論文の概要: ReShoot: Generative Visual Domain Randomization of Recorded Robot Demonstrations for Visuomotor Policy Learning

• arxiv url: http://arxiv.org/abs/2609.19661v1
• Date: Thu, 17 Sep 2026 04:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.095136
• Title: ReShoot: Generative Visual Domain Randomization of Recorded Robot Demonstrations for Visuomotor Policy Learning
• Title（参考訳）: ReShoot: ビジュモータ政策学習のための記録ロボットデモの生成的視覚領域ランダム化
• Abstract要約: 模倣学習型ロボットポリシーは、トレーニングのデモで見られる視覚条件にしばしば適合する。 ReShootは、以前記録されたデモを再レンダリングすることで、視覚的多様性を合成するフレームワークである。
• 参考スコア（独自算出の注目度）: 7.112592145303599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imitation-learned robot policies are frequently overfit to the visual conditions present in their training demonstrations. Consequently, variations in object color or background appearance often induce substantial performance degradation. A common mitigation strategy is to acquire additional demonstrations in each novel visual context; however, this approach is resource-intensive, requiring repeated access to a robot, a controlled environment, and human operation for every appearance condition to be covered. We introduce ReShoot, a framework that synthesizes visual diversity by re-rendering previously recorded demonstrations under altered appearances, thereby shifting the burden from data collection to generation. A vision-language model captions the scene, edits a targeted attribute (e.g., background, object color, or material), and an edge-conditioned video generator re-renders both camera views to match. The instruction is updated accordingly. The action sequence and proprioceptive trajectory are copied verbatim without relabeling, so each generated episode retains the recorded action and proprioceptive labels. On LIBERO, a policy trained on an equal mixture of recorded and re-rendered demonstrations matches the performance of recorded-only training (96.5% vs. 96.9%). Moreover, the mixed training set improves robustness to scene perturbations on LIBERO-Plus (85.5% vs. 82.3%). Across two physical robotic platforms, deploying ReShoot with 43 and 100 pre-collected demonstrations increased the success rate on recolored objects from 0.0% to 42.9% and 47.5%, respectively, while maintaining performance under the original recorded appearance.
• Abstract（参考訳）: 模倣学習型ロボットポリシーは、トレーニングのデモで見られる視覚条件にしばしば適合する。 その結果、物体の色や背景の外観の変化は、しばしば実質的な性能劣化を引き起こす。 一般的な緩和戦略は、新しい視覚的コンテキストごとに追加のデモンストレーションを取得することであるが、このアプローチはリソース集約であり、ロボット、制御された環境、そして、カバーすべき全ての外観条件に対する人間の操作に繰り返しアクセスする必要がある。 ReShootは、以前記録したデモを再レンダリングすることで、視覚的多様性を合成するフレームワークで、データ収集から生成へと負担をシフトさせる。 視覚言語モデルはシーンをキャプションし、ターゲット属性(例えば、背景、オブジェクト色、素材)を編集し、エッジ条件のビデオ生成装置は、両方のカメラビューを一致させるために再レンダリングする。 命令はそれに従って更新される。 アクションシーケンスとプロモセプティブトラジェクトリはレラベリングすることなく冗長にコピーされるので、生成された各エピソードは記録されたアクションとプロモセプティブラベルを保持する。 LIBEROでは、記録と再レンダリングされたデモの均等な混合で訓練されたポリシーが、記録のみのトレーニングのパフォーマンス(96.5%対96.9%)と一致する。 さらに、混合トレーニングセットは、LIBERO-Plus(85.5%対82.3%)のシーン摂動に対する堅牢性を向上させる。 2つの物理ロボットプラットフォームで、43と100のプレコンパイルされたデモでReShootをデプロイすると、それぞれ0.0%から42.9%、47.5%のリカラーオブジェクトの成功率が向上した。

関連論文リスト

• Self Supervised Learning from Automatically Generated Demonstrations for Visual Robotic Manipulation [0.11083289076967894]
  本稿では,ロボットがターゲットポーズの周囲のデモを自動的に生成する自己監督型視覚操作手法を提案する。 提案されたパイプラインはROS2とIsaac Simを使用して、ロボットに明示的なカメラを必要とせずにラベル付き画像配置ペアを収集する。 本手法は、グリッパーと単眼カメラを備えた実際のUR5e協調ロボットにおいて、シミュレーションと双方で評価される。
  論文  参考訳（メタデータ） (2026-08-01T21:34:39Z)
• RoboCurate: Harnessing Diversity with Action-Verified Neural Trajectory for Robot Learning [47.25770917635344]
  本稿では,アノテートされた動作の質を評価し,フィルタする新しい合成ロボットデータ生成フレームワークであるRoboCurateを紹介する。 具体的には、RoboCurateはシミュレータで予測されたアクションをリプレイし、動作の一貫性を測定してアクション品質を評価する。 我々は,RoboCurateが生成したデータに対して,実データのみを使用する場合と比較して,成功率を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-02-21T07:33:24Z)
• Supervised Contrastive Frame Aggregation for Video Representation Learning [0.0]
  本稿では,各映像から複数のフレームを1つの入力画像に空間的に配置する画像集約戦略を提案する。 次に、モデルによって生成されたペアワイズプロジェクションを直接比較する、対照的な学習目標を設計する。 同じビデオの複数の自然なビューは、同じビデオから異なる時間的フレームサンプリングを使用して作成される。
  論文  参考訳（メタデータ） (2025-12-14T04:38:40Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Beyond Domain Randomization: Event-Inspired Perception for Visually Robust Adversarial Imitation from Videos [4.338232204525725]
  専門家によるデモンストレーションや学習者の環境がドメインシフトを示すと、ビデオからの模倣は失敗することが多い。 我々は、外見をランダムにするのではなく、感覚表現自体を再考することによって、その影響を完全に排除するアプローチを提案する。 本手法は,標準RGB動画を時間強度勾配を符号化したスパースなイベントベース表現に変換する。
  論文  参考訳（メタデータ） (2025-05-24T23:12:23Z)
• Prediction with Action: Visual Policy Learning via Joint Denoising Process [14.588908033404474]
  PADは、画像予測とロボットアクションを統合する視覚ポリシー学習フレームワークである。 DiTは画像とロボット状態をシームレスに統合し、将来の画像とロボット動作の同時予測を可能にする。 Padは従来の手法よりも優れており、Metaworldのベンチマークで26.3%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-11-27T09:54:58Z)
• Learning an Actionable Discrete Diffusion Policy via Large-Scale Actionless Video Pre-Training [69.54948297520612]
  ジェネラリストの具体化エージェントを学ぶことは、主にアクションラベル付きロボットデータセットの不足に起因して、課題を提起する。 これらの課題に対処するための新しい枠組みを導入し、人間のビデオにおける生成前トレーニングと、少数のアクションラベル付きロボットビデオのポリシー微調整を組み合わせるために、統一された離散拡散を利用する。 提案手法は, 従来の最先端手法と比較して, 高忠実度な今後の計画ビデオを生成し, 細調整されたポリシーを強化する。
  論文  参考訳（メタデータ） (2024-02-22T09:48:47Z)
• Learning to Act from Actionless Videos through Dense Correspondences [87.1243107115642]
  本稿では,様々なロボットや環境にまたがる多様なタスクを確実に実行可能なビデオベースのロボットポリシーを構築するためのアプローチを提案する。 本手法は,ロボットの目標を指定するための汎用表現として,状態情報と行動情報の両方を符号化するタスク非依存表現として画像を利用する。 テーブルトップ操作とナビゲーションタスクの学習方針における我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:23Z)

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。