論文の概要: Bi-MoDe: Bilateral Control-based Imitation Learning via Modifier-Conditioned Decoding for Modulation of Execution Speed and Contact Intensity
- arxiv url: http://arxiv.org/abs/2609.16040v1
- Date: Fri, 11 Sep 2026 22:56:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.112497
- Title: Bi-MoDe: Bilateral Control-based Imitation Learning via Modifier-Conditioned Decoding for Modulation of Execution Speed and Contact Intensity
- Title（参考訳）: Bi-MoDe: 操作速度と接触強度の変調のための修正記述復号によるバイラテラル制御に基づく模倣学習
- Abstract要約: adaLN-Zeroを介してTransformer アクションデコーダのすべての層に制約された遅延を注入する修飾子条件付きデコードフレームワーク Bi-MoDe を提案する。
Bi-MoDeは、同等の時間制御を維持しながら、アクションチャンキングベースラインに対する物理ディレクティブのフォローを改善する。
さらにアブレーションは、デコーダ条件付けと潜在空間合成が相互作用し、それらの組み合わせが正確な物理的指示に従う上で重要であることを示す。
- 参考スコア（独自算出の注目度）: 9.990977971781115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bilateral control-based imitation learning captures both position and force information, making it well suited to contact-rich manipulation. However, existing approaches provide limited means for an operator to specify how a learned task should be executed at inference time, such as slowly or quickly, gently or firmly. We propose Bi-MoDe, a modifier-conditioned decoding framework that injects a constrained latent into every layer of the Transformer action decoder via adaLN-Zero, allowing behavioral directives to directly influence action-chunk generation. We evaluate the method on a real-world whiteboard wiping task with combinations of temporal and physical modifiers. Bi-MoDe improves physical directive following over the action-chunking baseline while maintaining comparable temporal control. An ablation further shows that decoder conditioning and latent-space composition interact, and that their combination is important for accurate physical directive following. Additional material is available at the https://mertcookimg.github.io/bi-mode/
- Abstract（参考訳）: バイラテラル制御に基づく模倣学習は、位置情報と力情報の両方をキャプチャし、コンタクトリッチな操作に適している。
しかし、既存のアプローチは、オペレーターが学習したタスクを、ゆっくりと、素早く、優しく、しっかりとした形で、推論時にどのように実行すべきかを指定するための限定的な手段を提供する。
本稿では,AdaLN-Zeroを介してトランスフォーマー動作復号器の各層に制約付き潜伏剤を注入し,動作指示者が直接アクション・チャンク生成に影響を与えることができる修飾器条件付き復号フレームワークBi-MoDeを提案する。
実世界のホワイトボードワイピングタスクにおいて,時間的および物理的修飾器の組み合わせによる手法の評価を行った。
Bi-MoDeは、同等の時間制御を維持しながら、アクションチャンキングベースラインに対する物理ディレクティブのフォローを改善する。
さらにアブレーションは、デコーダ条件付けと潜在空間合成が相互作用し、それらの組み合わせが正確な物理的指示に従う上で重要であることを示す。
追加資料はhttps://mertcookimg.github.io/bi-mode/で入手できる。
関連論文リスト
- Beyond Noise Steering: Dual-Latent Space Reinforcement Learning for Generative Robot Policy [13.530890681678619]
事前訓練された生成ロボットポリシーは、デモの前に表現行動を学ぶ。
既存の強化学習法はノイズ空間のみを操るが、生成過程中に中間的な動作表現を変調することができない。
そこで本研究では,凍結発生器内の表現レベル制御で初期ノイズの操舵を補完する新しいDual-Latent Space Reinforcement Learningフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-10T09:04:04Z) - StructRL: Structured Action-Space Exploration for Flow-Based VLAs [81.43458629514139]
フローベースのビジョン・ランゲージ・アクションモデルは現在、連続的なロボット操作に広く使われている。
オンライン強化学習は、それらを新しいタスクに適応するための重要なテクニックとして浮上している。
動作群間で時間的にスムーズかつスケールの異なる,構造的雑音に対する効果的なロボット探索の必要性を示す。
論文 参考訳（メタデータ） (2026-08-15T09:31:29Z) - CoStream: Composing Simple Behaviors for Generalizable Complex Manipulation [61.25264898597319]
複雑な操作能力は、単純で独立した振る舞いの合成から自然に現れることを示す。
基礎モデルと多種多様な感覚モダリティを複数の構成可能なコア動作に編成するフレームワークであるCoStreamを提案する。
我々は,日常的な操作や高精度なアセンブリにまたがる8つの実世界のタスクについて,CoStreamを実証する。
論文 参考訳（メタデータ） (2026-06-24T22:25:19Z) - MultiAct: Text-to-Motion Generation from Composite Text via Tailored Attention Guidance [54.131431576597514]
MultiActは、合成テキスト-モーション合成のための未ペアの推論時間フレームワークである。
提案手法は,未表現のプロンプト成分に付随するクロスアテンションスコアを適応的に増幅することにより,意味的崩壊に対処する。
論文 参考訳（メタデータ） (2026-05-29T07:14:48Z) - KGEdit: Ambiguity-Aware Knowledge Graphs for Training-Free Precise Video Generation and Editing [24.315720861063397]
KGEditは、テキスト・トゥ・ビデオ(T2V)拡散モデルのための構造化セマンティック・コントロール・フレームワークである。
まず、入力プロンプトのアンビグニティ対応知識グラフ(AAKG)を構築し、入力プロンプトのアンビグニティ化とアンビグニティ化を行う。
次に,拡散変換器の鍵層に意味信号を注入する構造的意味注入モジュール(SSIM)を設計する。
論文 参考訳（メタデータ） (2026-05-28T07:31:22Z) - CoMoGen: COntrollable MOtion Dynamics and Interactions with Mask-Guided Video GENeration [66.81078857385698]
CoMoGenは、入力画像上に条件付けられた単一のバイナリマスクシーケンスからリアルなインタラクティブなダイナミクスを生成する、制御可能なビデオ生成フレームワークである。
CoMoGenは、制御可能なビデオ生成手法を一貫して上回り、動きの忠実さと知覚的リアリズムにおける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） (2026-05-21T19:51:20Z) - VAGS: Velocity Adaptive Guidance Scale for Image Editing and Generation [15.19510801548845]
COCOフリーガイダンス(CFG)は、テキストセマンティクスがフローベースのサンプルをいかに動かせるかに関する主要な制御である。
本稿では,有界因子で名目規模を乗算する,トレーニング不要の代替案であるVAGSを提案する。
VAGSは、固定CFGと最近のトレーニングフリーガイダンスの変種に対して、構造的忠実度と生成品質を一貫して改善する。
論文 参考訳（メタデータ） (2026-05-15T06:32:49Z) - Controllable Text-to-Motion Generation via Modular Body-Part Phase Control [25.2003430574182]
テキスト・トゥ・モーション(T2M)生成はアニメーションとインタラクティブなアバターの実用的なツールになりつつある。
構造化された局所的な編集を可能にするプラグイン・アンド・プレイ・フレームワークであるModular Body-Part Phase Controlを提案する。
拡散モデルと流れモデルの両方の実験により、我々の手法は運動の大きさ、速度、タイミングに対する予測可能かつきめ細かい制御を提供することを示した。
論文 参考訳（メタデータ） (2026-03-20T09:37:16Z) - SAMA: Factorized Semantic Anchoring and Motion Alignment for Instruction-Guided Video Editing [76.349958946335]
本稿では,映像編集をセマンティックアンカーとモーションモデリングに分解するフレームワークであるSAMA(factorized Semantic Anchoring and Motion Alignment)を提案する。
まずセマンティックアンカリング(Semantic Anchoring)を導入し、スパースアンカフレームでのセマンティックトークンとビデオ潜在者を共同で予測することで、信頼性の高い視覚アンカを確立する。
第2に、モーションアライメントは同じバックボーンをモーション中心のビデオ復元のプリテキストタスクで事前トレーニングする。
論文 参考訳（メタデータ） (2026-03-19T17:59:51Z) - Command-V: Pasting LLM Behaviors via Activation Profiles [67.07238260037839]
Command-Vはバックプロパゲーションフリーな行動伝達法である。
既存の残留活性化アダプタをドナーモデルからコピーし、その効果を受信モデルに貼り付ける。
論文 参考訳（メタデータ） (2025-06-23T21:21:49Z) - Bi-LAT: Bilateral Control-Based Imitation Learning via Natural Language and Action Chunking with Transformers [16.724380665811044]
Bi-LATは、自然言語処理と双方向制御を統合する新しい模倣学習フレームワークである。
Bi-LATは、現実世界のタスクにおけるニュアンスド・フォースの要求を区別することを学ぶ。
論文 参考訳（メタデータ） (2025-04-02T02:21:30Z)
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。