論文の概要: Vision-Language Grounded Task-Context-Aware Imitation Learning for Robotic Disassembly

• arxiv url: http://arxiv.org/abs/2609.17714v1
• Date: Tue, 15 Sep 2026 18:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.498704
• Title: Vision-Language Grounded Task-Context-Aware Imitation Learning for Robotic Disassembly
• Title（参考訳）: ロボット解体のための視覚言語接地タスクコンテキスト認識模倣学習
• Abstract要約: タスクコンテキストを言語を通して組み込むことは、スキル選択のための明示的な構造を提供し、視覚的な場面で対応する操作対象と言語特定タスクを関連付けることで、課題を緩和することを示します。 提案フレームワークは,階層的なタスク選択とタスクコンテキストを考慮した模倣学習を組み合わせることで,ロボット分解のための視覚的表現の基底言語命令を学習する。 本手法は,従来のタスク・コンテキスト・アウェア・ベースラインよりも35ポイント,75ポイント向上する。
• 参考スコア（独自算出の注目度）: 15.71437397977661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world robotic disassembly requires long-horizon execution, where robots must perform ordered sequences of manipulation tasks across multiple parts within a single scene. Multiple valid task goals and diverse assembly configurations make it difficult for imitation policies to infer the intended skill from raw observations alone, particularly when training data cannot cover the combinatorial diversity of real-world configurations and part geometries. We show that incorporating task context through language alleviates these challenges by providing explicit structure for skill selection and associating language-specified tasks with their corresponding manipulation targets in the visual scene. The proposed framework combines hierarchical task selection with task-context-aware imitation learning to ground language instructions in spatial visual representations for robotic disassembly. The resulting framework generalizes across diverse connector geometries and assembly configurations without requiring explicit object annotations. Our method improves end-to-end task success by 35 percentage points over the baseline diffusion policy and by 75 percentage points over the previous task-context-aware baseline.
• Abstract（参考訳）: 現実のロボット分解は、長い水平実行を必要としており、ロボットは単一のシーン内で複数の部分にわたって、順番に一連の操作タスクを実行しなければならない。 複数の有効なタスク目標と多様なアセンブリ構成により、実世界の構成と部分ジオメトリの組合せの多様性をトレーニングデータがカバーできない場合、生の観察のみから意図したスキルを推測することが困難になる。 タスクコンテキストを言語を通して組み込むことによって,これらの課題を解消し,スキル選択のための明示的な構造を提供し,視覚的な場面で対応する操作対象と言語特定タスクを関連付ける。 提案フレームワークは,階層的なタスク選択とタスクコンテキストを考慮した模倣学習を組み合わせることで,ロボット分解のための空間的視覚表現の基底言語命令を学習する。 その結果生まれたフレームワークは、明示的なオブジェクトアノテーションを必要とせずに、様々なコネクタのジオメトリとアセンブリ構成を一般化します。 本手法は,従来のタスク・コンテキスト・アウェア・ベースラインよりも35ポイント,75ポイント向上する。

関連論文リスト

• Iterative Compositional Data Generation for Robot Control [8.888011063034517]
  本稿では,ロボット,オブジェクト,障害物,客観的なコンポーネントへの遷移を分解する意味構成拡散変換器を提案する。 モデルがゼロショットで高品質な遷移を生成できることを示し,未知のタスクの組み合わせに対する制御ポリシーを学習できることを示した。
  論文  参考訳（メタデータ） (2025-12-11T18:20:49Z)
• Multi-Robot Task Planning for Multi-Object Retrieval Tasks with Distributed On-Site Knowledge via Large Language Models [6.0783502693642495]
  「リンゴとバナナを合わせる」や「遠足の準備をする」といった指示を効率的に実行することが不可欠である。 本研究では,各ロボットが異なる状況下での知識を持つ場合,どのロボットをタスクのどの部分に割り当てるべきかを決定するという課題に対処する。 本稿では,大規模言語モデル(LLM)と空間概念を利用して,自然言語命令をサブタスクに分解するタスク計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-16T09:00:25Z)
• Temporal Representation Alignment: Successor Features Enable Emergent Compositionality in Robot Instruction Following [50.377287115281476]
  本研究では,現在および将来の状態の表現と時間的損失を関連付ける学習により,構成一般化が向上することを示す。 我々は,多様なロボット操作タスクおよびシミュレーションにおけるアプローチを評価し,言語やゴールイメージで指定されたタスクに対して,大幅な改善を示す。
  論文  参考訳（メタデータ） (2025-02-08T05:26:29Z)
• Leverage Task Context for Object Affordance Ranking [57.59106517732223]
  25の共通タスク、50k以上の画像、661k以上のオブジェクトからなる、最初の大規模タスク指向のアベイランスランキングデータセットを構築しました。 その結果,タスクコンテキストに基づくアベイランス学習のパラダイムの実現可能性と,サリエンシランキングやマルチモーダルオブジェクト検出の分野における最先端モデルよりも,我々のモデルの方が優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-25T04:22:33Z)
• SAGE: Bridging Semantic and Actionable Parts for GEneralizable Manipulation of Articulated Objects [9.500480417077272]
  本稿では,自然言語命令下での汎用的な操作を実現するために,意味的および動作可能なオブジェクトをブリッジする新しいフレームワークを提案する。 パーシャルグラウンドモジュールは、セマンティックな部分を「ジェネリザブル・アクティブル・パート(GAParts)」と表現し、パートモーションに関する情報を本質的に保持する。 インタラクティブなフィードバックモジュールが障害に対応するために組み込まれており、ループを閉じ、全体的なフレームワークの堅牢性を高める。
  論文  参考訳（メタデータ） (2023-12-03T07:22:42Z)
• Coarse-to-Fine: Hierarchical Multi-task Learning for Natural Language Understanding [51.31622274823167]
  本稿では,各タスクの下位レベルを全タスクに共有し,中間レベルを異なるグループに分割し,上位レベルを各タスクに割り当てる,粗大なパラダイムを持つ階層型フレームワークを提案する。 これにより、すべてのタスクから基本言語特性を学習し、関連するタスクのパフォーマンスを高め、無関係なタスクから負の影響を減らすことができる。
  論文  参考訳（メタデータ） (2022-08-19T02:46:20Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Modeling Long-horizon Tasks as Sequential Interaction Landscapes [75.5824586200507]
  本稿では,一連のデモビデオからのみ,サブタスク間の依存関係と遷移を学習するディープラーニングネットワークを提案する。 これらのシンボルは、画像観察から直接学習し、予測できることが示される。 我々は,(1)人間によって実行されるパズル片のブロック積み重ね,(2)物体のピック・アンド・プレイスとキャビネットドアを7-DoFロボットアームで滑らせるロボット操作という,2つの長期水平作業において,我々の枠組みを評価する。
  論文  参考訳（メタデータ） (2020-06-08T18:07:18Z)

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。