論文の概要: PRISM: Polynomial Representations for Interaction-Structured Motor Control

• arxiv url: http://arxiv.org/abs/2607.23473v1
• Date: Sun, 26 Jul 2026 05:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.124603
• Title: PRISM: Polynomial Representations for Interaction-Structured Motor Control
• Title（参考訳）: PRISM: 相互作用構造制御のための多項式表現
• Authors: Seung Hyun Lee, Stella X. Yu,
• Abstract要約: PRISMは、相互作用を明確にし、学習し、コンパクトにするポリシー表現である。 すべての項を列挙するのではなく、PRISMは高次相互作用機能を効率的に公開するために分解モジュールを使用する。
• 参考スコア（独自算出の注目度）: 32.200212101847065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot policies are typically MLPs mapping observations to actions. Yet robot observations are physical variables, and many action-relevant cues arise not from individual variables but from their interactions; power, inertial effects, contact, slip, and compliance depend on products among observable signals. We introduce PRISM, a policy representation that makes polynomial interactions among observable physical variables explicit, learnable, and compact. Rather than listing all polynomial terms, PRISM uses a factorized polynomial module to expose higher-order interaction features efficiently. In reinforcement learning, it keeps the standard MLP backbone but applies a gradually activated element-wise polynomial function after it. In imitation learning, it replaces linear proprioceptive conditioning in Diffusion Policy with a polynomial layer trained end-to-end. Across humanoid locomotion and contact-rich manipulation, PRISM improves performance over standard MLP policies and larger MLPs with matched capacity, showing that interaction structure cannot be replaced by capacity alone. It also yields sensorless compliant behavior without force, wrench, tactile input, contact labels, or admittance control. These results suggest that polynomial representations should become a standard architectural choice for embodied motor control. The project page is available at https://lsh3163.github.io/prism/
• Abstract（参考訳）: ロボットポリシーは一般的に、観察をアクションにマッピングするMPPである。 しかし、ロボットの観察は物理的変数であり、多くのアクション関連キューは個々の変数からではなく、その相互作用から生じている。 本稿では,観測可能な物理変数間の多項式相互作用を明示的,学習可能,コンパクトにするためのポリシ表現であるPRISMを紹介する。 すべての多項式項を列挙するのではなく、PRISMは分解多項式モジュールを使用して高階の相互作用特徴を効率的に露呈する。 強化学習では、標準のMLPバックボーンを保持するが、その後徐々に活性化された要素ワイド多項式関数を適用する。 模倣学習では、拡散政策における線形受容条件を多項式層で訓練されたエンドツーエンドに置き換える。 ヒューマノイドの移動とコンタクトリッチな操作を通して、PRISMは標準のMLPポリシーと一致容量のより大きなMPPよりも性能を向上し、相互作用構造をキャパシティのみに置き換えることができないことを示す。 また、力、レンチ、触覚入力、接触ラベル、アクセタンス制御を伴わない、センサレス準拠の動作を与える。 これらの結果は,多項式表現が運動制御の標準的なアーキテクチャ選択となることを示唆している。 プロジェクトページはhttps://lsh3163.github.io/prism/で公開されている。

関連論文リスト

• CaP-X: A Framework for Benchmarking and Improving Coding Agents for Robot Manipulation [48.85772216740915]
  "Code-as-Policy" は、実行可能コードがデータ集約型のVision-Language-Actionメソッドを補完する方法について考察している。 ロボット操作におけるCode-as-PolicyエージェントのオープンアクセスフレームワークであるCaP-Xを提案する。
  論文  参考訳（メタデータ） (2026-03-23T18:08:10Z)
• ImaginationPolicy: Towards Generalizable, Precise and Reliable End-to-End Policy for Robotic Manipulation [46.06124092071133]
  ロボット操作のための新しい動き指向キーポイント(CoMOK)の定式化を提案する。 私たちの定式化は、エンドツーエンドでトレーニング可能なニューラルポリシーのアクション表現として使用されます。
  論文  参考訳（メタデータ） (2025-09-25T07:29:07Z)
• Polynomial Composition Activations: Unleashing the Dynamics of Large Language Models [18.02269664279028]
  トランスフォーマーは、強力なフィッティング能力のために、様々な領域にまたがる広範囲のアプリケーションを見つけてきた。 本稿では, 変圧器の動的特性を最適化するために, アクティベーションの新たなカテゴリ (PolyCom) を提案する。
  論文  参考訳（メタデータ） (2024-11-06T13:00:34Z)
• Power-Softmax: Towards Secure LLM Inference over Encrypted Data [2.4576879793338913]
  ホモモルフィック暗号化(HE)は暗号化形式を持つために暗号手法を必要とする。 以前のアプローチでは、10倍を超える大きな度合いを持つ事前訓練されたモデルを直接近似していた。 トレーニングのための安定なフォームを提供し、トレーニングと近似し易い、新しいタイプの自己意図(self-attention)を提案する。
  論文  参考訳（メタデータ） (2024-10-12T09:32:42Z)
• 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)
• Is Modularity Transferable? A Case Study through the Lens of Knowledge Distillation [59.37775534633868]
  同族PLM間で事前訓練されたタスク固有のPEFTモジュールを転送するための極めて簡単なアプローチを提案する。 また,不整合性PLM間のモジュールの移動を,推論複雑性の変化を伴わずに行う方法を提案する。
  論文  参考訳（メタデータ） (2024-03-27T17:50:00Z)
• UPDeT: Universal Multi-agent Reinforcement Learning via Policy Decoupling with Transformers [108.92194081987967]
  タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。 従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。 提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
  論文  参考訳（メタデータ） (2021-01-20T07:24:24Z)
• Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
  感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。 軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
  論文  参考訳（メタデータ） (2020-12-04T18:59:32Z)

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。