論文の概要: Developing Combined Manipulation and Locomotion Skills with Interaction Representation and Skill Composition
- arxiv url: http://arxiv.org/abs/2608.00208v1
- Date: Fri, 31 Jul 2026 18:43:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 15:24:17.985235
- Title: Developing Combined Manipulation and Locomotion Skills with Interaction Representation and Skill Composition
- Title（参考訳）: インタラクション表現とスキル構成を併用したマニピュレーションとロコモーションスキルの開発
- Abstract要約: 本稿では,ヒューマノイドロボットが発達原理に基づいて動作ポリシーを学習できるようにする方法について述べる。
本研究は,身体全体の到達と把握を学習し,(2)立ち上がりと歩行を両立させるアプローチを提案する。
対象物をつかむ場合, 93%のゼロショット成功率, 立ち上がり時の96-100%の成功率を示した。
- 参考スコア（独自算出の注目度）: 11.50802493555463
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper addresses how to enable a humanoid robot to learn motion policies based on developmental principles and combine policies to create more sophisticated and useful behaviors. Specifically, we present an approach to (1) learning a whole-body reaching and grasping policy and (2) combining it and a standing-up and walking policy to compose a more complex policy of manipulation and locomotion: grasping, standing up, and walking. In (1), our method draws inspiration from harmonic analysis and adopts cubic harmonics as weights to represent the hand-object spatial relationship via spatial convolution. Utilizing an intra-episode finger joint decoupling curriculum based on developmental principles, a robot can autonomously learn a generalizable grasping policy without relying on external datasets or pretrained models. In (2), our method combines the grasping policy with a separately learned getting-up policy by providing both policies with their respective observation vectors and using hand-object interaction scores to determine when each policy should control which robot joints. Our results show a 93% zero-shot success rate for grasping unseen objects and a 96-100% success rate for standing up while holding the object. Our work also demonstrates that combining different policies is only effective if each policy learning happens on the same whole humanoid body even if a policy (such as for locomotion) does not seem to need all the body parts (such as fingers).
- Abstract（参考訳）: 本稿では,ヒューマノイドロボットが発達原理に基づいて動作ポリシーを学習し,より高度で有用な行動を生成するためのポリシーを組み合わせる方法について述べる。
具体的には,(1)全身の到達と把握の方針を学習し,(2)立ち上がりと歩行の方針を組み合わせて,より複雑な操作と移動の方針を構成するアプローチを提案する。
1)本手法は高調波解析からインスピレーションを得て,空間畳み込みによる手対象空間関係を表現するために立方体高調波を重みとして採用する。
ロボットは、発達原理に基づく表皮内指の関節分離カリキュラムを利用することで、外部データセットや事前訓練されたモデルに頼ることなく、汎用的な把握ポリシーを自律的に学習することができる。
2)本手法では,それぞれの観察ベクトルに両ポリシーを付与し,各ポリシーがどのロボット関節を制御するべきかを決定するために,手動インタラクションスコアを用いて,把握ポリシーと別々に学習した持ち上げポリシーを組み合わせる。
対象物をつかむ場合, 93%のゼロショット成功率, 立ち上がり時の96-100%の成功率を示した。
私たちの研究は、ポリシー(移動など)がすべての身体部分(指など)を必要としないように思えても、それぞれのポリシー学習が同じヒューマノイド体で起こる場合にのみ、異なるポリシーを組み合わせることが効果的であることも示しています。
関連論文リスト
- SAPS: Shared Autonomy for Policy Steering by Blending Teleoperation with a Pretrained VLA [7.574275066394319]
VLA(Vision-Language-Action)ポリシーは、アウト・オブ・ディストリビューションの空間的および意味的摂動の下で脆くすることができる。
本稿では、リアルタイムの遠隔操作コマンドと事前訓練されたポリシーアクションを融合するフレームワーク、SAPS(Shared Autonomy for Policy Steering)を紹介する。
SAPSは、ポリシーの再訓練、補助力学モデル、アーキテクチャの変更を必要としない。
論文 参考訳（メタデータ） (2026-06-14T03:09:30Z) - Flow Policy Gradients for Robot Control [67.61978635211048]
フローマッチングポリシ勾配は、より表現力のあるポリシのトレーニングと微調整に有効である。
我々は、スクラッチからトレーニングを行う際に、フロー表現をどのように活用するかを示し、ベースラインよりもきめ細やかな堅牢性を改善する。
論文 参考訳（メタデータ） (2026-02-02T18:56:49Z) - COMBO-Grasp: Learning Constraint-Based Manipulation for Bimanual Occluded Grasping [56.907940167333656]
集積ロボットグルーピングは、表面衝突などの環境制約により、所望のグルーピングポーズが運動的に不可能な場所である。
従来のロボット操作アプローチは、人間が一般的に使用する非包括的または双対的戦略の複雑さに苦しむ。
本稿では,2つの協調ポリシーを活用する学習ベースアプローチであるCOMBO-Grasp(Constraint-based Manipulation for Bimanual Occluded Grasping)を紹介する。
論文 参考訳（メタデータ） (2025-02-12T01:31:01Z) - Learning Goal-oriented Bimanual Dough Rolling Using Dynamic Heterogeneous Graph Based on Human Demonstration [19.74767906744719]
ソフトオブジェクト操作はロボットにとって重要な課題であり、状態表現と操作ポリシー学習に効果的な技術を必要とする。
本研究では,目標指向のソフトオブジェクト操作ポリシーを学習するための動的ヘテロジニアスグラフベースモデルを提案する。
論文 参考訳（メタデータ） (2024-10-15T16:12:00Z) - Cross-Embodiment Dexterous Grasping with Reinforcement Learning [29.867524903691802]
デクスタースハンドは、複雑な現実世界の把握タスクに重要な可能性を秘めている。
本研究では,強化学習を用いたクロス・エボディーズ・デクスタラス・グリーティング・ポリシーの学習について検討する。
提案手法は,YCBデータセットからオブジェクトを把握した場合の80%の成功率を示す。
論文 参考訳（メタデータ） (2024-10-03T13:36:02Z) - Hand-Object Interaction Pretraining from Videos [77.92637809322231]
我々は,3次元ハンドオブジェクトインタラクショントラジェクトリから,一般的なロボット操作を学習する。
人間の手と操作された物体を3D空間で共有し、人間の動きをロボットの動きと共有する。
我々は、このポリシーを、強化学習(RL)と行動クローニング(BC)の両方で微調整することで、下流タスクへのサンプル効率の適応を可能にし、従来のアプローチと比較して堅牢性と一般化性を同時に改善できることを実証的に実証した。
論文 参考訳（メタデータ） (2024-09-12T17:59:07Z) - ArtiGrasp: Physically Plausible Synthesis of Bi-Manual Dexterous
Grasping and Articulation [29.999224233718927]
ArtiGraspは、握りと調音を含む双方向の手-物体の相互作用を合成する方法である。
我々のフレームワークは、単一の手ポーズ参照によってガイドされた単一のポリシー内での把握と明瞭化を統一する。
提案手法は,市販画像ベース回帰器からノイズの多い手動ポーズ推定を行うことができることを示す。
論文 参考訳（メタデータ） (2023-09-07T17:53:20Z) - Affordance Learning from Play for Sample-Efficient Policy Learning [30.701546777177555]
遠隔操作型プレイデータから自己監督型ビジュアルアプライアンスモデルを用いて,効率的なポリシー学習とモーションプランニングを実現する。
モデルベースプランニングとモデルフリーの深層強化学習を組み合わせることで、人々が好む同じ対象領域を好むポリシーを学ぶ。
我々の政策はベースラインよりも4倍速くトレーニングし、新しいオブジェクトを一般化する。
論文 参考訳（メタデータ） (2022-03-01T11:00:35Z) - Co-GAIL: Learning Diverse Strategies for Human-Robot Collaboration [51.268988527778276]
本研究では,人間とロボットの協調実験から人間とロボットの協調政策を学習する手法を提案する。
本手法は対話型学習プロセスにおけるヒューマンポリシーとロボットポリシーを協調的に最適化する。
論文 参考訳（メタデータ） (2021-08-13T03:14:43Z) - Towards Coordinated Robot Motions: End-to-End Learning of Motion
Policies on Transform Trees [63.31965375413414]
人間による実証から構造化政策を学習し、マルチタスクの課題解決を提案します。
我々の構造化ポリシーは、異なる空間におけるサブタスクポリシーを組み合わせるためのフレームワークであるRMPflowにインスパイアされている。
マルチタスク問題に適したエンドツーエンドの学習目標関数を導き出します。
論文 参考訳（メタデータ） (2020-12-24T22:46:22Z) - Learning Dexterous Grasping with Object-Centric Visual Affordances [86.49357517864937]
控えめなロボットハンドは、機敏さと人間のような形態をアピールしています。
本稿では,厳密な把握を学習するためのアプローチを提案する。
私たちのキーとなるアイデアは、オブジェクト中心の視覚的余裕モデルを深い強化学習ループに埋め込むことです。
論文 参考訳（メタデータ） (2020-09-03T04:00:40Z)
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。