論文の概要: One-Shot Learning from Demonstration of Contact-Rich Robotic Manipulation by Identifying Physical Interactions
- arxiv url: http://arxiv.org/abs/2608.24741v1
- Date: Tue, 25 Aug 2026 15:48:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.084324
- Title: One-Shot Learning from Demonstration of Contact-Rich Robotic Manipulation by Identifying Physical Interactions
- Title（参考訳）: 物理的相互作用の同定による接触力ロボットマニピュレーションの実証からのワンショット学習
- Abstract要約: デモから学ぶ(LfD)ことで、ロボットは人間から直接操作タスクを学習できる。
ほとんどのLfD法は、ロボットとその環境の間の物理的相互作用を明示的にモデル化していない。
物理的相互作用がどこでいつ起こるかを明確にするLfD法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Learning from Demonstration (LfD) allows robots to learn manipulation tasks directly from humans, thereby supporting the versatile application of robots. Most LfD methods do not explicitly model the physical interactions between a robot and its environment, such as the making and breaking of contact, while these are crucial during manipulation tasks. Because the same basic physical interactions recur often, they can be a basis for robust, generalizable, and adaptive task reproduction. We propose an LfD method that explicitly uses what physical interactions take place where and when. Using that information, a hybrid position-force controller tracks demonstrated trajectories until contact-based transition conditions from the demonstrations are met. We evaluate our method in real robot experiments consisting of opening doors and locks, bolt picking and screwing, dislodging, and surface contouring. We show that explicitly modeling physical interactions benefits LfD in four ways. First, by allowing reproduction of complex, sequential, and contact-rich manipulation tasks using only a single demonstration and no prior knowledge of the task. Second, by facilitating robustness to unknown geometric variations in the environment. Third, by facilitating generalization when geometric variations are known. Fourth, by facilitating online adaptation using geometric information explored during task reproduction. We discuss how robustness, generalization, and adaptivity can be explicitly implemented, which is generally lacking in the LfD literature. Thereby, our work aims to close a gap in interpretable few-shot LfD of robotic manipulation.
- Abstract（参考訳）: Demonstration (LfD)から学ぶことで、ロボットは人間から直接操作タスクを学習し、ロボットの汎用的応用をサポートする。
ほとんどのLfD法は、ロボットとその環境、例えば接触の生成や破壊などの物理的相互作用を明示的にモデル化していないが、これらは操作作業において不可欠である。
同じ基本的な物理的相互作用が頻繁に再帰するので、それらは堅牢で一般化可能で適応的なタスク再現の基礎となる。
物理的相互作用がどこでいつ起こるかを明確にするLfD法を提案する。
この情報を用いて、ハイブリッド位置決め制御トラックは、デモから接触ベースの遷移条件が満たされるまで軌道を実証した。
本手法は, ドアとロック, ボルトの引抜き, スクリュー, 脱落, 表面の凹凸などからなる実際のロボット実験において評価した。
物理的相互作用を明示的にモデル化することはLfDに4つの利点をもたらすことを示す。
第一に、単一のデモンストレーションのみを使用して複雑な、シーケンシャルで、接触に富んだ操作タスクの再現を可能にすることで、タスクの事前の知識を得られない。
第二に、環境における未知の幾何学的変動に対する堅牢性を促進する。
第3に、幾何学的変動が知られているときの一般化を容易にする。
第4に,課題再現中に探索された幾何学的情報を用いたオンライン適応を容易にすること。
我々は、LfD文学において一般的に欠落しているロバスト性、一般化、適応性を明示的に実装する方法について論じる。
そこで本研究は,ロボット操作による数発のLfDの解釈のギャップを埋めることを目的としている。
関連論文リスト
- Affordance Transfer Across Object Instances via Semantically Anchored Functional Map [4.786936073180585]
本研究では,1つの視覚的実演からオブジェクト間でアベイランスを伝達するフレームワークであるemphSemantic Anchored Functional Maps (SemFM)を提案する。
本手法は,オブジェクト間のセマンティックな機能領域を特定し,相互に排他的なセマンティックアンカーを選択し,それらの制約を表面上で伝達する。
合成対象カテゴリーと実世界のロボット操作タスクの実験により,本手法が計算コストを抑えながら精度の高い移動を可能にすることを示す。
論文 参考訳（メタデータ） (2026-02-16T16:04:47Z) - Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。
人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。
本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
論文 参考訳（メタデータ） (2026-02-13T18:59:10Z) - Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。
物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。
ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
論文 参考訳（メタデータ） (2026-01-13T23:36:30Z) - Learning Pivoting Manipulation with Force and Vision Feedback Using Optimization-based Demonstrations [20.20969802675097]
クローズドループのピボット操作を学習するためのフレームワークを提案する。
計算効率のよい接触型軌道最適化を利用して,実演指導による深層強化学習を設計する。
また、特権訓練戦略を用いて、ロボットがピボット操作を行うことができるシミュレート・トゥ・リアル・トランスファー手法を提案する。
論文 参考訳（メタデータ） (2025-08-01T21:33:46Z) - Efficient Sensorimotor Learning for Open-world Robot Manipulation [6.1694031687146955]
この論文は、効率的な感覚運動学習手法を用いて、オープンワールドロボットマニピュレーション問題に取り組む。
効率的な感覚運動学習を実現するための鍵は、限られた量の実演データに存在する規則的なパターンを活用することである。
論文 参考訳（メタデータ） (2025-05-07T18:23:58Z) - Dexterous Manipulation through Imitation Learning: A Survey [32.47862766672596]
イミテーションラーニング(IL)は、ロボットが専門家によるデモンストレーションから直接巧妙な操作スキルを習得できるようにすることによって、代替手段を提供する。
ILは、明示的なモデリングと大規模な試行錯誤の必要性を回避しながら、きめ細かい調整と接触ダイナミクスをキャプチャする。
私たちのゴールは、研究者や実践者たちに、この急速に進化する領域の包括的紹介を提供することです。
論文 参考訳（メタデータ） (2025-04-04T15:14:38Z) - 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) - Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。
提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。
デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
論文 参考訳（メタデータ） (2023-06-09T07:22:12Z) - Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。
学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文 参考訳（メタデータ） (2022-11-16T16:26:48Z) - A Differentiable Recipe for Learning Visual Non-Prehensile Planar
Manipulation [63.1610540170754]
視覚的非包括的平面操作の問題に焦点をあてる。
本稿では,ビデオデコードニューラルモデルと接触力学の先行情報を組み合わせた新しいアーキテクチャを提案する。
モジュラーで完全に差別化可能なアーキテクチャは、目に見えないオブジェクトやモーションの学習専用手法よりも優れていることが分かりました。
論文 参考訳（メタデータ） (2021-11-09T18:39:45Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。