論文の概要: WeaveRL: Weaving Reconstruction into Scene-Aware Fabrics for Perceptive Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.18685v1
• Date: Wed, 16 Sep 2026 14:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.829617
• Title: WeaveRL: Weaving Reconstruction into Scene-Aware Fabrics for Perceptive Reinforcement Learning
• Title（参考訳）: WeaveRL: 知覚的強化学習のためのシーン対応織物への織り直し
• Abstract要約: 本稿では,数千の並列シミュレーションインスタンスにまたがるサーフの集合体としてシーンを再構成するGPU高速化手法を提案する。 これにより、ポリシーは手動で特定された幾何学ではなく、センサーによる操作ができるようになる。 衝突深度操作の一連のタスクにおいて、我々のサーベイルファブリックは、幾何学的に複雑なシーンに対処するためのポリシーを可能にする。
• 参考スコア（独自算出の注目度）: 4.92984603032014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning allows robots to acquire complex skills, but producing policies for geometrically complex manipulation remains difficult. A promising approach is to learn on top of collision-avoidant controllers, such as geometric fabrics. However, these approaches have relied on static, hand-specified representations of the scene. Integrating active, online 3D perception into massively parallel RL training has so far been inaccessible. We introduce a GPU-accelerated method that reconstructs the scene as a collection of surfels across thousands of parallel simulation instances during active rollouts. This lets policies operate over sensor-derived, rather than hand-specified, geometry. On a suite of collision-dense manipulation tasks, our surfel fabrics enable policies to tackle geometrically complex scenes where primitive-based baselines fail, while maintaining sim-to-real transfer. Furthermore, policies learned with a scene-aware fabric are more robust to the introduction of novel geometry at test time, improving collision-free task completion under unseen obstacles from 35% to 61%. We release our reconstruction system, training code and test dataset to spur research in this direction.
• Abstract（参考訳）: 強化学習はロボットが複雑なスキルを習得することを可能にするが、幾何学的に複雑な操作のためのポリシーを作成することは困難である。 有望なアプローチは、幾何学的ファブリックのような衝突回避コントローラの上に学習することである。 しかし、これらのアプローチはシーンの静的で手作業による表現に依存している。 オンラインのアクティブな3D知覚を、非常に並列なRLトレーニングに統合することは、これまで不可能だった。 本稿では,アクティブロールアウト中に,数千の並列シミュレーションインスタンスにまたがるサーフの集合体としてシーンを再構成するGPU高速化手法を提案する。 これにより、ポリシーは手動で特定された幾何学ではなく、センサーによる操作ができるようになる。 衝突深度操作の一連のタスクにおいて、我々のサーベイルファブリックは、プリミティブベースラインが失敗する幾何学的に複雑なシーンに対処し、sim-to-real転送を維持できる。 さらに、シーン認識ファブリックを用いて学習したポリシーは、テスト時に新しい幾何学を導入する際により堅牢であり、目に見えない障害物下での衝突のないタスク完了を35%から61%に改善する。 我々は、この方向の研究を促進するために、再構築システム、トレーニングコード、テストデータセットをリリースする。

関連論文リスト

• Function-Preserving Data Generation for Zero-Shot Real-to-Sim-to-Real Manipulation [14.858715829714518]
  提案手法は, 震源軌道を遠隔保存することなく, 再建された資産から合成デモを生成する機能を有するリアルタイム・ストリーム・トゥ・リアルフレームワークを提案する。 本手法は,制約誘導メッシュ変形によるタスク関連オブジェクトのジオメトリを,物理的に一貫したタスクポーズと衝突プロキシの転送とともに拡張する。
  論文  参考訳（メタデータ） (2026-09-16T08:13:40Z)
• SpaceControl: Introducing Test-Time Spatial Control to 3D Generative Modeling [62.89824987879374]
  本研究では,3次元生成の空間的制御を明示する訓練不要なテストタイム手法であるSpaceControlを紹介する。 SpaceControlは、追加のトレーニングを必要とせずに、現代的な事前訓練された生成モデルとシームレスに統合する。 テクスチャ化された3Dアセットへの直接変換を行うために,スーパークワッドリックのオンライン編集を可能にする対話型ユーザインタフェースを提案する。
  論文  参考訳（メタデータ） (2025-12-05T00:54:48Z)
• Opening the Sim-to-Real Door for Humanoid Pixel-to-Action Policy Transfer [59.02729900344616]
  GPUを加速したフォトリアリスティックなシミュレーションは、ロボット学習のためのスケーラブルなデータ生成パスを開いた。 視覚に基づくヒューマノイドロコ操作のための教師-学生-ブートストラップ学習フレームワークを開発した。 これは、純粋なRGB知覚を用いた多様な調音ロコ操作が可能な初めてのヒューマノイド・シム・トゥ・リアル政策である。
  論文  参考訳（メタデータ） (2025-11-30T20:07:13Z)
• CORN: Contact-based Object Representation for Nonprehensile Manipulation of General Unseen Objects [1.3299507495084417]
  非包括的操作は、野生ではあまりに薄く、大きく、または、そうでなければ不快な物体を操作するために不可欠である。 そこで本研究では,接触型オブジェクト表現と事前学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-16T01:47:53Z)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• Learning Physically Realizable Skills for Online Packing of General 3D Shapes [41.27652080050046]
  本研究では,不規則な3次元形状に対するオンラインパッキングスキルの学習課題について検討する。 目標は、任意の形状の3Dオブジェクトの連続を指定された容器に連続的に移動させることである。 我々は、物理力学と配置の制約を含む物理的実現性を考慮に入れている。
  論文  参考訳（メタデータ） (2022-12-05T08:23:39Z)
• Composable Learning with Sparse Kernel Representations [110.19179439773578]
  再生カーネルヒルベルト空間におけるスパース非パラメトリック制御系を学習するための強化学習アルゴリズムを提案する。 正規化アドバンテージ関数を通じてステートアクション関数の構造を付与することにより、このアプローチのサンプル複雑さを改善します。 2次元環境下を走行しながらレーザースキャナーを搭載したロボットの複数シミュレーションにおける障害物回避政策の学習に関するアルゴリズムの性能を実証する。
  論文  参考訳（メタデータ） (2021-03-26T13:58:23Z)
• PLAS: Latent Action Space for Offline Reinforcement Learning [18.63424441772675]
  オフライン強化学習の目標は、環境とのさらなる相互作用なしに、固定データセットからポリシーを学ぶことである。 既存のオフプライシアルゴリズムでは、アウト・オブ・ディストリビューションアクションによる外挿エラーによる静的データセットのパフォーマンスが制限されている。 提案手法は,各種の連続制御タスクと異なる種類のデータセットに対して,一貫して競合性能を提供することを示す。
  論文  参考訳（メタデータ） (2020-11-14T03:38:38Z)
• Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
  本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。 エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
  論文  参考訳（メタデータ） (2020-04-29T18:00:22Z)

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。