論文の概要: Fetch My Beer: Synthetic-to-real Hierarchical Policy for Smooth Pick-and-place

• arxiv url: http://arxiv.org/abs/2609.18119v1
• Date: Wed, 16 Sep 2026 04:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.634961
• Title: Fetch My Beer: Synthetic-to-real Hierarchical Policy for Smooth Pick-and-place
• Title（参考訳）: Fetch My Beer:スムース・ピック・アンド・プレイスのためのシンセティック・トゥ・リアルな階層的ポリシー
• Abstract要約: 本研究では, 液体充填容器の安定輸送について検討し, ロボットが物体を目標場所へ移動させながら, スロッシングを抑え, こぼれを防止する方法を検討した。 このタスクは運動の滑らかさと軌道レベルの安定性に厳格な要件を課し、既存のシステムの明確な制限を明らかにする。 物理的に検証されたデータ生成と階層的拡散型コントローラを結合した合成から現実のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 54.561625475942584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world robotic applications require dynamically sensitive manipulation, where success depends not only on reaching a target state but on maintaining stable object dynamics throughout execution. We study the stable transport of liquid-filled containers, where a robot must move objects to target locations while suppressing sloshing and preventing spillage. Unlike conventional pick-and-place, this task imposes stringent requirements on motion smoothness and trajectory-level stability, exposing clear limitations in existing systems. Specifically, fluid simulation remains too costly for online reinforcement learning; human teleoperation introduces unintended accelerations that induce sloshing during imitation learning; and current policy pipelines optimize for task completion rather than dynamic stability. We propose a synthetic-to-real framework coupling physically validated data generation with a hierarchical, diffusion-based controller. The scalable data pipeline synthesizes grasps, filters unstable poses via a vision-language model, and validates transport trajectories through fluid simulation. The policy is organized with a high-level module that translates language and visual observations into SE(3) control targets, and a latent diffusion controller that first plans efficiently in a compact latent space and then decodes dense action chunks, enabling the high control frequency needed for smooth and stable motion. Extensive experiments show our system outperforms state-of-the-art manipulation policies in transport smoothness and dynamic stability. Our project page: https://fetch-my-beer.github.io/
• Abstract（参考訳）: 多くの実世界のロボットアプリケーションは動的に微妙な操作を必要としており、成功は目標状態に到達するだけでなく、実行を通して安定したオブジェクトのダイナミクスを維持することに依存する。 本研究では, 液体充填容器の安定輸送について検討し, ロボットが物体を目標場所へ移動させながら, スロッシングを抑え, こぼれを防止する方法を検討した。 従来のピック・アンド・プレイスとは異なり、このタスクは運動の滑らかさと軌道レベルの安定性に厳格な要件を課し、既存のシステムの明確な制限を露呈する。 特に、流体シミュレーションはオンライン強化学習にはコストがかかりすぎ、人間の遠隔操作は模倣学習中にスロッシングを引き起こす意図しない加速を導入し、現在のポリシーパイプラインは動的安定性よりもタスク完了を最適化している。 物理的に検証されたデータ生成と階層的拡散型コントローラを結合した合成から現実のフレームワークを提案する。 スケーラブルなデータパイプラインは、グリップを合成し、視覚言語モデルを介して不安定なポーズをフィルタリングし、流体シミュレーションを通じて輸送軌跡を検証する。 このポリシーは、言語と視覚の観察をSE(3)制御ターゲットに変換する高レベルモジュールと、コンパクトな潜在空間で効率的に計画し、次に密度の高いアクションチャンクをデコードして、滑らかで安定した動きに必要な高い制御周波数を可能にする潜時拡散制御器によって構成される。 大規模な実験により, 輸送のスムーズさと動的安定性において, 最先端の操作ポリシーよりも優れた結果が得られた。 プロジェクトページ:https://fetch-my-beer.github.io/

関連論文リスト

• CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
  ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
  論文  参考訳（メタデータ） (2026-09-07T13:47:22Z)
• Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
  本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。 本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。 我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-06-06T16:44:56Z)
• F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
  非同期推論はロボット操作における主要なパラダイムとして現れている。 本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。 本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-04-02T17:57:15Z)
• Learning Smooth and Robust Space Robotic Manipulation of Dynamic Target via Inter-frame Correlation [12.529803316934176]
  微小重力環境では、物体は通常自由浮遊であり、地球上で見られる支持や摩擦の制約が欠如している。 本稿では、歴史的時間的情報とフレーム間相関機構を統合したデータ駆動型宇宙ロボット操作手法を提案する。
  論文  参考訳（メタデータ） (2026-03-29T06:27:30Z)
• Encoding Predictability and Legibility for Style-Conditioned Diffusion Policy [1.1549572298362782]
  効率性と透明な動きのバランスを取ることは、人間とロボットのコラボレーションにおける中核的な課題である。 本稿では,事前学習した拡散モデルに対して,妥当性と効率を両立させるモジュラーフレームワークであるStyle-Conditioned Diffusion Policy (SCDP)を提案する。 操作作業やナビゲーション作業におけるSCDPの評価を行い,不明瞭な環境下での可視性を向上するとともに,可視性が不要な場合の最適効率を保っていることを示す。
  論文  参考訳（メタデータ） (2026-03-17T10:55:44Z)
• Constraining Streaming Flow Models for Adapting Learned Robot Trajectory Distributions [10.615762867055677]
  Streaming Flow Policies (SFPs) は,学習速度場をアクション空間に直接統合することにより,ロボット軌道を生成するための強力なパラダイムとして登場した。 本研究では,ストリーミングフローポリシーを制約に依存したメトリクスで拡張し,実行中に学習速度場を再構築するフレームワークであるConstraint-Aware Streaming Flow (CASF)を提案する。 シミュレーションおよび実世界の操作タスクにおいてCASFを実証し、スムーズで実現可能で、動的に一貫した制約を満たす軌道を生成することを示した。
  論文  参考訳（メタデータ） (2026-02-17T13:27:05Z)
• HiWET: Hierarchical World-Frame End-Effector Tracking for Long-Horizon Humanoid Loco-Manipulation [43.43128572722804]
  我々は、ヒューマノイドのロコ操作におけるエンドエフェクタトラッキングとしてこの問題を再考する。 動的実行からグローバルな推論を分離する階層的強化学習フレームワークであるHiWETを提案する。 我々は,HuWETが長期のワールドフレームタスクにおいて,高精度かつ安定したエンドエフェクタトラッキングを実現することを示す。
  論文  参考訳（メタデータ） (2026-02-06T03:11:56Z)
• CoLA-Flow Policy: Temporally Coherent Imitation Learning via Continuous Latent Action Flow Matching for Robotic Manipulation [4.726851899243877]
  LG-Flow Policyは、連続的な潜在アクション空間でフローマッチングを実行する軌道レベルの模倣学習フレームワークである。 動作シーケンスを時間的に規則化された潜在軌道に符号化し、明示的な潜在空間の流れを学習することにより、提案手法は低レベル制御ノイズからグローバルな運動構造を分離する。
  論文  参考訳（メタデータ） (2026-01-30T15:36:43Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)

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。