論文の概要: When Does Legacy Data Start to Help? Emergent Transfer in Cross-Configuration Robot Learning

• arxiv url: http://arxiv.org/abs/2607.25593v1
• Date: Tue, 28 Jul 2026 11:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.815444
• Title: When Does Legacy Data Start to Help? Emergent Transfer in Cross-Configuration Robot Learning
• Title（参考訳）: レガシーデータがいつ役に立つのか? クロスコンフィグレーションロボット学習における創発的トランスファー
• Abstract要約: 我々は、レガシーデータがアップグレードされたロボットにいつ恩恵をもたらすかを研究する。 更新された設定がタスク能力の最小レベルを取得するまで、レガシーデータは効果を保たない。 実ロボット操作タスク全体にわたって、低能力で測定可能な利益が得られず、しきい値を越えると急上昇し、高い能力でリターンが低下する3つのフェーズを観察する。
• 参考スコア（独自算出の注目度）: 17.251213931385614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic hardware evolves over time, but demonstration data is often tied to a specific sensor and actuator configuration. This raises a practical and underexplored question: when does legacy data begin to benefit an upgraded robot? We study this question on a wheeled humanoid platform across two hardware generations, where both the camera and gripper are changed while the overall morphology remains fixed. Contrary to the common assumption that more cross-configuration data is always helpful, we observe a grokking-like transition: legacy data remains ineffective until the upgraded configuration acquires a minimum level of task competence, after which co-training gains rise sharply before diminishing near saturation. We hypothesize that this task-dependent transition is governed by a transfer threshold and characterize the resulting three-phase pattern. Across real-robot manipulation tasks, we observe all three phases: no measurable benefit at low competence ($10.0\% \rightarrow 10.0\%$), a sharp gain after crossing the threshold ($23.3\% \rightarrow 86.7\%$ on flower insertion), and diminishing returns at high competence ($85.0\% \rightarrow 93.3\%$ on pen insertion). We provide a theoretical account based on gradient alignment and residual policy uncertainty, and derive a phase-aware rule for deciding when to collect more new-hardware data and when to reuse legacy demonstrations. We further validate this three-phase pattern on a mobile dual-arm watering task, with results consistent with our predictions.
• Abstract（参考訳）: ロボットハードウェアは時間とともに進化するが、デモデータは特定のセンサーやアクチュエータの構成と結びついていることが多い。 レガシーデータはいつからアップグレードされたロボットに利益をもたらすのか? 本研究では,2世代にわたる車輪付きヒューマノイドプラットフォームにおいて,カメラとグリップの両方が変更され,全体形態が固定されている場合について検討する。 クロスコンフィグレーションデータが常に有用であるという一般的な仮定とは対照的に、私たちは、従来のデータは、アップグレードされた構成がタスク能力の最小レベルを取得するまで効果を保たないままであり、その後、ほぼ飽和する前にコトレーニングゲインが急上昇する。 このタスク依存遷移は、転送しきい値によって制御され、結果として生じる3相パターンを特徴づける仮説を立てる。 実ロボット操作タスク全体では、低能力での計測可能な利益($10.0\% \rightarrow 10.0\%$)、閾値を越えた後の急上昇($23.3\% \rightarrow 86.7\%$)、高能力でのリターンの減少($85.0\% \rightarrow 93.3\%$)の3段階が観察される。 我々は、勾配の整合性や政策の不確実性に基づく理論的な説明を行い、新しいハードウエアデータをいつ収集するか、いつレガシーなデモンストレーションを再利用するかを決定するフェーズアウェアルールを導出する。 さらに、この3相パターンを移動式デュアルアーム給水作業で検証し、その結果を予測値と一致させる。

関連論文リスト

• From Grasps to Dexterity: Large-Scale Grasp Pretraining for Dexterous Manipulation [15.564266167695138]
  我々は,ハイレベルハンドサブゴール予測と低レベルゴール条件制御を組み合わせた階層型模倣学習フレームワークを適用した。 大規模デクスタラスなグリップアノテーションから355k軌道のグリップ予測データセットを構築し,それを低レベルコントローラの事前トレーニングに用いる。 シミュレーションや実世界の実験を通じて,本手法は,ゼロから学習したエンドツーエンドの拡散政策や階層的な政策よりも優れている。
  論文  参考訳（メタデータ） (2026-06-29T18:00:22Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
  Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。 AHEは3つの一致した可観測性柱を通じて課題に対処する。 10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。 SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
  論文  参考訳（メタデータ） (2026-04-28T16:55:02Z)
• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• $χ_{0}$: Resource-Aware Robust Manipulation via Taming Distributional Inconsistencies [40.920885088894174]
  両腕ロボットの2つのセットは、平ら化、折りたたみ、さまざまな服の吊り下げなど、衣服の操作をオーケストレーションします。 $_0$は、ロボット操作のプロダクションレベルの堅牢性を達成するために、効率的なモジュールが指定された、リソース効率のよいフレームワークである。 実験によると、$_0$は、20時間データと8 A100 GPUだけで、最先端の$_0.5$を成功率で250%近く上回っている。
  論文  参考訳（メタデータ） (2026-02-09T18:59:45Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• D2E: Scaling Vision-Action Pretraining on Desktop Data for Transfer to Embodied AI [26.33451769892426]
  本稿では,D2E(Desktop to Embodied AI)について紹介する。 このフレームワークは,(1) 多様なデスクトップインタラクションを152倍圧縮で標準化されたフォーマットに統一するOWA Toolkit,(2) タイムスタンプベースのイベント予測により,見えないゲーム間で強力なゼロショット一般化を実現するGeneralist-IDM,(3) デスクトップに制約された表現を物理操作やナビゲーションに転送するVAPTの3つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-10-07T08:40:33Z)
• On Mesa-Optimization in Autoregressively Trained Transformers: Emergence and Capability [34.43255978863601]
  いくつかの説では、トランスフォーマーはオートレアトレーニング中にmesa-optimizerを学習する。 データモーメントに関する強い仮定は、学習されたメザ最適化器が実行可能な十分な必要条件であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T05:41:06Z)
• On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors [53.59319391812798]
  SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。 彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。 未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。 本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
  論文  参考訳（メタデータ） (2024-03-06T22:04:14Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• Peeling the Onion: Hierarchical Reduction of Data Redundancy for Efficient Vision Transformer Training [110.79400526706081]
  ビジョントランス (ViT) は近年多くのアプリケーションで成功を収めているが、その計算量とメモリ使用量によって一般化が制限されている。 従来の圧縮アルゴリズムは通常、事前訓練された高密度モデルから始まり、効率的な推論のみに焦点を当てる。 本稿では,3つのスパースの観点から,Tri-Level E-ViTと呼ばれるエンドツーエンドの効率的なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-19T21:15:47Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)

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。