論文の概要: EDAR: Learning Environment-Dependent Action Representations for Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2607.11427v1
- Date: Mon, 13 Jul 2026 11:31:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.448595
- Title: EDAR: Learning Environment-Dependent Action Representations for Robotic Manipulation
- Title（参考訳）: EDAR:ロボットマニピュレーションのための環境依存行動表現学習
- Abstract要約: 本稿では,アクショントークンを実行可能な制御構造と期待される視覚的結果の両方に基盤付ける環境依存アクション表現であるEDARを提案する。
モーターコマンドと環境条件のエフェクトを結合することにより、EDARは学習したアクション空間に相互作用のセマンティクスをキャプチャすることを奨励する。
シミュレーションおよび実ロボット操作ベンチマークの実験は、EDARが下流ポリシー学習、特に長距離操作を改善することを示した。
- 参考スコア（独自算出の注目度）: 68.86866733769651
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learning effective action representations is critical for robotic manipulation, where raw control trajectories are often noisy, redundant, and difficult to model directly. Existing methods mainly encode the structure of the action stream itself, treating the role of actions in the environment as implicit. Yet manipulation is about changing the world: the same action segment can induce different outcomes under different scene contexts, making action semantics inherently environment-dependent. We propose EDAR, an Environment-Dependent Action Representation that grounds action tokens in both executable control structure and expected visual consequences. By coupling motor commands with their environment-conditioned effects, EDAR encourages the learned action space to capture interaction semantics rather than merely command-level patterns. Experiments on simulated and real-robot manipulation benchmarks demonstrate that EDAR improves downstream policy learning, especially in long-horizon manipulation. These results highlight the importance of grounding action representations in executable control structure and environment-conditioned visual change.
- Abstract（参考訳）: 効果的な行動表現の学習はロボット操作において重要であり、生の制御軌道はしばしばノイズが多く、冗長であり、直接的にモデル化するのは難しい。
既存のメソッドは主にアクションストリームの構造をエンコードし、環境におけるアクションの役割を暗黙的に扱う。
同じアクションセグメントは、異なるシーンコンテキスト下で異なる結果をもたらすことができ、アクションセマンティクスを本質的に環境に依存します。
本稿では,アクショントークンを実行可能な制御構造と期待される視覚的結果の両方に基盤付ける環境依存アクション表現であるEDARを提案する。
モーターコマンドと環境条件のエフェクトを結合することにより、EDARは、単にコマンドレベルのパターンではなく、相互作用のセマンティクスをキャプチャする学習されたアクション空間を奨励する。
シミュレーションおよび実ロボット操作ベンチマークの実験は、EDARが下流ポリシー学習、特に長距離操作を改善することを示した。
これらの結果は、実行可能制御構造と環境条件の視覚変化における接地行動表現の重要性を強調している。
関連論文リスト
- Learning Object Manipulation from Scratch via Contrastive Interaction [29.976379315147756]
コントラスト強化学習(CRL)は、動的に構造化された表現を学習することで、様々な目標条件のロボットタスクで最近成功している。
この困難の鍵となる要因は、接触や握りなどのオブジェクト中心の相互作用であり、基礎となる動的モードの異なる変化を誘発するものである、と我々は主張する。
本研究では, 操作力学を平滑なマルコフ過程として定式化し, 相互作用誘起モード変化が非線形到達性構造を生成することを示す。
論文 参考訳（メタデータ） (2026-06-10T00:06:24Z) - Language-Grounded Decoupled Action Representation for Robotic Manipulation [78.42228162226839]
認識と制御を結びつけるために,Language-Grounded Decoupled Action Representation (LaDA) フレームワークを提案する。
LaDAは3つの解釈可能なアクションプリミティブ(翻訳、回転、グリップ制御)の微細な中間層を導入し、低レベルのアクションに対して明示的な意味構造を提供する。
さらに、セマンティックガイダンスによるソフトラベルのコントラスト学習の目的を用いて、類似のアクションプリミティブをタスク間で整列させ、一般化と動きの整合性を高める。
論文 参考訳（メタデータ） (2026-03-13T13:08:26Z) - EgoActor: Grounding Task Planning into Spatial-aware Egocentric Actions for Humanoid Robots via Visual-Language Models [31.768426199719816]
EgoActingは,高レベルの指示を様々な,正確に,空間的に認識されたヒューマノイド行動に直結させることが要求される。
さらに,ロコモーションプリミティブを予測可能な,統一的でスケーラブルな視覚言語モデル(VLM)であるEgoActorを導入することで,このタスクをインスタンス化する。
我々は,実世界の実演,空間的推論質問応答,シミュレートされた環境デモンストレーションから,エゴセントリックなRGBのみのデータに対する広範囲の監視を活用している。
論文 参考訳（メタデータ） (2026-02-04T13:04:56Z) - \textsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。
textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。
実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
論文 参考訳（メタデータ） (2026-01-26T06:16:17Z) - 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) - Precise Action-to-Video Generation Through Visual Action Prompts [62.951609704196485]
アクション駆動のビデオ生成は、精度と一般性のトレードオフに直面している。
エージェント中心のアクション信号は、クロスドメイン転送可能性のコストで精度を提供する。
私たちはアクションをドメインに依存しない表現として正確に視覚的なプロンプトに"レンダリング"します。
論文 参考訳（メタデータ） (2025-08-18T17:12:28Z) - 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) - Closed Loop Interactive Embodied Reasoning for Robot Manipulation [17.732550906162192]
身体的推論システムは、ロボットハードウェアと認知プロセスを統合して複雑なタスクを実行する。
そこで我々は,CLIER(Closed Loop Interactive Embodied Reasoning)アプローチを導入した。
CLIERは、非視覚的物体の特性の測定、外乱によるシーンの変化、そしてロボット行動の不確実な結果を考慮している。
論文 参考訳（メタデータ） (2024-04-23T16:33:28Z)
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。