論文の概要: User-Driven Learning from Demonstration: A Trajectory and Impedance Learning Method
- arxiv url: http://arxiv.org/abs/2607.16998v1
- Date: Sat, 18 Jul 2026 23:27:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.334093
- Title: User-Driven Learning from Demonstration: A Trajectory and Impedance Learning Method
- Title（参考訳）: デモから学ぶユーザ駆動学習 - 軌道とインピーダンスの学習方法
- Abstract要約: この方法は、同じ課題に対する繰り返しの教えを排除し、1つの実演からリアルタイムの学習を可能にする。
提案手法は、7自由度(DOF)KUKA LWR IV+ロボットの総合的な実験により検証される。
- 参考スコア（独自算出の注目度）: 7.8260466406864575
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a method for user-driven robot Learning from Demonstration (LfD) that reduces user effort while ensuring compliant and precise reproduction. The method eliminates repeated teaching for the same task and enables real-time learning from a single demonstration. Demonstrated motions are reproduced with high precision, while impedance variations are learned in real time to provide both compliance and robustness against perturbations. This mitigates potential safety issues in Human-Robot Interaction (HRI) that arise from conventional time-indexed trajectories lacking compliance. The proposed approach integrates a three-dimensional (3D) Fast Diffeomorphic Matching (FDM) algorithm with a Dynamical System (DS)-based motion generator to achieve real-time single-shot demonstration learning and reproduction. An Extended Kalman Filter (EKF) framework compensates for reproduction errors and recovers from external interactions. Furthermore, an impedance parameterization function is incorporated to learn impedance variations from demonstrations and maintain surface contact for specific applications. The proposed approach is validated through comprehensive experiments on a 7 Degree-of-Freedom (DOF) KUKA LWR IV+ robot.
- Abstract（参考訳）: 本稿では,ユーザ主導型ロボット学習システムであるDemonstration(LfD)について,コンプライアンスと正確な再現性を確保しつつ,ユーザの労力を削減する手法を提案する。
この方法は、同じ課題に対する繰り返しの教えを排除し、1つの実演からリアルタイムの学習を可能にする。
実証された動きは高精度に再現され、インピーダンスの変動はリアルタイムで学習され、摂動に対するコンプライアンスと堅牢性の両方を提供する。
このことは、コンプライアンスを欠いた従来のタイムインデクシングされた軌道から生じるヒューマン・ロボット・インタラクション(HRI)の潜在的な安全性問題を緩和する。
提案手法は,3次元の高速拡散型マッチング (FDM) アルゴリズムを動的システム (DS) ベースのモーションジェネレータと組み合わせ,リアルタイムな単発実写学習と再現を実現する。
拡張カルマンフィルタ(EKF)フレームワークは、再生エラーを補償し、外部の相互作用から回復する。
さらに、インピーダンスパラメータ化関数を組み込んで、実演からインピーダンス変動を学習し、特定の用途に対して表面接触を維持する。
提案手法は、7自由度(DOF)KUKA LWR IV+ロボットの総合的な実験により検証される。
関連論文リスト
- Learning from Demonstration via Spatiotemporal Tubes for Unknown Euler-Lagrange Systems [2.9751538760825085]
本研究では,未知のオイラー・ラグランジュ系の制御にモーション学習を統合するフレームワークであるSTT-LfDを提案する。
固定参照を追跡する従来の分離されたアプローチとは異なり、提案手法はデモをデータ駆動安全仕様として扱う。
論文 参考訳（メタデータ） (2026-07-01T07:24:45Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - Zero-shot HOI Detection with MLLM-based Detector-agnostic Interaction Recognition [71.5328300638085]
Zero-shot Human-Object Interaction (HOI) は、画像中の人間と物体を特定し、その相互作用を認識することを目的としている。
2段階法を含む既存の手法は、特定の検出器との相互作用認識を密に結合する。
本稿では、オブジェクト検出をIRから分離し、マルチモーダル大言語モデル(MLLM)をゼロショットIRに活用する分離フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-16T19:01:31Z) - Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks [13.17252299377244]
インピーダンス制御は物理的相互作用を形作るが、実現可能なインピーダンスパラメータを選択することでタスク認識チューニングを必要とする。
両ドメインを組み合わせたフレームワークである拡散型インピーダンス学習を提案する。
論文 参考訳（メタデータ） (2025-09-24T02:07:17Z) - Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。
大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。
我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
論文 参考訳（メタデータ） (2025-05-15T03:22:03Z) - Robust Disentangled Counterfactual Learning for Physical Audiovisual Commonsense Reasoning [24.671771440617288]
本稿では,身体的視覚的コモンセンス推論のためのロバスト・ディスタングル・カウンタフル・ラーニング(RDCL)手法を提案する。
主な課題は、欠落したモダリティのシナリオの下でも、人間の推論能力を模倣する方法である。
提案手法は,VLMを含む任意のベースラインに組み込むことができるプラグアンドプレイモジュールである。
論文 参考訳（メタデータ） (2025-02-18T01:49:45Z) - Learning Variable Impedance Skills from Demonstrations with Passivity Guarantee [13.498124592226734]
本稿では,力覚と運動情報を統合し,可変インピーダンス制御を実現するための学習支援フレームワークを提案する。
タンクを用いた可変インピーダンス制御手法を提案する。
論文 参考訳（メタデータ） (2023-06-20T06:05:04Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Imitating, Fast and Slow: Robust learning from demonstrations via
decision-time planning [96.72185761508668]
テストタイムでの計画(IMPLANT)は、模倣学習のための新しいメタアルゴリズムである。
IMPLANTは,標準制御環境において,ベンチマーク模倣学習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） (2022-04-07T17:16:52Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。