論文の概要: Physics Filtering Favors the Generalization of Robot Learning
- arxiv url: http://arxiv.org/abs/2608.22701v1
- Date: Mon, 24 Aug 2026 01:44:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.830416
- Title: Physics Filtering Favors the Generalization of Robot Learning
- Title（参考訳）: 物理フィルタはロボット学習の一般化を好む
- Abstract要約: ロボットはフィードバック機構、すなわちPhyFilterを利用することで、限られたトレーニングデータでも効果的に一般化できることを示す。
PhyFilterは、自動学習アルゴリズムによってパラメータを自動的に最適化できる軽量でモデルに依存しないモジュールとして動作する。
4つの代表的なロボットシステムにまたがってPhyFilterを検証し、四足歩行ロボットが見えない地形、ペイロードのバリエーション、速度範囲を一般化できることを実証した。
- 参考スコア（独自算出の注目度）: 30.444761497605707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Living organisms exhibit extraordinary adaptability to unseen environments through their intrinsic physical structures and lifelong feedback-driven learning. Endowing robots with comparable generalization is critical for reliable operation in the real world. While recent approaches attempt to improve generalization by scaling training data, such strategies remain impractical for robotics, where collecting real-world demonstrations at the scale of large language models is prohibitively costly and slow. Contrary to this reliance on massive datasets, we show that robots can generalize effectively under dynamics uncertainties even with limited training data by leveraging a feedback mechanism, namely PhyFilter, that corrects learning outputs with physics-filtered learning residuals. PhyFilter operates as a lightweight, model-agnostic module whose parameters can be automatically optimized through an auto-learning algorithm, eliminating manual tuning and enabling seamless integration with diverse robot policies. We validate PhyFilter across four representative robotic systems, demonstrating that it enables quadruped robots to generalize to unseen terrains, payload variations, and speed ranges; drones to flight under unseen wind disturbances; aerial manipulators to achieve centimeter-level in-air capture despite wind and mass uncertainties; and acceleration differentiators to remain robust with distribution shift. These results show that physics-filtered feedback can serve as a powerful alternative to massive data scaling.
- Abstract（参考訳）: 生物は、本質的な物理的構造と生涯にわたるフィードバック駆動学習を通じて、目に見えない環境に異常な適応性を示す。
ロボットを倒立させることは、実世界での信頼性の高い操作には不可欠である。
近年のアプローチでは、トレーニングデータのスケーリングによる一般化が試みられているが、ロボット工学ではそのような戦略は実用的ではない。
大規模なデータセットへの依存とは対照的に,物理フィルタ学習残差による学習出力を補正するフィードバック機構,すなわちPhyFilterを活用することで,限られたトレーニングデータであっても,動的不確実性の下で効果的に一般化できることが示される。
PhyFilterは軽量でモデルに依存しないモジュールとして機能し、パラメータを自動学習アルゴリズムで自動的に最適化し、手動チューニングを排除し、多様なロボットポリシーとのシームレスな統合を可能にする。
4つの代表的ロボットシステムにまたがってPhyFilterを検証し、四足歩行ロボットが見えない地形、ペイロードのバリエーション、速度範囲を一般化できることを示した。
これらの結果から,物理フィルタによるフィードバックが大規模データスケーリングの強力な代替となる可能性が示唆された。
関連論文リスト
- Efficient Transfer Learning of Robot Dynamic Models Using Morphological Similarity [1.7616042687330642]
我々は、スケールと流体力学特性が異なる形態学的に類似したロボットに焦点をあてる。
より大きなロボットのデータに基づいて訓練されたモデルは、ラベル付きデータに制限のある小さなロボットに適応する。
2つの実水中ロボットを用いた実験により, 提案手法により, 機体の速度を正確に推定できることがわかった。
論文 参考訳（メタデータ） (2026-07-06T22:14:49Z) - D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - SPIDER: Scalable Physics-Informed Dexterous Retargeting [45.24491726503442]
ヒューマノイドとデキスタラスハンドコントロールのためのデキスタラスとアジャイルのポリシーを学ぶには、大規模なデモが必要です。
人間のモーションデータは、モーションキャプチャー、ビデオ、バーチャルリアリティーから利用可能で、データ不足の問題に対処するのに役立ちます。
本研究では,人間の実演をロボット軌道に動的に拡張する物理ベースのフレームワークであるSPIDERを提案する。
論文 参考訳（メタデータ） (2025-11-12T16:54:00Z) - Action Flow Matching for Continual Robot Learning [54.10050120844738]
ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。
本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。
ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
論文 参考訳（メタデータ） (2025-04-25T16:26:15Z) - A real-time anomaly detection method for robots based on a flexible and sparse latent space [2.0186752447895993]
ロボット工学におけるディープラーニングベースのモデルは、限られたトレーニングデータと非常にノイズの多い信号機能のために、課題に直面している。
本稿では,これらの問題に対処するため,スパースマスク型自己回帰型フローベース適応型オートエンコーダモデルを提案する。
我々のモデルは1ミリ秒以内の推論を行い、リアルタイムな異常検出を確実にする。
論文 参考訳（メタデータ） (2025-04-15T13:17:14Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - RobotDiffuse: Motion Planning for Redundant Manipulator based on Diffusion Model [13.110235244912474]
冗長マニピュレータは、キネマティック性能と汎用性の向上を提供する。
これらのマニピュレータの動作計画は、DOFの増加と複雑な動的環境のために困難である。
本稿では,冗長マニピュレータにおける運動計画のための拡散モデルに基づくロボットディフューズを提案する。
論文 参考訳（メタデータ） (2024-12-27T07:34:54Z) - RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。
実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
論文 参考訳（メタデータ） (2022-12-13T18:55:15Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic
Platforms [60.59764170868101]
強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。
私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。
我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
論文 参考訳（メタデータ） (2021-03-05T14:16:20Z) - Learning to Fly via Deep Model-Based Reinforcement Learning [37.37420200406336]
モデルベース強化学習により, 四角子に対する推力制御系を学習する。
を1台のドローンで30分未満の経験で達成できることが示されています。
論文 参考訳（メタデータ） (2020-03-19T15:55:39Z)
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。