論文の概要: Continuous Manifold-Decomposed Impedance Retargeting for Contact-Rich Imitation Learning

• arxiv url: http://arxiv.org/abs/2609.15716v1
• Date: Mon, 14 Sep 2026 15:16:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.467876
• Title: Continuous Manifold-Decomposed Impedance Retargeting for Contact-Rich Imitation Learning
• Title（参考訳）: コンタクトリッチ模倣学習のための連続マニフォールド分解インピーダンス再ターゲティング
• Abstract要約: CMDIRは固定インピーダンスのデモを連続可変インピーダンスコントローラに変換する。 TMIRは、コントローラ命令と進化するタスクフレームをペアリングする。 FastMPO は C-MPO よりも 5.8$-9.4times のスピードアップを達成した。
• 参考スコア（独自算出の注目度）: 33.980402689056895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CMDIR extends Manifold-Decomposed Impedance Retargeting (MDIR) to transform fixed-impedance demonstrations into continuous variable-impedance controllers, which can also serve as structured supervision for imitation learning. Continuous Task-Manifold Impedance Representation (TMIR) pairs an evolving task frame with controller instructions. Demo-relative Compromise dynamics retain moving-basis transport and control/physical metric mismatch, yielding displacement, reaction-impulse, and perturbation-sensitivity criteria. Quality-to-Fast automatically compiles a solver structure from development paths within a predefined finite space, re-instantiates that structure for each demonstration, and certifies the resulting candidate by multi-resolution evaluation. Across 225 retargeted-controller trials in three real contact tasks, full CMDIR improves mean task-proxy retention and reduces mean pose deviation, force fluctuation, and peak force relative to discrete MDIR. FastMPO achieves a $5.8$--$9.4\times$ speedup over C-MPO with comparable closed-loop outcomes. Downstream experiments demonstrate learnability of the complete TMIR supervision interface; lower force fluctuation and peak force are observed among successful executions, while completion reliability remains uneven across tasks and environments.
• Abstract（参考訳）: CMDIR は Manifold-Decomposed Impedance Retargeting (MDIR) を拡張し、固定インピーダンスのデモを連続的な可変インピーダンスコントローラに変換する。 Continuous Task-Manifold Impedance Representation (TMIR)は、進化するタスクフレームとコントローラ命令をペアリングする。 デモ相対的妥協力学は、移動基底輸送と制御/物理計量ミスマッチを保持し、変位、反応インパルス、摂動感度の基準を生じる。 Quality-to-Fastは、事前に定義された有限空間内の開発経路から自動的にソルバ構造をコンパイルし、各実演のための構造を再確立し、マルチレゾリューション評価によって結果の候補を認証する。 3つの実際の接触タスクにおける225回のリターゲット・コントローラ試行において、完全なCMDIRは平均的なタスク-プロキシの保持を改善し、平均ポーズ偏差、力ゆらぎ、および離散MDIRに対するピーク力を低減する。 FastMPOはC-MPOよりも5.8$-9.4\times$スピードアップし、クローズドループの結果に匹敵する。 ダウンストリーム実験は、完全なTMIR監視インタフェースの学習可能性を示し、低い力のゆらぎとピーク力は、実行が成功したときに観測されるが、完了信頼性はタスクや環境によって不均一である。

関連論文リスト

• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• VIDP: Variable Impedance Diffusion Policy for Compliant Robot Manipulation from Diverse Demonstrations [8.606058461805732]
  本稿では, 可変インピーダンス拡散政策(PVID)について紹介する。 剛性プロファイルにマッピングすることで、VIDPは力センサを使わずに、ポーズアクションとタスクコンプライアンスを共同で予測する。 実世界の実験では、VIDPはタスク成功率の固定インピーダンスベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2026-08-06T16:03:00Z)
• MDIR: A Task-Manifold Impedance Retargeting Method for Contact-Rich Teleoperation [15.013711120696854]
  単段制御制御器は、衝撃と力の変動を判定する。 Manifold-De Impedance Retargeting (MDIR) は、記録されたコントローラをタスク変数の可変インピーダンスコマンドに決定的に分解した。
  論文  参考訳（メタデータ） (2026-07-31T10:41:45Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• Repurposing Adversarial Perturbations for Continual Learning: From Defense to Active Alignment [20.37950128370149]
  AdvCLは3つのプラグインモジュールを組み合わせている:-Smoothは小さな対向的摂動によって局所的な滑らかさを促進する; Proto-Clipは、現在のタスクプロトタイプへの過剰なアライメントを防ぐために類似性クリッピングを使用する; Inter-Alignは、表現的ギャップを減らすために、以前のタスクプロトタイプに対して方向アライメントを適用する。 実験では、標準性能とロバスト性の両方で一貫した利得を示し、忘れられやすく、より強い転送が可能である。
  論文  参考訳（メタデータ） (2026-06-01T14:35:59Z)
• Metropolis-Scale Resilient and Trustworthy Traffic Flow Inference Using Multi-Source Data [20.65202203037699]
  Task-Aware Attentive Neural Process (TA-ANP)は、信頼できるグローバルトラフィック状態推論(GTSI)のための統合フレームワークである。 不確実性定量化のために、我々はニューラルプロセスとモンテカルロ・ドロップアウトを組み合わせることで、アレタリックと不確実性の両方を捉える。 TA-ANPは、決定論的および確率論的指標の下で、すべてのサブタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-24T11:12:02Z)
• Multi-scale Coarse-to-fine Modeling for Test-time Human Motion Control [51.92884966472683]
  MSCoTは、テストタイムの人間のモーション合成と制御のための、マルチスケールで粗い粒度モデルである。 MSCoTは動きを多スケールの階層表現に識別し、各時間スケールでトークンシーケンス全体を予測する。
  論文  参考訳（メタデータ） (2026-05-14T15:09:49Z)
• Master Micro Residual Correction with Adaptive Tactile Fusion and Force-Mixed Control for Contact-Rich Manipulation [11.467329921917546]
  M2-ResiPolicyは、高レベルのアクションガイダンスと低レベルの修正を相乗化する新しいマスターマイクロ残差制御アーキテクチャである。 M2-ResiPolicyは標準拡散政策と最先端のリアクティブ拡散政策を著しく上回っている。
  論文  参考訳（メタデータ） (2026-03-16T11:47:52Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• Error-Propagation-Free Learned Video Compression With Dual-Domain Progressive Temporal Alignment [92.57576987521107]
  両ドメインのプログレッシブな時間的アライメントと品質条件の混合(QCMoE)を備えた新しい統合変換フレームワークを提案する。 QCMoEは、魅力的なR-Dパフォーマンスで連続的かつ一貫したレート制御を可能にする。 実験結果から,提案手法は最先端技術と比較して,競争力のあるR-D性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-12-11T09:14:51Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)

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。