論文の概要: Rethinking Visual Embodiment Dependence in Visuomotor Policies
- arxiv url: http://arxiv.org/abs/2609.16815v1
- Date: Tue, 15 Sep 2026 08:20:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.405505
- Title: Rethinking Visual Embodiment Dependence in Visuomotor Policies
- Title（参考訳）: 視力の身体依存性を再考する
- Abstract要約: Visuomotorのポリシーは、タスクシーンと行動実施の両方を観察し、エンボディメント固有の視覚的手がかりが行動予測に影響を与える。
代表的方針を横断するキュー・コンフリクトの介入を通じて、目に見えるロボット構成がタスク進捗のショートカットとなることを示す。
我々はこれを3次元点雲におけるエンボディメントの正準化により実現し、元のエンボディメントを標準的エンドエフェクタ表現に置き換える。
- 参考スコア（独自算出の注目度）: 51.032312792468126
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Visuomotor policies observe both the task scene and the acting embodiment, allowing embodiment-specific visual cues to influence action prediction. We study this phenomenon as visual embodiment dependence (VED) and show, through cue-conflict interventions across representative policies, that visible robot configuration can become a shortcut to task progress. Rather than eliminating VED, we argue that it should be structured around embodiment information that supports control and generalization. We realize this through embodiment canonicalization in 3D point clouds, replacing the original embodiment with a canonical end-effector representation (CER) that preserves control-relevant geometry while abstracting embodiment-specific morphology. Its editable form further enables configuration-decorrelation augmentation for unfamiliar robot configurations. Experiments show that embodiment canonicalization substantially improves human-to-robot policy transfer without robot demonstrations, while simply removing the embodiment is insufficient without preserving control-relevant geometry. We further find that CER itself can become a configuration shortcut when robot configuration becomes decoupled from task progress; configuration-decorrelation augmentation mitigates this failure mode and restores robust recovery without sacrificing performance on seen configurations. Together, these results show that robust visuomotor learning benefits from structuring, rather than removing, visual embodiment information. Project website: https://tonyfang.net/ved
- Abstract（参考訳）: Visuomotorのポリシーは、タスクシーンと行動実施の両方を観察し、エンボディメント固有の視覚的手がかりが行動予測に影響を与える。
本稿では,この現象を視覚的具体化依存(VED)として研究し,視覚ロボットの構成がタスク進捗のショートカットとなることを示す。
VEDを排除するのではなく、制御と一般化を支援する具体化情報を中心に構成されるべきである。
本手法は,3次元点群における正規化の実施によって実現され,従来の実施形態をCER (canonical end-effector representation) に置き換える。
その編集可能な形式により、不慣れなロボットの構成に対する構成のデコレーションがさらに強化される。
実験の結果,エボディメントの正準化はロボットのデモを伴わずに人間とロボットの政策伝達を大幅に改善するが,エボディメントの除去は制御関連幾何を保存せずには不十分であることがわかった。
さらに,ロボット構成がタスク進捗から切り離されると,CER自体が構成ショートカットになり,構成デコレーションの強化によってこの障害モードが緩和され,表示された構成の性能を犠牲にすることなく堅牢な回復が回復される。
これらの結果から, 視覚的具体化情報の除去よりも, 頑健な視覚運動学習のメリットが示唆された。
プロジェクトウェブサイト:https://tonyfang.net/ved
関連論文リスト
- 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) - GHOST: Hierarchical Sub-Goal Policies for Generalizing Robot Manipulation [54.305781492241785]
本稿では,トレーニング分布を超えて一般化したビジュモータ操作ポリシーを学習するための枠組みを提案する。
GHOSTは、(i)多視点RGB-D観測から、3Dエンドエフェクタ上の分布として次のサブゴールを予測する高レベルポリシーに制御を分解する。
一連のタスクの中で、この階層的な分解は、フラットな拡散ポリシーと比較して、パフォーマンスと堅牢性を一貫して改善します。
論文 参考訳（メタデータ） (2026-06-08T18:08:01Z) - SCAR: Self-Supervised Continuous Action Representation Learning [36.917304453471864]
視覚的遷移から具現化された動作表現を学習するための共同逆フォワード動的フレームワークであるSCARを提案する。
事前訓練された生成バックボーン上に構築されたSCARは、逆ダイナミクスモデル(IDM)を使用して、潜時観測ペアから潜時動作を推論し、フォワードダイナミクスモデル(FDM)を用いて、それらに条件付けられた将来のダイナミクスを予測する。
Procgen と Robotwin のデータセットの実験により、学習された統合潜在行動表現は、具体化固有の生の行動よりも、世界モデリングのためのより強い条件付けインターフェースとして機能することが示された。
論文 参考訳（メタデータ） (2026-05-13T16:23:11Z) - LIDEA: Human-to-Robot Imitation Learning via Implicit Feature Distillation and Explicit Geometry Alignment [48.809726040947226]
我々は、政策学習が人間の実演から恩恵を受ける模擬学習フレームワークであるLIDEAを紹介する。
2次元視覚領域では、LIDEAは2段階の遷移蒸留パイプラインを使用し、人間とロボットの表現を共有潜在空間で整列させる。
本稿では,3次元幾何学領域において,エボディメントを相互作用幾何学から明確に分離するエンボディメント非依存アライメント戦略を提案する。
その結果、人間のデータはコストのかかるロボットのデモの最大80%を代用し、このフレームワークは人間のビデオから目に見えないパターンを伝達し、アウト・オブ・ディストリビューションの一般化を実現した。
論文 参考訳（メタデータ） (2026-04-12T15:02:34Z) - Closed-Loop Verbal Reinforcement Learning for Task-Level Robotic Planning [1.6641413441634143]
本稿では,モバイルロボットシステムにおけるタスクレベル計画の解釈のための新しい言語強化学習フレームワークを提案する。
このフレームワークはクローズドループアーキテクチャに従い、物理的環境との相互作用を通じて反復的なポリシー改善を可能にする。
提案手法は,実行不確実性下で複数段操作およびナビゲーションタスクを行う実移動ロボット上で検証される。
論文 参考訳（メタデータ） (2026-03-23T16:28:36Z) - Structural Action Transformer for 3D Dexterous Manipulation [80.07649565189035]
クロス・エボディメント・スキル・トランスファーは、ハイDoFロボットハンドの課題である。
既存の手法は、しばしば2次元の観測と時間中心の行動表現に依存し、3次元の空間的関係を捉えるのに苦労する。
本稿では、構造中心の視点を導入することで、このパラダイムに挑戦する新しい3Dデクスタラスな操作ポリシーを提案する。
論文 参考訳（メタデータ） (2026-03-04T11:38:12Z) - \textsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。
textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。
実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
論文 参考訳（メタデータ） (2026-01-26T06:16:17Z) - RISP: Rendering-Invariant State Predictor with Differentiable Simulation
and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。
本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。
提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
論文 参考訳（メタデータ） (2022-05-11T17:59:51Z)
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。