論文の概要: The Curse of Precision: A Data Scaling Law for High-Precision Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2607.23108v1
- Date: Sat, 25 Jul 2026 08:41:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.992938
- Title: The Curse of Precision: A Data Scaling Law for High-Precision Robotic Manipulation
- Title（参考訳）: 高精度ロボットマニピュレーションのためのデータスケーリング法
- Abstract要約: 本稿では,ロボット組立のようなクローズドワールドタスクにおけるデータと精度の関係を体系的に検討する。
一定の成功率を達成するためには、目標精度の$P$が限界$c$に近づくと、要求されるデモ数$N$は指数関数的に増加する。
- 参考スコア（独自算出の注目度）: 9.967330257316743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While scaling laws for imitation learning have primarily focused on generalization in open-world settings, the relationship between data and precision in closed-world tasks like robotic assembly remains largely unexplored. This paper systematically investigates this relationship and introduces a novel scaling law. We find that to achieve a fixed success rate, the required number of demonstrations $N$ grows super-exponentially as the target precision $P$ approaches a limit $c$. This relationship is accurately captured by the model $\log(N) \propto 1/(P-c)$. Crucially, we reveal that the limit precision $c$ is not a static physical constant of the task but an emergent property of the entire agent system, including its sensors and expert policy. Through experiments on canonical manipulation tasks, we validate this law and demonstrate that improving system components, such as adding a wrist camera or using a more effective expert, measurably lowers $c$, thus expanding the system's achievable precision. Our work provides a new theoretical framework for precision in robotics and a quantitative metric to evaluate system capabilities. Furthermore, these findings provide a practical methodology for guiding the development and debugging of high-precision manipulation systems.
- Abstract（参考訳）: 模倣学習のためのスケーリング法則は、主にオープンワールド環境での一般化に焦点を当てているが、ロボット組立のようなクローズドワールドのタスクにおけるデータと精度の関係はほとんど解明されていない。
本稿では,この関係を体系的に検討し,新しいスケーリング法則を導入する。
一定の成功率を達成するためには、目標精度の$P$が限界$c$に近づくと、要求されるデモ数$N$は指数関数的に増加する。
この関係はモデル $\log(N) \propto 1/(P-c)$ によって正確に捉えられる。
重要なことに、この制限精度$c$はタスクの静的な物理定数ではなく、センサーやエキスパートポリシーを含むエージェントシステム全体の創発的な特性である。
この法則を検証し,手首カメラの追加や,より効果的な専門家の活用などによるシステムコンポーネントの改善が,可算的に$c$を下げ,達成可能な精度を向上することを示した。
本研究は,ロボット工学の精度に関する新たな理論的枠組みと,システム能力を評価するための定量的指標を提供する。
さらに,これらの知見は,高精度な操作システムの開発とデバッグを指導するための実践的方法論を提供する。
関連論文リスト
- Efficient High-Accuracy PDEs Solver with the Linear Attention Neural Operator [2.1595890347557756]
我々は新しいタイプのニューラル演算子、リニアアテンションニューラル演算子(LANO)を提案する。
LANOはエージェントベースの機構を通じて注意を再構築することでスケーラビリティと高精度の両立を実現している。
実証的には、LANOは、スライスベースのソフトマックスアテンションを備えたTransolverを含む最先端のニューラルネットワークPDEソルバを超越している。
論文 参考訳（メタデータ） (2025-10-19T13:03:09Z) - Gaussian Certified Unlearning in High Dimensions: A Hypothesis Testing Approach [11.591273159662256]
我々は、高次元のレジームによく適合する標準的で堅牢な概念である$varepsilon$-Gaussian certifiabilityを導入する。
理論的にはニュートン法の一段階に基づいて広く使われている未学習アルゴリズムの性能を解析する。
論文 参考訳（メタデータ） (2025-10-15T02:28:12Z) - $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
$textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。
我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
論文 参考訳（メタデータ） (2025-06-15T05:50:05Z) - FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
$textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。
$textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。
この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
論文 参考訳（メタデータ） (2025-05-21T15:33:27Z) - Predictable Scale: Part I, Step Law -- Optimal Hyperparameter Scaling Law in Large Language Model Pretraining [59.369484219304866]
我々は100兆のトークンをスクラッチから3,700以上の大規模言語モデル(LLM)に対する前例のない経験的調査訓練を実施している。
ステップ法則(ステップ法)と呼ばれる,LLM事前学習におけるハイパーパラメータ最適化のための普遍的スケーリング法則を確立する。
我々の推定オプティマは, 排他的探索によって得られた世界最高の性能から, テストセットの0.094%しか逸脱しない。
論文 参考訳（メタデータ） (2025-03-06T18:58:29Z) - Machine learning Hubbard parameters with equivariant neural networks [0.0]
等変ニューラルネットワークに基づく機械学習モデルを提案する。
ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。
本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
論文 参考訳（メタデータ） (2024-06-04T16:21:24Z) - Tiny Deep Ensemble: Uncertainty Estimation in Edge AI Accelerators via Ensembling Normalization Layers with Shared Weights [0.8233872344445676]
AI駆動システムでは、不確実性推定により、ユーザーは過信予測を避け、機能的安全性を達成することができる。
エッジデバイスにおける不確実性推定のための低コストなアプローチであるTiny-Deep Ensembleアプローチを提案する。
提案手法は精度を損なわないが,予測精度は最大で$sim 1%$,RMSEは17.17%$である。
論文 参考訳（メタデータ） (2024-05-07T22:54:17Z) - Precision-Recall Divergence Optimization for Generative Modeling with
GANs and Normalizing Flows [54.050498411883495]
本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。
指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。
当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-05-30T10:07:17Z) - Should All Proposals be Treated Equally in Object Detection? [110.27485090952385]
オブジェクト検出器の複雑さと精度のトレードオフは、リソース制約されたビジョンタスクにとって重要な問題である。
検出効率の改善には、提案の不平等な処理に向けて、パラダイムシフトが必要であると仮定されている。
これにより、利用可能な計算予算がより有効になり、同じFLOPSの精度が向上する。
論文 参考訳（メタデータ） (2022-07-07T18:26:32Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z)
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。