論文の概要: Data and Learning Where it Matters for Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2607.15982v1
• Date: Fri, 17 Jul 2026 14:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.871946
• Title: Data and Learning Where it Matters for Contact-Rich Manipulation
• Title（参考訳）: コンタクトリッチ操作におけるデータと学習
• Abstract要約: 大規模データセット上でエンドツーエンドにトレーニングされた学習されたポリシーは、高精度なタスクでは不安定なままであることが多い。 私たちの重要な洞察は、コンタクトリッチなタスクの重要な部分にのみ、高密度なデータ収集を活用することです。 本稿では,タスクの重要部分に対するオフライン深部強化学習と組み合わせて,自動データ収集手法を提案する。
• 参考スコア（独自算出の注目度）: 4.7755608202878985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned policies trained end-to-end on large datasets often remain brittle in high-precision tasks and struggle with generalization. We find that these limitations largely stem from a lack of structure and focus in data collection. Our key insight is to leverage dense data collection only for the critical segment of contact-rich tasks and to rely on traditional planning during simple free-space motion. We propose an automated data-collection scheme in combination with offline deep reinforcement learning for the critical segment of the task, eliminating reliance on a teleoperator's skill and on online policy updates. Across four challenging real-world tasks, using only 2 to 2.5 hours of autonomous data collection, we achieve an average success rate of 96%, compared to the strongest baseline at 55%. Notably, performance remains high in out-of-distribution scenarios where end-to-end approaches struggle. Our results pave the way for targeted data collection for contact-rich tasks and for high success rates in precision applications.
• Abstract（参考訳）: 大規模データセット上でエンドツーエンドに訓練された学習されたポリシーは、しばしば高精度なタスクにおいて脆弱であり、一般化に苦慮する。 これらの制限は、構造が欠如し、データ収集に集中していることに大きく起因しています。 我々の重要な洞察は、密集したデータ収集をコンタクトリッチなタスクの重要な部分のみに活用し、単純な自由空間運動における従来の計画に依存することです。 本稿では,タスクの重要部分に対するオフライン深層学習と組み合わせた自動データ収集方式を提案する。 実際の4つの課題に対して、2～2.5時間の自律的なデータ収集を使用すれば、最強のベースラインである55%と比較して、平均的な成功率は96%になります。 特に、エンドツーエンドアプローチが苦労するアウト・オブ・ディストリビューションのシナリオでは、パフォーマンスは高いままです。 本研究は,連絡先の多いタスクを対象としたデータ収集と,精度の高いアプリケーションにおける高い成功率を実現するための方法である。

関連論文リスト

• Beyond the Majority: Long-tail Imitation Learning for Robotic Manipulation [121.31598641762251]
  訓練デモンストレーションの長期分布は、政策学習を妨げる。 Approaching-Phase Augmentation (APA)は、デモを必要とせずに、データリッチなヘッドタスクからデータシャースなテールタスクに知識を転送する。
  論文  参考訳（メタデータ） (2026-02-06T09:10:02Z)
• Scaling Generalist Data-Analytic Agents [95.05161133349242]
  DataMindは、汎用データ分析エージェントを構築するために設計されたスケーラブルなデータ合成およびエージェントトレーニングレシピである。 DataMindは、オープンソースのデータ分析エージェントを構築する上で重要な3つの課題に取り組む。
  論文  参考訳（メタデータ） (2025-09-29T17:23:08Z)
• AILS-NTUA at SemEval-2025 Task 4: Parameter-Efficient Unlearning for Large Language Models using Data Chunking [5.535042121804845]
  低ランク適応と層別微調整を用いたパラメータ効率・勾配に基づくアンラーニングを応用した。 我々はデータチャンキングを採用し、忘れたデータを不連続なパーティションに分割し、サイクルサンプリングされた保持サンプルを予め定義された比率でマージする。
  論文  参考訳（メタデータ） (2025-03-04T09:39:09Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Learning Goal-Conditioned Policies Offline with Self-Supervised Reward Shaping [94.89128390954572]
  本稿では,モデルの構造と力学を理解するために,事前収集したデータセット上に,新たな自己教師型学習フェーズを提案する。 提案手法を3つの連続制御タスクで評価し,既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-05T15:07:10Z)
• Leveraging Large-scale Multimedia Datasets to Refine Content Moderation Models [8.147198294451151]
  本稿では,大規模マルチメディアデータセットを活用してコンテンツモデレーションモデルを洗練するフレームワークを提案する。 提案手法は,Not Safe for Work (NSFW) を用いて評価し,コンテンツ検出タスクを妨害する。 92.54%のデータがコンテンツが乱れた場合に自動的に注釈付けされるため、これは人間の関与を著しく減少させる。
  論文  参考訳（メタデータ） (2022-12-01T17:19:13Z)
• Generalization with Lossy Affordances: Leveraging Broad Offline Data for Learning Visuomotor Tasks [65.23947618404046]
  本研究では,広範囲なデータを用いたオフライン強化学習を通じて,時間的拡張タスクの目標条件付きポリシを取得するフレームワークを提案する。 新たなタスク目標に直面した場合、フレームワークは余裕モデルを使用して、元のタスクをより簡単な問題に分解するサブゴールとして、損失のある表現のシーケンスを計画する。 我々は,従来の作業からロボット体験の大規模データセットを事前学習し,手動の報酬工学を使わずに視覚入力から,新しいタスクを効率的に微調整できることを実証した。
  論文  参考訳（メタデータ） (2022-10-12T21:46:38Z)
• Skill-based Meta-Reinforcement Learning [65.31995608339962]
  本研究では,長期的スパース・リワードタスクにおけるメタラーニングを実現する手法を提案する。 私たちの中核となる考え方は、メタ学習中にオフラインデータセットから抽出された事前経験を活用することです。
  論文  参考訳（メタデータ） (2022-04-25T17:58:19Z)
• A Closer Look at Advantage-Filtered Behavioral Cloning in High-Noise Datasets [15.206465106699293]
  近年のオフライン強化学習法は、経験の固定されたデータセットから高性能なポリシーを学習することに成功している。 我々の研究は、この手法を、ほぼ全て最適下雑音からなる膨大なデータセットに拡張する能力を評価する。 この修正により、オフラインエージェントは、専門家のアクションが65:1に近いデータセットを使用して、ベンチマークタスクで最先端のポリシーを学ぶことができる。
  論文  参考訳（メタデータ） (2021-10-10T03:55:17Z)

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。