Fugu-MT 論文翻訳(概要): ObstaDiff: Generalizable Diffusion Policy Learning via Obstacle-aware Representations

論文の概要: ObstaDiff: Generalizable Diffusion Policy Learning via Obstacle-aware Representations

arxiv url: http://arxiv.org/abs/2609.10918v1
Date: Thu, 10 Sep 2026 00:06:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 23:53:35.165653
Title: ObstaDiff: Generalizable Diffusion Policy Learning via Obstacle-aware Representations
Title（参考訳）: ObstaDiff: 障害物認識表現による一般化可能な拡散政策学習
Abstract要約: ObstaDiffは、軽量な障害物対応ビジュアルエンコーダを備えた拡散政治フレームワークである。本稿では,軽量な障害物対応ビジュアルエンコーダを備えた分散政治フレームワークObstaDiffを提案する。 ObstaDiffは75.41%の平均的なタスク成功と8.20%の平均的な障害物衝突率を達成した。
参考スコア（独自算出の注目度）: 2.925657033211993
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Imitation learning has achieved impressive results in robotic manipulation, yet most existing approaches assume clean backgrounds and lack explicit mechanisms for obstacle-aware motion generation. Extending such policies to cluttered, real-world scenes with unstructured obstacles remains a key generalization challenge. We present ObstaDiff, a decomposed diffusion-policy framework with a lightweight obstacle-aware visual encoder. ObstaDiff extracts a structured target-obstacle-background representation, enabling the downstream alignment policy to generate end-effector trajectories toward a target-centered bottleneck pose while reasoning about surrounding obstacles. We evaluate ObstaDiff on 61 real-robot greenhouse trials per method (366 executions in total). ObstaDiff achieves 75.41% average task success and 8.20% average obstacle collision rate, outperforming representative imitation-learning baselines and improving generalization in cluttered agricultural scenes.
Abstract（参考訳）: 模倣学習はロボット操作において印象的な成果を上げてきたが、既存のほとんどのアプローチでは、クリーンな背景を前提としており、障害物認識モーション生成の明確なメカニズムが欠如している。このような方針を乱れた現実世界のシーンに無秩序な障害物で拡張することは、依然として重要な一般化の課題である。本稿では,軽量な障害物対応ビジュアルエンコーダを備えた分散政治フレームワークObstaDiffを提案する。 ObstaDiffは、構造化された目標-障害物-背景表現を抽出し、下流アライメントポリシーは、周囲の障害物を推論しながら、目標中心のボトルネックポーズに向けたエンドエフェクタ軌道を生成することができる。また,ObstaDiffを実ロボット温室実験61件(合計366件)で評価した。 ObstaDiffは75.41%の平均的なタスク成功と8.20%の平均障害物衝突率を達成し、代表的模倣学習ベースラインを上回り、散在する農業シーンにおける一般化を改善している。

関連論文リスト

Vision-Based Obstacle Separation for Strawberry Harvesting in Clusters Using Hierarchical Reinforcement Learning [3.314102272774147]
VGPAは、視覚誘導決定機構とプログレッシブ適応探索戦略を統合している。シミュレーション実験では、学習されたポリシーは96.7%の成功率を達成した。自己開発型並列ロボットを用いた実物間移動実験により、提案手法は71.7%から88.3%の範囲で成功率を達成した。
論文参考訳（メタデータ） (2026-07-15T13:07:25Z)
Artificial Foveated Perception for Mitigating Shortcut Learning in Robotic Foundation Models [28.23835152537988]
本稿では,ロボット基礎モデルのための軽量かつポリシーに依存しないモジュールであるArtificial Foveated Perception (AFP)を提案する。 AFPは、関連するオブジェクト、ロボット、その他の行動クリティカル領域に対してタスク条件付きマスクを予測する。 AFPは微調整時間を短縮し、オーバーフィッティングを抑制し、環境摂動下での一般化を改善する。
論文参考訳（メタデータ） (2026-07-12T08:42:36Z)
Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
論文参考訳（メタデータ） (2026-06-06T16:44:56Z)
CAPE: Context-Aware Diffusion Policy Via Proximal Mode Expansion for Collision Avoidance [15.311155448797386]
近位モード拡張(CAPE)による文脈対応拡散政策 CAPEは、文脈認識の事前と推論時のガイダンスで軌道分布モードを拡張する。本研究では,多様な操作タスクに対するCAPEの評価を行った。
論文参考訳（メタデータ） (2025-11-27T21:53:09Z)
Spatial RoboGrasp: Generalized Robotic Grasping Control Policy [11.249479037395023]
本稿では,頑健なマルチモーダル認識と信頼性のある把握予測を結合した統合フレームワークを提案する。我々のアーキテクチャは、ドメインランダム化拡張、単分子深度推定、深度対応の6-DoF Grasp Promptを単一の空間表現に融合する。これらの結果は,拡散に基づく模倣学習と組み合わせた空間的接地感が,汎用ロボットグルーピングのためのスケーラブルで堅牢な解であることを示している。
論文参考訳（メタデータ） (2025-05-27T07:22:33Z)
Diffusion-Reinforcement Learning Hierarchical Motion Planning in Multi-agent Adversarial Games [6.532258098619471]
環境データに応答するグローバルパスを計画するために,高レベル拡散モデルを統合する階層型アーキテクチャを提案する。提案手法は,検出率と目標到達率において77.18%,47.38%のベースラインを上回っている。
論文参考訳（メタデータ） (2024-03-16T03:53:55Z)
Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文参考訳（メタデータ） (2023-09-03T06:35:07Z)
Manifold-Aware Self-Training for Unsupervised Domain Adaptation on Regressing 6D Object Pose [69.14556386954325]
視覚的回帰における合成データと実データとのドメインギャップは,グローバルな特徴アライメントと局所的な改善によって橋渡しされる。提案手法は明示的な自己教師付き多様体正規化を取り入れ,領域間の一貫した累積的対象依存性を明らかにする。暗黙的ニューラルファンクションを学習して、最も近いクラスビンへの相対的な方向と目標の距離を推定し、ターゲット分類予測を洗練することを目的としている。
論文参考訳（メタデータ） (2023-05-18T08:42:41Z)
Contact-GraspNet: Efficient 6-DoF Grasp Generation in Cluttered Scenes [50.303361537562715]
6-DoFパラレルジャッジの分布を効率的に生成するエンドツーエンドネットワークを提案する。観測された点群の6-DoF把握ポーズと幅を根付かせることで、把握表現の寸法を4-DoFに縮小することができます。構造クラッタにおける未知物体のロボット把持実験では, 90%以上の成功率を達成し, 最近の最先端手法と比較して, 故障率を半分に削減した。
論文参考訳（メタデータ） (2021-03-25T20:33:29Z)
Vision-Based Mobile Robotics Obstacle Avoidance With Deep Reinforcement Learning [49.04274612323564]
障害物回避は、移動ロボットの自律ナビゲーションのための根本的かつ困難な問題です。本稿では,ロボットが単一眼カメラにのみ依存しなければならない単純な3D環境における障害物回避の問題を検討する。データ駆動型エンドツーエンドディープラーニングアプローチとして,障害回避問題に取り組む。
論文参考訳（メタデータ） (2021-03-08T13:05:46Z)
Corruption-robust exploration in episodic reinforcement learning [76.19192549843727]
本研究は, システムにおける報酬と遷移確率の両面において, 敵対的腐敗下での多段階・多段階・多段階強化学習について検討した。我々の枠組みは、汚職の欠如をほぼ最適に後悔する効率的なアルゴリズムをもたらす。特に,本研究は,根本的強化学習のためのBandit-Feedbackモデルにおいて,純粋にI.d.遷移からの逸脱を保証した最初のサブ線形後悔の保証を提供する。
論文参考訳（メタデータ） (2019-11-20T03:49:13Z)

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。