大規模な評価では、AutoSpeedはタスクの実行時間を大幅に削減し、成功率も向上している。 AutoSpeedフレームワークでは、推論された動き速度はタスクステージと強い対応を示す。

関連論文リスト

• Some Modifications to Our End-to-End UAV Planner [2.3190673374277524]
  一段プランナーは、単一の深度画像とロボット状態とを直接、候補軌跡のセットにマッピングする。 YOPOのマルチモーダル予測は、異なるホモトピークラスにまたがり、各動作を、明確な安全構築や建設の罰則を伴わずに、軌道を許容可能な軌道に閉じ込める軌跡として扱う。
  論文  参考訳（メタデータ） (2026-08-16T13:39:46Z)
• SpeedTuning: Speeding Up Policy Execution with Lightweight Reinforcement Learning [44.701558695482476]
  我々は,操作ポリシーの高速化に特化して設計された強化学習フレームワークであるSpeedTuningを紹介する。 SpeedTuningはアクションの最適な実行速度を予測し、基本ポリシーを補完する。 我々は、SpeedTuningが2.4倍のスピードアップで実行速度を大幅に改善する実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2026-08-10T05:31:41Z)
• TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
  既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。 予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
  論文  参考訳（メタデータ） (2026-06-04T17:59:40Z)
• Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving [50.09883181221131]
  我々は、所望の高速自動運転のためのメトリクス、データセット、ベースラインを備えたベンチマークであるBench2Drive-Speedを紹介する。 本稿では,ユーザの希望する目標速度とオーバーテイク/フォロー指示の明示的な入力をポリシーモデルに導入する。 実験の結果,正規運転データに基づいてトレーニングされたモデルが,専門家による実演と相容れない性能を示した。
  論文  参考訳（メタデータ） (2026-03-26T17:26:41Z)
• FASTER: Rethinking Real-Time Flow VLAs [82.58822112377923]
  VLA(Vision-Language-Action)モデルを物理世界に展開するには、リアルタイム実行が不可欠である。 反応時間は、TTFA(Time to First Action)と実行地平線によって決定される一様分布に従っていることを示す。 即時反応のための高速動作サンプリング(FASTER)を提案し,この問題を克服する。
  論文  参考訳（メタデータ） (2026-03-19T17:51:37Z)
• Learning Velocity and Acceleration: Self-Supervised Motion Consistency for Pedestrian Trajectory Prediction [16.532357621144342]
  本稿では,自己監督型歩行者軌道予測フレームワークを提案する。 我々は速度と加速度情報を利用して位置予測を強化する。 ETH-UCYとStanford Droneのデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2025-03-31T16:17:45Z)
• Motion Forecasting in Continuous Driving [41.6423398623095]
  自動運転では、自動運転車が動くと、動きの予測が繰り返し繰り返される。 既存の予測方法は、特定の範囲内で各走行シーンを独立に処理する。 本稿では,連続運転のための新しい動き予測フレームワークであるRealMotionを提案する。
  論文  参考訳（メタデータ） (2024-10-08T13:04:57Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

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。