論文の概要: Knowledge-Guided Hierarchical Policy Learning for High-Precision Cylindrical Assembly under Tight Tolerances

• arxiv url: http://arxiv.org/abs/2609.06522v1
• Date: Sun, 06 Sep 2026 10:44:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 05:25:21.560803
• Title: Knowledge-Guided Hierarchical Policy Learning for High-Precision Cylindrical Assembly under Tight Tolerances
• Title（参考訳）: タイトトレランスを考慮した高精度円筒組立のための知識指導型階層型政策学習
• Abstract要約: 0.1mmの耐久性を有する170mm円筒部品の高精度な組立を実現するために,ハイブリッド階層型学習フレームワークを提案する。 低レベルのネットワークは、行動クローニング(BC)を通じて専門家の体験を統合し、ロボットに人間のような直感を与える。 上層ネットワークはルールに基づいて下層決定を動的に調整し、操作の柔軟性を確保する。
• 参考スコア（独自算出の注目度）: 6.782136275775431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A hybrid hierarchical learning framework is proposed to achieve high-precision assembly of 170mm cylindrical components with tolerance of 0.1mm. The lower-level network integrates expert experience through Behavior Cloning (BC), giving the robot human-like intuition, and incorporates the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm to enhance training stability and robustness. The upper-level network dynamically adjusts the lower-level decisions based on heuristic rules, ensuring flexibility in operations. A simulated model is constructed to learn before transferring to real world. An efficient and safe training is allowed. Comparisons show that the reward curve converges within 500 episodes, indicating high learning efficiency. It also demonstrates better adaptability to initial conditions and pose errors, achieving satisfactory success rates even under extreme conditions. Moreover, the method exhibits good stability under Gaussian noise interference. In the real world, the assembly trajectory of the cylindrical segment shows smoother motion and less fluctuation.
• Abstract（参考訳）: 0.1mmの耐久性を有する170mm円筒部品の高精度な組立を実現するために,ハイブリッド階層型学習フレームワークを提案する。 低レベルのネットワークは、行動クローニング(BC)を通じて専門家エクスペリエンスを統合し、ロボットのような直感を与え、トレーニングの安定性と堅牢性を高めるために、双遅延Deep Deterministic Policy Gradient(TD3)アルゴリズムを組み込む。 上層ネットワークはヒューリスティックなルールに基づいて下層決定を動的に調整し、操作の柔軟性を確保する。 実世界に移る前に学習するためにシミュレーションモデルを構築する。 より効率的で安全な訓練が可能である。 比較の結果,報奨曲線は500回以内に収束し,高い学習効率を示すことがわかった。 また、初期条件への適応性を向上し、エラーを発生させ、極端な条件下でも良好な成功率を達成する。 さらに,ガウス雑音干渉下では良好な安定性を示す。 実世界では、円筒セグメントの組立軌道はより滑らかな動きを示し、ゆらぎは少ない。

関連論文リスト

• Dynamic Distillation and Gradient Consistency for Robust Long-Tailed Incremental Learning [19.30816824251175]
  本稿では, 急激な変動を抑制し, トレーニングプロセスを安定させるために, 整合性勾配正則化を導入する。 第2に, クラス不均衡度と正規化エントロピーの度合いを測定することにより, 蒸留損失の重量を動的に調整する。 CIFAR-100-LT, ImageNetSubset-LT, およびFood101-LTベンチマーク実験の結果, 本手法は最大5.0%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-05-05T04:50:06Z)
• On the Learning Dynamics of Two-layer Linear Networks with Label Noise SGD [93.70725920710208]
  ラベル雑音による勾配降下の学習力学について検討する。 遅延からリッチな体制への移行を駆動する上で,ラベルノイズが重要な役割を担っていることを強調する。 これらの知見をSAM(Sharpness-Aware Minimization)に拡張し、ラベルノイズSGDを規定する原理がより広範な最適化アルゴリズムにも適用可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-11T04:26:54Z)
• Certified Gradient-Based Contact-Rich Manipulation via Smoothing-Error Reachable Tubes [5.119652071085673]
  我々は接触リッチな操作のための新しい勾配に基づくポリシー合成法を開発した。 提案手法は,平面プッシュ,オブジェクト回転,手動操作など,複数の接触に富むタスクに対して評価する。 定値ロバスト制御で微分可能な物理をブリッジすることにより,接触リッチな操作を行うための,初めて証明可能な勾配式ポリシー合成法である。
  論文  参考訳（メタデータ） (2026-02-10T03:19:42Z)
• Human-in-the-loop Online Rejection Sampling for Robotic Manipulation [55.99788088622936]
  Hi-ORSは、オンライン微調整中に負の報酬を得たサンプルをフィルタリングすることで、値推定を安定化する。 Hi-ORSは、わずか1.5時間でコンタクトリッチな操作をマスターするためのpiベースのポリシーを微調整する。
  論文  参考訳（メタデータ） (2025-10-30T11:53:08Z)
• LyAm: Robust Non-Convex Optimization for Stable Learning in Noisy Environments [0.0]
  ディープニューラルネットワークのトレーニング、特にコンピュータビジョンタスクは、ノイズの多い勾配に悩まされることが多い。 我々はAdamの適応モーメント推定とLyapunovに基づく安定性機構を統合する小説LyAmを提案する。 LyAmは、精度、収束性、速度、安定性の点で、最先端設定を一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-15T12:35:13Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Adaptive Federated Learning Over the Air [108.62635460744109]
  オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。 解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
  論文  参考訳（メタデータ） (2024-03-11T09:10:37Z)
• Dynamic Environment Responsive Online Meta-Learning with Fairness Awareness [30.44174123736964]
  本稿では,FairSAOMLと呼ばれる,適応フェアネスを考慮したオンラインメタ学習アルゴリズムを提案する。 動的環境下での様々な実世界のデータセットに対する実験評価により,提案アルゴリズムが一貫した代替手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-19T17:44:35Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)

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。