論文の概要: ULOHA: An Underwater Bimanual Robot System for Robot Learning

• arxiv url: http://arxiv.org/abs/2609.19200v1
• Date: Wed, 16 Sep 2026 08:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.93781
• Title: ULOHA: An Underwater Bimanual Robot System for Robot Learning
• Title（参考訳）: ULOHA:ロボット学習のための水中ロボットシステム
• Abstract要約: ULOHAは、遠隔操作、多視点センシング、デモコレクション、ポリシートレーニング、自律的展開を組み合わせた水中双方向ロボット学習プラットフォームである。 実ロボット実験は、アーム間移動、共有オブジェクト操作、浮力駆動のインターセプションなど、水中の協調的な挙動を実証している。
• 参考スコア（独自算出の注目度）: 0.3867363075280544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater visuomotor policy learning has focused primarily on single manipulators, while bimanual imitation learning has been studied largely in air. We present ULOHA, an underwater bimanual robot learning platform that combines custom-designed leader--follower hardware with software extensions to LeRobot, integrating teleoperation, multi-view sensing, demonstration collection, policy training, and autonomous deployment. Real-robot experiments demonstrate a range of coordinated underwater bimanual behaviors, including inter-arm transfer, shared-object manipulation, and buoyancy-driven interception. We evaluate ACT, Diffusion Policy, and the vision--language--action model SmolVLA on the platform. We investigate how learning methods and execution strategies developed for manipulation in air perform underwater, examining bubble disturbances, buoyancy-driven object motion, action-execution horizons, and real-time chunking. A separate single-arm study examines policy transfer between air and water and shows that demonstrations spanning both media support execution in both under the tested conditions. ULOHA provides a unified experimental platform for studying underwater bimanual robot learning under the coupled perceptual and physical effects of underwater environments. Additional material: https://mertcookimg.github.io/uloha/
• Abstract（参考訳）: 水中振動子政策学習は、主に単一マニピュレータに焦点を合わせ、双方向の模倣学習は、主に空気中で研究されている。 ULOHAは、カスタム設計のリーダーハードウェアとLeRobotのソフトウェア拡張を組み合わせて、遠隔操作、マルチビューセンシング、デモコレクション、ポリシートレーニング、自律デプロイメントを統合する水中のバイマニュアルロボット学習プラットフォームである。 実ロボット実験は、アーム間移動、共有オブジェクト操作、浮力駆動のインターセプションなど、水中の協調的な挙動を実証している。 我々は、ACT、拡散ポリシー、およびプラットフォーム上での視覚-言語-アクションモデルSmolVLAを評価する。 本研究では,空気中での操作のための学習方法と実行戦略について検討し,気泡乱れ,浮力駆動型物体運動,行動実行地平線,リアルタイムチャンキングについて検討した。 個別の単腕試験では、空気と水の間の政策伝達を調べ、テスト条件下では、両方のメディアサポート実行にまたがるデモンストレーションが示される。 ULOHAは、水中環境の知覚的および身体的効果の結合の下で、水中のバイマニュアルロボット学習を研究するための統一的な実験プラットフォームを提供する。 追加資料:https://mertcookimg.github.io/uloha/

関連論文リスト

• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• UMI-Underwater: Learning Underwater Manipulation without Underwater Teleoperation [14.624992211938155]
  水中ロボティクスの把握は、劣化した、高度に変動した画像と、多様な水中デモを収集する費用が原因で困難である。 本稿では,自己教師型データ収集パイプラインを通じて,水中のグリップデモを自律的に収集するシステムを提案する。 プール実験において,本手法はバックグラウンドシフトに対する性能とロバスト性を向上し,オンランドデータにのみ見られるオブジェクトへの一般化を可能にする。
  論文  参考訳（メタデータ） (2026-03-27T22:01:19Z)
• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos [73.51386721543135]
  本稿では,映像から視覚的潜伏空間をロボット軌道から受容的潜伏空間に整列させるフレームワークであるContrastive Latent Action Pretraining (CLAP)を提案する。 CLAPは、ビデオの遷移を量子化され、物理的に実行可能なコードブックにマッピングする。 本稿では,命令追従やオブジェクトの一般化に優れた自己回帰モデルであるCLAP-NTPと,高頻度かつ高精度な操作のために設計されたRectified FlowベースのポリシーであるCLAP-RFの両方を提供する二重形式VLAフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T16:26:33Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• ViSA-Flow: Accelerating Robot Skill Learning via Large-Scale Video Semantic Action Flow [4.2766838326810355]
  教師なし大規模ビデオデータから事前ラベル付き表現を学習するフレームワークであるViSA-Flowを提案する。 まず、大規模人-物間相互作用ビデオデータから、生成訓練された意味行動の流れを自動的に抽出する。 第2に、この前者は、同じセマンティック抽象化パイプラインで処理された小さなロボットのデモセットを微調整することで、ターゲットロボットに効率的に適応する。
  論文  参考訳（メタデータ） (2025-05-02T14:03:06Z)
• Learning Manipulation by Predicting Interaction [85.57297574510507]
  本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。 実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-06-01T13:28:31Z)
• VOILA: Visual-Observation-Only Imitation Learning for Autonomous Navigation [44.799092976955656]
  我々は、自律ナビゲーションのための新しいアルゴリズム、視覚観察のみの模倣学習(VOILA)を導入する。 VOILAは、物理的に異なるエージェントから収集された単一のビデオデモからナビゲーションポリシーを学ぶ。 本稿では,VOILAが専門家を模倣するだけでなく,新しい環境に一般化可能なナビゲーションポリシーも学習していることを示す。
  論文  参考訳（メタデータ） (2021-05-19T19:25:23Z)
• NavRep: Unsupervised Representations for Reinforcement Learning of Robot Navigation in Dynamic Human Environments [28.530962677406627]
  2つのエンドツーエンドと18の教師なし学習ベースのアーキテクチャをトレーニングし、それらと既存のアプローチを未認識のテストケースで比較します。 その結果,教師なし学習手法はエンドツーエンドの手法と競合することがわかった。 このリリースには、他の論文で記述されたトレーニング条件をエミュレートするように設計されたopenai-gym互換環境も含まれている。
  論文  参考訳（メタデータ） (2020-12-08T12:51:14Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。