論文の概要: Learning Forward & Reverse Skills from a Single Unfinished Demonstration for Constrained Manipulation Tasks
- arxiv url: http://arxiv.org/abs/2607.13882v1
- Date: Wed, 15 Jul 2026 14:31:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.797039
- Title: Learning Forward & Reverse Skills from a Single Unfinished Demonstration for Constrained Manipulation Tasks
- Title（参考訳）: 制約された操作タスクのための1つの未完成なデモからフォワードとリバーススキルを学習する
- Authors: Yexin Hu, Haoyi Zheng, Johannes Heidersberger, Dongheui Lee,
- Abstract要約: デモンストレーションから学ぶ(LfD)ことで、ロボットは専門家によるデモンストレーションから直接操作スキルを学習することができる。
既存のアプローチでは、複数の完全なデモが必要で、リバーススキルの実行をサポートしない。
我々は、制約付き操作のための統一されたワンショットフレームワークを提案し、単一の、おそらく未完成のデモから前方と逆実行の両方を学ぶ。
- 参考スコア（独自算出の注目度）: 7.401253695912111
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning from demonstration (LfD) enables robots to learn manipulation skills directly from expert demonstrations but remains challenging for contact-rich tasks involving geometric constraints and force interaction. Existing approaches typically require multiple complete demonstrations and do not support reverse skill execution. In this paper, we present a unified one-shot framework for constrained manipulation that learns both forward and reverse execution from a single, possibly unfinished demonstration. Our method decomposes demonstrations into non-contact and contact phases, with non-contact motion encoded with dynamic movement primitives (DMP), and contact motion represented as a sequence of screw motion primitives segmented by our proposed geometry-driven twist-direction segmentation algorithm. During execution, screw primitives are executed sequentially under admittance-guided pose correction and speed regulation, enabling task completion beyond the demonstrated trajectory length as well as reverse skill execution without additional learning data. Experiments on peg insertion, battery insertion, lock opening, and screw driving tasks demonstrate improved success rates and robustness over segmentation and one-shot trajectory learning baselines. Details are available on the project website: https://tuwien-asl.github.io/LfD-Screw/.
- Abstract（参考訳）: デモンストレーションから学ぶ(LfD)ことで、ロボットは専門家によるデモンストレーションから直接操作スキルを学ぶことができるが、幾何的制約や力の相互作用を含むコンタクトリッチなタスクには依然として困難である。
既存のアプローチは通常、複数の完全なデモを必要とし、リバーススキルの実行をサポートしない。
本稿では,制約付き操作のための統一的なワンショット・フレームワークを提案する。
本手法は, 動的運動プリミティブ (DMP) で符号化された非接触運動と, 提案した幾何駆動のツイスト方向分割アルゴリズムによってセグメント化されたスクリュー運動プリミティブの列として表される接触運動とを, 非接触位相と接触位相に分解する。
実行中は、クリュープリミティブをアクセタンス誘導のポーズ補正及び速度規制の下で順次実行し、示す軌道長を超えるタスク完了と、追加の学習データなしで逆スキル実行を可能にする。
ペグ挿入、バッテリ挿入、ロックオープニング、スクリュー駆動タスクの実験は、セグメンテーションよりも成功率とロバスト性が向上し、ワンショットの軌道学習ベースラインが向上したことを示している。
詳細はプロジェクトのWebサイト(https://tuwien-asl.github.io/LfD-Screw/)で確認できる。
関連論文リスト
- Decompose and Recompose: Reasoning New Skills from Existing Abilities for Cross-Task Robotic Manipulation [45.91196295385836]
クロスタスクの一般化は、オープンソースのロボット操作における中核的な課題である。
中間表現としてアトミックなスキルアクションペアを用いたスキル推論フレームワークであるDecomposeとRecomposeを提案する。
われわれのアプローチでは、実演を解釈可能なスキル-アクションアライメントに分解し、モデルが見えないタスクのためにこれらのスキルを再構成できるようにする。
論文 参考訳（メタデータ） (2026-05-02T13:55:28Z) - Zero-Shot Generalization from Motion Demonstrations to New Tasks [7.359962178534361]
専門家によるデモンストレーションから行動ポリシーを学ぶことは、現代ロボット工学において必須のパラダイムである。
本研究では,共有作業空間内で孤立的な実演を組み合わせることの問題を定式化し,課題の一般化を可能にする。
このグラフを利用する2つのフレームワークを提案する: 時変DSを構築するためのスティッチングと、複雑な動きのためのシーケンスベースのDSを提供するチェインニングである。
論文 参考訳（メタデータ） (2026-03-16T15:46:57Z) - 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) - PRISE: LLM-Style Sequence Compression for Learning Temporal Action Abstractions in Control [55.81022882408587]
時間的行動抽象化は、信念状態表現とともに、シーケンシャルな意思決定のための強力な知識共有メカニズムである。
本稿では,時間的動作の抽象化をシーケンス圧縮問題として扱う新しい視点を提案する。
本稿では,連続的なアクション量子化とバイトペア符号化を組み合わせて,強力なアクション抽象化を学習するアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-16T04:55:09Z) - One ACT Play: Single Demonstration Behavior Cloning with Action Chunking
Transformers [11.875194596371484]
人間は1つか2つのデモを見ただけで、複雑なタスクを完了させることを学ぶことができる。
我々の研究は、行動クローニングを使用して、人間の1つのデモンストレーションのみを与えられたタスクを学ぶことで、この能力をエミュレートすることを目指している。
本研究では,行動チャンキングエージェントが推論時に使用する時間的アンサンブル法に新たな付加法を開発した。
論文 参考訳（メタデータ） (2023-09-18T21:50:26Z) - Teaching Robots to Grasp Like Humans: An Interactive Approach [3.3836709236378746]
本研究は,実証と修正に基づいて,人間から把握する複雑な作業がどのように学習されるかを検討する。
より良いデモを提供するように訓練する代わりに、専門家でないユーザには、最初のデモのダイナミクスをインタラクティブに修正する能力が提供される。
論文 参考訳（メタデータ） (2021-10-09T10:27:50Z) - Hierarchical Few-Shot Imitation with Skill Transition Models [66.81252581083199]
FIST(Few-shot Imitation with Skill Transition Models)は、オフラインデータからスキルを抽出し、それらを利用して見えないタスクに一般化するアルゴリズムである。
本稿では,FISTが新たなタスクに一般化し,ナビゲーション実験において従来のベースラインを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2021-07-19T15:56:01Z) - Coarse-to-Fine Imitation Learning: Robot Manipulation from a Single
Demonstration [8.57914821832517]
視覚的模倣学習のためのシンプルな新しい手法を導入し,新しいロボット操作タスクを1人の人間による実演から学習できるようにする。
提案手法は、状態推定問題として模倣学習をモデル化し、状態がエンドエフェクタのポーズとして定義される。
テスト時、エンドエフェクタは線形経路を通って推定状態に移動し、元のデモのエンドエフェクタ速度を単に再生する。
論文 参考訳（メタデータ） (2021-05-13T16:36:55Z) - Learning to Shift Attention for Motion Generation [55.61994201686024]
ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。
以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。
この問題を克服する外挿能力を有するモーション生成モデルを提案する。
論文 参考訳（メタデータ） (2021-02-24T09:07:52Z) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳（メタデータ） (2020-08-11T17:58:50Z)
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。