論文の概要: BIFROST: Bridging Invariant Feature Representation for Observation-space Sim2Real Transfer
- arxiv url: http://arxiv.org/abs/2607.01410v1
- Date: Wed, 01 Jul 2026 19:15:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.56375
- Title: BIFROST: Bridging Invariant Feature Representation for Observation-space Sim2Real Transfer
- Title（参考訳）: BIFROST:観測空間Sim2Real転送のためのブリッジ不変特徴表現
- Abstract要約: 我々は、この共有構造を生観測から識別し、活用し、ゼロショット転送を可能にする政策を訓練できるかどうか検討する。
BIFROSTは、クロスドメインの2つの目的によって、ペア化されたクロスドメインデータ上で共有履歴エンコーダを学習する。
我々は、sim2simビジュアルナビゲーションとsim2realコンタクトリッチ操作タスクとビジュアルサーボタスクに関する実証的な証拠を提供する。
- 参考スコア（独自算出の注目度）: 12.497312159934351
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sim2real transfer for robot policy learning suffers due to mismatch between simulation and reality. Existing methods typically address each gap in isolation through separate adaptation modules, which are composed or layered when both gaps coexist. Yet the basis for attempting sim2real in the first place is that there is shared structure between a task in simulation and reality, where equivalent actions from equivalent configurations produce equivalent long term outcomes regardless of domain specific differences in rendering or physics. In this paper, we study whether we can identify and exploit this shared structure from raw observations to train a policy that enables zero shot transfer. We introduce BIFROST, which learns a shared history encoder on paired cross-domain data via cross-domain bisimulation objective: observation-action sequences leading to equivalent long-term behavior are mapped to nearby latent states, regardless of domain. Policies trained on these latent states in simulation transfer zero-shot to reality. We provide empirical evidence on sim2sim visual navigation and sim2real contact rich manipulation task and visual servoing task that BIFROST achieves effective transfer where domain adaptation and co-training baselines fail under both visual and dynamics domain gaps.
- Abstract（参考訳）: Sim2real Transfer for Robot Policy Learningは、シミュレーションと現実のミスマッチに起因する。
既存のメソッドは、分離されたアダプティブモジュールを通じて、それぞれのギャップに対処する。
しかし、sim2realを第一に試すための基礎は、シミュレーションと現実におけるタスクの間に共通の構造があり、等価な構成からの等価なアクションは、レンダリングや物理におけるドメイン固有の違いにかかわらず、等価な長期的結果をもたらす。
本稿では,この共有構造を生観測から識別し,活用し,ゼロショット転送を可能にする政策を訓練できるかどうかを検討する。
BIFROSTを導入し、ドメイン間の共有履歴エンコーダをドメイン間ビシミュレーションの目的により学習し、ドメインに関係なく、等価な長期動作につながる観測-動作シーケンスを近隣の潜在状態にマッピングする。
シミュレーションにおいて、これらの潜伏状態について訓練されたポリシーはゼロショットを現実に転送する。
我々は,BIFROSTが視覚領域と動的領域のギャップの下でドメイン適応と協調学習ベースラインが失敗する場合に有効な転送を実現するための,sim2simビジュアルナビゲーションとsim2realコンタクトリッチ操作タスクとビジュアルサーボタスクに関する実証的な証拠を提供する。
関連論文リスト
- Bridging Simulation and Reality: Cross-Domain Transfer with Semantic 2D Gaussian Splatting [60.513168855890974]
ロボット操作におけるクロスドメイン転送は、シミュレートされた環境と実世界の環境の間に大きなドメインギャップがあるため、長年にわたる課題である。
本研究では,オブジェクト中心の領域不変空間特徴を抽出する新しい表現法であるSemantic 2D Gaussian Splatting (S2GS)を提案する。
S2GSはsim-to-real転送性を大幅に改善し、現実世界のシナリオで高安定なタスク性能を維持する。
論文 参考訳（メタデータ） (2025-12-04T12:16:15Z) - Generalizable Domain Adaptation for Sim-and-Real Policy Co-Training [21.855770200309674]
一般化可能な操作ポリシーを学習するための統合型sim-and-real協調学習フレームワークを提案する。
シミュレーションデータを活用することで,実世界の成功率を最大30%向上できることを示す。
論文 参考訳（メタデータ） (2025-09-23T04:32:53Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - xTED: Cross-Domain Adaptation via Diffusion-Based Trajectory Editing [21.37585797507323]
ドメイン間政策伝達手法は主に、ポリシー学習を容易にするために、ドメインの対応や修正を学習することを目的としている。
本稿では,クロスドメイントラジェクトリ適応のために特別に設計された拡散モデルを用いたクロスドメイントラジェクトリ・EDitingフレームワークを提案する。
提案するモデルアーキテクチャは,対象データ内の動的パターンだけでなく,状態,行動,報酬間の複雑な依存関係を効果的にキャプチャする。
論文 参考訳（メタデータ） (2024-09-13T10:07:28Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - Provable Sim-to-real Transfer in Continuous Domain with Partial
Observations [39.18274543757048]
シン・トゥ・リアル・トランスファー(英語版)は、シミュレーション環境でRLエージェントを訓練し、実世界で展開する。
実環境における最適政策と競合するシミュレートされた環境から、人気のある頑健な対人訓練アルゴリズムが、ポリシーを学習できることを示す。
論文 参考訳（メタデータ） (2022-10-27T16:37:52Z) - Cross-domain Imitation from Observations [50.669343548588294]
模擬学習は、専門家の行動を利用して訓練エージェントに適切な報酬関数を設計することの難しさを回避しようとする。
本稿では,専門家とエージェントMDPの相違点が存在する場合に,タスクを模倣する方法の問題について検討する。
このようなドメイン間の対応を学習するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-20T21:08:25Z) - Learning Cross-Domain Correspondence for Control with Dynamics
Cycle-Consistency [60.39133304370604]
サイクル一貫性制約を用いて2つのドメインで動的ロボットの挙動を調整することを学ぶ。
本フレームワークは,実ロボットアームの無補間単眼映像とシミュレーションアームの動的状態動作軌跡をペアデータなしで一致させることができる。
論文 参考訳（メタデータ） (2020-12-17T18:22:25Z) - Sim2Real for Self-Supervised Monocular Depth and Segmentation [7.376636976924]
自動運転車の認識タスクのための画像に基づく学習手法は、過度に適合することなく適切にトレーニングするために、大量のラベル付き実データを必要とする。
領域適応の最近の進歩は、共有潜在空間仮定がシミュレーションと実際の領域の間のギャップを埋めるのに役立つことを示している。
我々は,2つのVAEベースアーキテクチャを共用し,仮想空間と補助デコーダを組み込むことで,実領域において2つの基幹データを必要とすることなく,sim2realギャップをブリッジできることを実証した。
論文 参考訳（メタデータ） (2020-12-01T03:25:02Z) - From Simulation to Real World Maneuver Execution using Deep
Reinforcement Learning [69.23334811890919]
深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。
これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。
本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
論文 参考訳（メタデータ） (2020-05-13T14:22:20Z)
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。