論文の概要: Deliberate Practice: Learning Robot Skills under a Budget

• arxiv url: http://arxiv.org/abs/2608.13415v1
• Date: Thu, 13 Aug 2026 16:09:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.592958
• Title: Deliberate Practice: Learning Robot Skills under a Budget
• Title（参考訳）: 議論の実践:予算下でロボットスキルを学ぶ
• Abstract要約: 本稿では,有効性のあるスキル学習アルゴリズムであるemphDeliberate Practice (DP)を提案する。 DPは、スキルをマスターするために必要な時間と、スキルをアンロックするタスクプランの累積的な報酬の両方を見積もる。
• 参考スコア（独自算出の注目度）: 9.833236003698907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of autonomously learning robot skills under a limited practice budget for sequential tasks. We propose an active skill learning algorithm, \emph{Deliberate Practice (DP)}, that computes a provably \emph{budget-optimal} allocation---practicing skills that maximize expected cumulative reward while being learnable within the budget. DP estimates both the time needed to master skills and the cumulative reward of the task plans that the skills unlock. Computing a budget-optimal allocation is challenging as it requires reasoning about combinatorially many skill plans over a large practice budget. Our key contribution is a bilinear program that can compute this exactly using off-the-shelf solvers. Through simulated and real-world experiments on long-horizon manipulation tasks, we show that our approach allows robots to optimally use limited practice time to acquire useful policies and improve long-horizon planning.
• Abstract（参考訳）: 本稿では,ロボットのスキルを自律的に学習する上での課題について考察する。 本稿では,予算内で学習可能でありながら,期待される累積報酬を最大化するスキルを実演する,能動的スキル学習アルゴリズム「emph{Deliberate Practice(DP)」を提案する。 DPは、スキルをマスターするために必要な時間と、スキルをアンロックするタスクプランの累積的な報酬の両方を見積もる。 予算最適割り当ての計算は、大規模な実践予算に対して、組合せ的に多くのスキルプランを推論する必要があるため、難しい。 私たちの重要な貢献は、既製の解法を使ってこれを正確に計算できる双線形プログラムです。 提案手法は,長期操作タスクのシミュレーションおよび実世界の実験を通じて,ロボットが限られた練習時間を最適に利用し,有用なポリシを取得し,長期計画を改善することができることを示す。

関連論文リスト

• Better, Faster, Stronger: Programmatic Skill Learning Best Reduces Agent Cost [31.000338964323248]
  さまざまなスキル学習手法の中で,スキルをプログラムとみなす者は,最高のコスト削減を実現することができる,と我々は主張する。 SpeedRunnerは、将来のタスクのパフォーマンスを改善するために、軌道とスキルを分析するコーディングエージェントである。
  論文  参考訳（メタデータ） (2026-08-11T18:42:23Z)
• Train Long, Think Short: Curriculum Learning for Efficient Reasoning [51.506559652495476]
  長さ制御推論のためのカリキュラム学習戦略を提案する。 当社の手法は寛大なトークン予算から始まり、トレーニングをしながら徐々に厳格化します。 GSM8K、MATH500、SVAMP、College Math、GSM+の実験は、カリキュラムベースのトレーニングが固定予算ベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-12T13:48:03Z)
• SPIRE: Synergistic Planning, Imitation, and Reinforcement Learning for Long-Horizon Manipulation [58.14969377419633]
  タスクをより小さな学習サブプロブレムに分解し、第2に模倣と強化学習を組み合わせてその強みを最大化するシステムであるspireを提案する。 我々は、模倣学習、強化学習、計画を統合する従来の手法よりも平均タスク性能が35%から50%向上していることを発見した。
  論文  参考訳（メタデータ） (2024-10-23T17:42:07Z)
• Practice Makes Perfect: Planning to Learn Skill Parameter Policies [34.51008914846429]
  本研究では,将来的なタスクの成功を最大化するために,どのスキルを実践するかという,アクティブな学習問題に焦点をあてる。 本稿では,ロボットが各スキルの能力を推定し,能力の外挿を行い,能力認識計画を通じてタスク分布のスキルを定めておくことを提案する。 このアプローチは、ロボットが環境をリセットせずに繰り返し計画し、実践し、学習する完全に自律的なシステム内で実装される。
  論文  参考訳（メタデータ） (2024-02-22T23:58:26Z)
• Achieving mouse-level strategic evasion performance using real-time computational planning [59.60094442546867]
  計画とは、脳が想像し、予測可能な未来を成立させる特別な能力である。 我々は,動物の生態が空間計画の価値をどのように支配するかという研究に基づいて,より効率的な生物学的に着想を得た計画アルゴリズムであるTLPPOを開発した。 TLPPOを用いたリアルタイムエージェントの性能とライブマウスの性能を比較し,ロボット捕食者を避けることを課題とする。
  論文  参考訳（メタデータ） (2022-11-04T18:34:36Z)
• STAP: Sequencing Task-Agnostic Policies [22.25415946972336]
  本稿では,長期的課題を解決するために,操作スキルを訓練し,それらの幾何学的依存関係を計画時に調整するためのシークエンシングタスク非依存ポリシー(STAP)を提案する。 実験により, この目的関数が真理計画の実現可能性に近似していることが示唆された。 タスクプランナが提供したスキルシーケンスの幾何学的実現可能性を評価することで,STAPがタスク計画や動作計画にどのように使えるかを実証する。
  論文  参考訳（メタデータ） (2022-10-21T21:09:37Z)
• Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
  Intrinsic Reward Matching (IRM) を提案する。 IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
  論文  参考訳（メタデータ） (2022-10-14T00:04:49Z)
• Divide & Conquer Imitation Learning [75.31752559017978]
  模倣学習は学習プロセスをブートストラップするための強力なアプローチである。 本稿では,専門的軌道の状態から複雑なロボットタスクを模倣する新しいアルゴリズムを提案する。 提案手法は,非ホロノミックナビゲーションタスクを模倣し,非常に高いサンプル効率で複雑なロボット操作タスクにスケールすることを示す。
  論文  参考訳（メタデータ） (2022-04-15T09:56:50Z)
• Learning and Sequencing of Object-Centric Manipulation Skills for Industrial Tasks [16.308562047398542]
  本稿では,オブジェクト中心の隠れセミマルコフモデルを用いて,ロボットのスキルシーケンスを高速に符号化するアルゴリズムを提案する。 学習したスキルモデルは、多モーダルな(時間的および空間的な)軌道分布を符号化することができる。 本研究では,産業用組立作業用ロボットアーム7台について実演する。
  論文  参考訳（メタデータ） (2020-08-24T14:20:05Z)
• Emergent Real-World Robotic Skills via Unsupervised Off-Policy Reinforcement Learning [81.12201426668894]
  報奨関数を使わずに多様なスキルを習得し,これらのスキルを下流のタスクに再利用する効率的な強化学習手法を開発した。 提案アルゴリズムは学習効率を大幅に向上させ,報酬のない実世界のトレーニングを実現する。 また,学習スキルは,目標指向ナビゲーションのためのモデル予測制御を用いて,追加のトレーニングを伴わずに構成可能であることも実証した。
  論文  参考訳（メタデータ） (2020-04-27T17:38:53Z)

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。