論文の概要: Improving Imitation Learning Efficiency for Manipulation through Geometric Prior Pretraining
- arxiv url: http://arxiv.org/abs/2609.12721v1
- Date: Fri, 11 Sep 2026 11:19:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.727681
- Title: Improving Imitation Learning Efficiency for Manipulation through Geometric Prior Pretraining
- Title（参考訳）: 幾何学的事前学習によるマニピュレーションの模倣学習効率の向上
- Abstract要約: 本研究では,各シーンが平面,物体,手のみを含む幾何学的視覚前訓練データセットを構築した。
実世界の3つのロボットの作業だけでなく、5つの操作タスクにわたる3つのシミュレーションロボットのACTを用いて、この幾何学的事前評価を行った。
- 参考スコア（独自算出の注目度）: 21.64711515041526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Applying an imitation learning policy to a new manipulation task usually requires collecting new demonstrations and retraining the model, which makes sample efficiency a practical concern. Pretraining on large-scale robot datasets is effective in this respect, but such datasets are costly to collect and train on, while data augmentation techniques typically require a new round of data generation and retraining for each task. A complementary question is what useful prior can be provided to a policy at negligible cost before any task-specific data are collected. In this study, we construct a geometric visual pretraining dataset in which each scene contains only a plane, an object, and a hand, and trajectories are generated automatically. The scenes contain neither textures nor backgrounds; pretraining primarily exposes the policy to the geometric relationship between the hand and the object. Furthermore, representing the hand as a cube avoids tailoring the dataset to a specific robot morphology. We evaluate this geometric prior using ACT on three simulated robots across five manipulation tasks each, as well as on three real-world robot tasks. Across many of these robot--task combinations, fine-tuning from the geometric prior achieves higher success rates in the early stages of training than training from scratch while using only a small number of task demonstrations. These results suggest that even highly simplified geometric scenes can provide a useful initialization that transfers across robots and to real-world tasks when task data are limited.
- Abstract（参考訳）: 新しい操作タスクに模倣学習ポリシーを適用するには、通常、新しいデモンストレーションを集め、モデルを再訓練する必要がある。
大規模ロボットデータセットの事前トレーニングはこの点では有効だが、このようなデータセットの収集とトレーニングにはコストがかかる。
補完的な疑問は、タスク固有のデータが収集される前に、無視可能なコストでポリシーにどのような有用な事前を提供することができるかである。
本研究では,各シーンが平面,物体,手のみを含む幾何学的事前学習データセットを構築し,軌跡を自動的に生成する。
シーンはテクスチャも背景も含んでおらず、事前訓練は、主に手と物体の間の幾何学的関係にポリシーを露出させる。
さらに、手を立方体として表現することは、データセットを特定のロボット形態に合わせることを避ける。
実世界の3つのロボットの作業だけでなく、5つの操作タスクにわたる3つのシミュレーションロボットのACTを用いて、この幾何学的事前評価を行った。
これら多くのロボット・タスクの組み合わせの中で、幾何的事前からの微調整は、少数のタスクデモのみを使用しながら、スクラッチからのトレーニングよりも訓練の初期段階で高い成功率を達成する。
これらの結果は、高度に単純化された幾何学的シーンであっても、タスクデータが制限された場合、ロボット間や現実のタスクに転送する便利な初期化を提供できることを示唆している。
関連論文リスト
- Using Temperature Sampling to Effectively Train Robot Learning Policies on Imbalanced Datasets [3.342232437547785]
ロボットタスクの多くのデータセットは、それらが表す物理的なロボット動作に関して、実質的に不均衡である。
この不均衡を緩和する政策訓練のための簡単なサンプリング戦略を提案する。
その結果,従来の最先端手法と比較して,低リソースタスクの大幅な改善が見られた。
論文 参考訳（メタデータ） (2025-10-22T08:48:55Z) - Constraint-Preserving Data Generation for Visuomotor Policy Learning [46.576295441652405]
我々は、単一の専門家軌道を用いて、新しいオブジェクトジオメトリとポーズを含むロボットデモを生成する。
これら生成されたデモは、ゼロショットを現実世界に転送するクローズドループビジュモータポリシーのトレーニングに使用される。
論文 参考訳（メタデータ） (2025-08-05T22:20:02Z) - Tool-as-Interface: Learning Robot Policies from Observing Human Tool Use [20.644849892016122]
ツール使用に関する知識を人間からロボットに伝達するフレームワークを提案する。
さまざまなツール・ユース・タスクにまたがってフレームワークの有効性を実証する。
本手法は遠隔操作による拡散政策よりもタスク成功率を71%向上させる。
論文 参考訳（メタデータ） (2025-04-06T20:40:19Z) - STRAP: Robot Sub-Trajectory Retrieval for Augmented Policy Learning [8.860366821983211]
STRAPは、トレーニング済みの視覚基盤モデルと動的時間ワープを利用して、大規模なトレーニングコーパスからトラジェクトリのサブシーケンスを堅牢に検索する技術である。
本研究では、事前学習された視覚基盤モデルと動的時間ワープを活用して、大規模学習コーパスからのトラジェクトリのサブシーケンスをロバストに検索するSTRAPを提案する。
論文 参考訳（メタデータ） (2024-12-19T18:54:06Z) - Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers [41.069074375686164]
本稿では、政策ニューラルネットワークのトランクを事前訓練してタスクを学習し、共有表現を具体化する異種事前学習トランスフォーマー(HPT)を提案する。
52データセットの範囲で,トレーニング対象のスケーリング行動を調べる実験を行った。
HPTはいくつかのベースラインを上回り、未確認タスクで20%以上の微調整されたポリシー性能を向上させる。
論文 参考訳（メタデータ） (2024-09-30T17:39:41Z) - Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for
Autonomous Real-World Reinforcement Learning [58.3994826169858]
ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。
我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。
提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
論文 参考訳（メタデータ） (2023-10-23T17:50:08Z) - Bridge Data: Boosting Generalization of Robotic Skills with Cross-Domain
Datasets [122.85598648289789]
マルチドメインとマルチタスクのデータセットが、新しい環境における新しいタスクの学習を改善する方法について検討する。
また、新しいドメイン内の少数のタスクのみのデータによって、ドメインギャップを埋めることができ、ロボットが他のドメインでしか見られなかったさまざまなタスクを実行できることもわかりました。
論文 参考訳（メタデータ） (2021-09-27T23:42:12Z) - A Framework for Efficient Robotic Manipulation [79.10407063260473]
単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。
デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
論文 参考訳（メタデータ） (2020-12-14T22:18:39Z) - Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。
RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
論文 参考訳（メタデータ） (2020-11-19T18:47:40Z) - COG: Connecting New Skills to Past Experience with Offline Reinforcement
Learning [78.13740204156858]
我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。
我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。
我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
論文 参考訳（メタデータ） (2020-10-27T17:57:29Z)
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。