論文の概要: Practice Makes Policies: Bootstrapping and Consolidating Robotic Capabilities from Zero Human Demonstrations

• arxiv url: http://arxiv.org/abs/2607.26809v1
• Date: Wed, 29 Jul 2026 11:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.657465
• Title: Practice Makes Policies: Bootstrapping and Consolidating Robotic Capabilities from Zero Human Demonstrations
• Title（参考訳）: 政治を実践する - ゼロヒューマンによるロボット能力のブートストラップと強化
• Authors: Jialiang Li, Yuhan Wang, Haojun Li, Gaojing Zhang, Yangtian Ye, Qipeng Liu, Haotian Liang, Wenzhao Lian,
• Abstract要約: 汎用ロボット操作では、ロボットはオープンワールド環境で多様なタスクを実行する必要がある。 HEROは、ゼロ人のデモから自律的な能力の進化を可能にする自己改善型階層型エンボディエージェントである。
• 参考スコア（独自算出の注目度）: 9.01493948952274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: General-purpose robotic manipulation requires robots to perform diverse tasks in open-world environments while improving their skills over time. Despite recent progress in robotic manipulation, existing systems still primarily acquire manipulation skills in a static manner, where capabilities are learned for specific tasks or settings rather than adaptively evolving through physical interaction. Resembling how repeated practice enables humans to develop muscle memory, advanced manipulation proficiency requires an autonomous capability evolution mechanism that allows robots to progressively transform interaction experiences into increasingly effective manipulation abilities. To this end, we propose HERO, a self-improving hierarchical embodied agent that enables autonomous capability evolution from zero human demonstrations. HERO organizes heuristic reasoning, exemplar reuse, and reflexive execution into a unified orchestration framework, allowing robots to autonomously bootstrap manipulation experience, rapidly accumulate reusable behaviors through experience transfer, and progressively consolidate recurring interactions into efficient closed-loop visuomotor policies. By tightly coupling autonomous data collection with task execution, HERO continuously expands and dynamically schedules manipulation capabilities according to different stages of experience accumulation and execution requirements. Extensive experiments demonstrate that HERO substantially reduces human intervention during robotic data collection while achieving robust manipulation across diverse tasks, providing a promising path toward self-improving robotic systems.
• Abstract（参考訳）: 汎用的なロボット操作では、ロボットは時間とともにスキルを向上しながら、オープンワールド環境で多様なタスクを実行する必要がある。 ロボット操作の最近の進歩にもかかわらず、既存のシステムは、物理相互作用を通じて適応的に進化するのではなく、特定のタスクや設定のために能力を学ぶ静的な方法で操作スキルを主に獲得している。 人間の筋肉の記憶の発達を再現するためには、ロボットが対話体験を徐々に効果的な操作能力に変えるための自律的な能力進化メカニズムが必要である。 この目的のために,ゼロ人の実演から自律的な能力進化を可能にする自己改善型階層型エンボディエージェントHEROを提案する。 HEROはヒューリスティック推論、模範的再利用、反射的実行を統一的なオーケストレーションフレームワークに編成し、ロボットが操作経験を自律的にブートストラップし、経験移動を通じて再利用可能な振る舞いを迅速に蓄積し、反復的なインタラクションを効率的なクローズドループビズモレータポリシーに段階的に統合する。 HEROは、自律的なデータ収集とタスク実行を密結合することにより、経験蓄積と実行要求の異なる段階に応じて、操作機能を継続的に拡張し、動的にスケジュールする。 大規模な実験により、HEROはロボットデータ収集における人間の介入を大幅に減らし、多様なタスクにわたる堅牢な操作を実現し、自己改善ロボットシステムへの有望な経路を提供する。

関連論文リスト

• Learning Diverse Humanoid Tasks via Synthetic Video Scenarios without Real World Data [0.5161531917413708]
  我々は、生成AIの力を活用して、テキストプロンプトを人間の身体運動の現実的で多様なシーケンスに変換する新しいフレームワークを提案する。 これらの人工的なデモンストレーションはトレーニングリソースとして使用され、ロボットは幅広いタスク実行スタイルを学ぶことができる。 実験結果から,ロボットは作業の完了だけでなく,複雑な動作の適応性も高いことが示された。
  論文  参考訳（メタデータ） (2026-07-22T05:36:55Z)
• MuGen: Multi-Skill Generative Locomotion Controller for Humanoid Robots [23.430453709459073]
  MuGenは、ヒューマノイドロボット上でマルチスキルのロコモーションを学習し、デプロイするためのデータ駆動フレームワークである。 モデルに基づく強化学習で訓練されたベクトル量子化オートエンコーダを用いて,ロコモーションを生成的表現する。 さまざまな動作と正確な実行を通じて,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2026-05-23T14:06:06Z)
• HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [74.43500240121476]
  我々はHumanXについて紹介する。HumanXは人間の動画を、ヒューマノイドのための汎用的で現実的なインタラクションスキルにコンパイルするフルスタックのフレームワークである。 HumanXは、従来の方法より8倍高い一般化成功を達成する。
  論文  参考訳（メタデータ） (2026-02-02T18:53:01Z)
• METIS: Multi-Source Egocentric Training for Integrated Dexterous Vision-Language-Action Model [36.82365894983052]
  大きなボトルネックは、デクスタラススキルのための大規模でアクションアノテートされたデータの不足にある。 我々は,エゴセントリックなデータセット上で事前学習したデクスタラス操作のための視覚言語アクションモデルMETISを提案する。 提案手法は,6つの実世界のタスクにおける平均成功率を達成し,異常な操作能力を示す。
  論文  参考訳（メタデータ） (2025-11-21T16:32:36Z)
• Human-Humanoid Robots Cross-Embodiment Behavior-Skill Transfer Using Decomposed Adversarial Learning from Demonstration [9.42179962375058]
  本稿では,デジタル人間モデルを共通プロトタイプとして使用することにより,データのボトルネックを低減するための転送可能なフレームワークを提案する。 このモデルは、人間による実演から、敵対的な模倣を通して行動プリミティブを学習し、複雑なロボット構造を機能的な構成要素に分解する。 本フレームワークは,多種多様な構成のヒューマノイドロボット5体を用いて検証した。
  論文  参考訳（メタデータ） (2024-12-19T18:41:45Z)
• RObotic MAnipulation Network (ROMAN) -- Hybrid Hierarchical Learning for Solving Complex Sequential Tasks [45.3746654854308]
  ロボットマニピュレーションネットワーク(ROMAN)のハイブリッド階層型学習フレームワークを提案する。 ROMANは、行動クローニング、模倣学習、強化学習を統合することで、タスクの汎用性と堅牢な障害回復を実現する。 実験結果から,これらの専門的な操作専門家の組織化と活性化により,ROMANは高度な操作タスクの長いシーケンスを達成するための適切なシーケンシャルなアクティベーションを生成することがわかった。
  論文  参考訳（メタデータ） (2023-06-30T20:35:22Z)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)
• Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
  動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。 そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
  論文  参考訳（メタデータ） (2020-04-02T02:56:16Z)

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。