論文の概要: Tri-Manual Visuomotor Imitation Learning of Robot Policies
- arxiv url: http://arxiv.org/abs/2607.25731v2
- Date: Wed, 29 Jul 2026 09:58:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 14:21:10.736052
- Title: Tri-Manual Visuomotor Imitation Learning of Robot Policies
- Title（参考訳）: ロボット政策の3手動ビズモータ模倣学習
- Authors: James Zhao, Mingyuan Ba, Weiming Zhi,
- Abstract要約: 双方向遠隔操作は、ロボットのデモンストレーションを効果的に収集する方法を提供する。
演算子とロボットは同時制御チャネルの数に一致すると仮定する。
本稿では,TriManPolicyについて述べる。TriManPolicyは3本の腕で動作を実演できる3次元模倣学習システムである。
- 参考スコア（独自算出の注目度）: 4.261928070384793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bimanual teleoperation provides an effective way to collect robot demonstrations, but it assumes that the operator and robot have matching numbers of simultaneous control channels. This assumption breaks for tri-manual systems: the robot can coordinate three arms concurrently, whereas a single operator can continuously control only two. Pairwise mode switching may therefore record otherwise independent motions sequentially, causing behaviour cloning to reproduce delays imposed by the interface rather than required by the task. We present TriManPolicy, a tri-manual imitation learning system that allows one operator to demonstrate behaviours for three arms. Its central component is Dependency-Aware Tri-Arm Scheduling (DATS). The key idea is to preserve the demonstrated arm motions while reconsidering when they occur. DATS retimes demonstrations offline by preserving local sensorimotor segments of fixed duration and repositioning them according to constraints on task order and arm usage that are reviewed by a human. The resulting data train a single synchronous policy for all three arms, while deployment requires neither the dependency graph nor the scheduler. Across six challenging tasks performed in the real world, policies trained on demonstrations retimed by DATS exhibit more efficient coordination while maintaining comparable observed task success. Offline analysis further shows that DATS changes the supervision across arms rather than merely removing idle periods.
- Abstract（参考訳）: 双方向遠隔操作は、ロボットのデモンストレーションを効果的に収集する方法を提供するが、オペレーターとロボットは同時制御チャネルの数に一致すると仮定する。
ロボットは3本の腕を同時に調整でき、一方1人のオペレーターは2本の腕だけを連続的に制御できる。
したがって、ペアワイズモードスイッチングは、他の独立した動作を逐次記録することができるため、動作クローンはタスクによって要求されるよりもインターフェースによって課される遅延を再現する。
本稿では,TriManPolicyについて述べる。TriManPolicyは3本の腕で動作を実演できる3次元模倣学習システムである。
中心となるコンポーネントは依存性を意識したTri-Arm Scheduling (DATS)である。
鍵となる考え方は、腕の動きがいつ起こったかを再考しながら、腕の動きを保存することである。
DATSは、人間によってレビューされたタスクの順序や腕の使用に関する制約に従って、一定期間の局所的な感覚運動セグメントを保存し、それらを再配置することで、デモをオフラインで繰り返す。
結果として得られたデータは3つのアームすべてに対して単一の同期ポリシをトレーニングするが、デプロイでは依存グラフもスケジューラも必要としない。
現実の世界で実施される6つの困難なタスクの中で、DATSが繰り返し実施するデモで訓練されたポリシーは、同等に観察されたタスクの成功を維持しながら、より効率的な調整を示す。
オフライン分析により、DATSは単にアイドル期間を取り除くのではなく、腕全体の監督を変更することが示される。
関連論文リスト
- AHEAD: Anticipatory Hand-Driven Teleoperation via Human Intent Prediction [15.569640550342674]
AHEADはリアルタイムVR遠隔操作システムで、オペレーターの意図を予測して、積極的に手動制御を可能にする。
AHEADは、ロボットの反応遅延を、ベースラインに対する0.6秒(オブジェクト)と1.4秒(スロット)に短縮する。
論文 参考訳（メタデータ） (2026-07-16T16:21:40Z) - One Demonstration Is Enough for Real-World Robotic Reinforcement Learning [34.23164234669014]
本稿では,実世界のロボットRLにおける介入プロセスを完全に自動化するために,ひとつのデモンストレーションを利用するAutoSERLを提案する。
2つのロボットプラットフォームにまたがる6つの接触集中操作タスク(挿入、吊り下げ、ヒンジベースタスク)についてAutoSERLを評価した。
論文 参考訳（メタデータ） (2026-07-02T03:23:40Z) - Robots that Collaborate: Sequential Asymmetric Imitation for Learning Coupled Robot Policies [8.640835924450553]
協調的な移動操作では、ロボットが部分的に観察されたパートナーと協調する必要がある。
失敗は、しばしば誤った待ち時間、収量、引き抜き、解放、再配置から生じるため、これは難しい。
本稿では,複数ロボットの動作を同時に学習するための一括操作カリキュラムであるSequential Asymmetric Imitation (SAI)を提案する。
論文 参考訳（メタデータ） (2026-06-15T09:55:58Z) - HECTOR: Human-centric Hierarchical Coordination and Supervision of Robotic Fleets under Continual Temporal Tasks [7.155003467581939]
本研究は,長期的かつ不確実な時間的課題下での大規模ロボット群を対象とした,人間中心の協調・監督スキーム(HECTOR)を提案する。
それは3つの階層的なレイヤで構成されている: (I) オンラインヒューマン・フリートインタラクションの双方向およびマルチモーダルプロトコルで、オペレーターが艦隊全体と対話し、監督する。
論文 参考訳（メタデータ） (2026-04-13T01:39:19Z) - CORAL: Scalable Multi-Task Robot Learning via LoRA Experts [49.759823970016974]
実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。
タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。
主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
論文 参考訳（メタデータ） (2026-03-10T07:28:41Z) - CARE: Multi-Task Pretraining for Latent Continuous Action Representation in Robot Control [39.17038025776311]
CAREは、ロボットタスク実行のためのVLAモデルをトレーニングするために設計されたフレームワークである。
CAREはビデオテキストペアのみを活用することで、明示的なアクションラベルの必要性を排除している。
結果は, ロボット制御におけるCAREのスケーラビリティ, 解釈可能性, 有効性を示す。
論文 参考訳（メタデータ） (2026-01-30T02:28:32Z) - CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。
CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。
そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
論文 参考訳（メタデータ） (2025-12-16T18:56:04Z) - Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。
本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。
我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
論文 参考訳（メタデータ） (2025-03-12T09:28:41Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、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） (2025-03-07T11:41:18Z) - Learning Multi-Arm Manipulation Through Collaborative Teleoperation [63.35924708783826]
模倣学習(il)はロボットに操作タスクを実行するための強力なパラダイムである。
多くの現実世界のタスクは、重い物体を持ち上げる、デスクを組み立てるなど、複数のアームを必要とする。
複数のリモートユーザが同時にロボットアームを遠隔操作できるマルチユーザデータ収集プラットフォームであるMulti-Arm RoboTurk(MART)を紹介した。
論文 参考訳（メタデータ） (2020-12-12T05:43:43Z)
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。