論文の概要: Visual Sim-to-Real Learning for Robotic Insertion under Geometric Variations: Application to Rebar Installation

• arxiv url: http://arxiv.org/abs/2609.20477v1
• Date: Thu, 17 Sep 2026 14:32:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.324334
• Title: Visual Sim-to-Real Learning for Robotic Insertion under Geometric Variations: Application to Rebar Installation
• Title（参考訳）: 幾何学的変動下におけるロボットの視覚的シミュレート学習:残差導入への応用
• Abstract要約: RebarSim(レバーシム)は、シミュレーションで完全に訓練されたビジュアルシミュレートシステムである。 特権国家ベースの教師は、手続き的に生成されたレバージオメトリに対する強化学習で訓練される。 学生は実物のゼロショットに移行し、実物の91.3%のロールアウトで実物の工場生産から取り出されたリバーに座る。
• 参考スコア（独自算出の注目度）: 14.761456609500193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rebar insertion is among the most repetitive and physically demanding tasks on construction sites, and a contact-rich problem at 1.4 mm clearance. The parts, however, vary at two levels: a nominal design per structural member, and fabrication tolerance around each nominal design. Real-world data therefore has to be re-collected as designs and batches change. We present RebarSim, a visual sim-to-real system trained entirely in simulation. A privileged state-based teacher is trained with reinforcement learning over procedurally generated rebar geometries, then distilled into a multi-view student that maps raw RGB and proprioception directly to actions under extensive domain randomization. The student transfers to the real world zero-shot, seating rebars taken from a real factory production run in 91.3% of real-robot rollouts. Underlying that result, geometry diversity and pretraining both bring benefits. Training across a diverse set of nominal designs rather than one lifts the zero-shot success of both the teacher and the student on unseen designs, and the student policy outperforms a single-design specialist on that specialist's own design. A pretrained student then adapts to a new design with 4--6x fewer distillation samples than one trained from scratch. Visual sim-to-real transfer depends on appearance randomization and the DAgger mixture: removing either one sharply lowers success. Videos, code, and task assets are available at https://rebarsim.github.io.
• Abstract（参考訳）: 鉄筋の挿入は建設現場で最も繰り返し、物理的に要求される作業であり、1.4mmのクリアランスで接触に富んだ問題である。 しかし、部品は、構造部材ごとに名目デザインと、各名目デザインの周囲の耐作性という2つのレベルで異なる。 したがって、実世界のデータは、設計やバッチの変更によって再コンパイルされる必要がある。 RebarSimは、シミュレーションで完全に訓練されたビジュアルシミュレート・リアルシステムである。 特権国家ベースの教師は、手続き的に生成された残差測地に対する強化学習を訓練し、その後、多視点の学生に蒸留され、生のRGBとプロプレセプションを直接、広範囲なドメインランダム化の下での行動にマッピングする。 学生は実物のゼロショットに移行し、実物の91.3%のロールアウトで実物の工場生産から取り出されたリバーに座る。 その結果、幾何学的多様性と事前学習の両方が利益をもたらす。 様々な名目デザインのトレーニングは、教師と学生の両方が目に見えないデザインでゼロショットの成功を後押しし、学生政策は、その専門家自身のデザインでシングルデザインスペシャリストより優れている。 事前訓練を受けた学生は、スクラッチからトレーニングした学生よりも4～6倍少ない蒸留サンプルで新しいデザインに適応する。 ビジュアル・シム・トゥ・リアル・トランスファーは、外見のランダム化とDAgger混合に依存している。 ビデオ、コード、タスクアセットはhttps://rebarsim.github.io.comで入手できる。

関連論文リスト

• Teach and Grow: An Agent-Centered Architecture for General Robot Learning [20.811152351871257]
  Teach-and-Grow Learning (TGL)は、汎用ロボット学習のためのエージェント中心アーキテクチャである。 マルチモーダルエージェントは、いくつかの成功したデモを再利用可能なスキルブロック(意味のあるサブゴールのためのクローズドループ動作)に変換する。 新しいタスクは、タスク固有のポリシーの再トレーニングなしで取得される。
  論文  参考訳（メタデータ） (2026-08-17T23:45:21Z)
• RoboSnap: One-Shot Real-to-Sim Scene Generation for Generalizable Robot Learning and Evaluation [55.07260698542592]
  我々は,1枚のRGB画像をシミュレーション可能なシーンに変換する,リアル・トゥ・シミュレート・フレームワークであるRoboSnapを紹介した。 DROIDシーンと実ロボットタスクの実験は、復元されたシーンでRoboSnapが信頼できる軌道再生を実現することを示している。 DROIDのリアルワールドシーン564から構築したリアル・トゥ・シムデータセットであるDROID-Simを紹介する。
  論文  参考訳（メタデータ） (2026-07-07T18:19:10Z)
• AnyTask: an Automated Task and Data Generation Framework for Advancing Sim-to-Real Policy Learning [16.837846476054786]
  大規模で多様な、高品質なインタラクションデータは、現実の世界で収集するのに費用がかかる。 我々はAnyTaskという,大規模並列GPUシミュレーションと基礎モデルを組み合わせて多様な操作タスクを設計する自動化フレームワークを提示する。 我々は、生成されたデータに基づいて行動クローニングポリシーを訓練し、シミュレーションで検証し、実際のロボットハードウェアに直接デプロイする。
  論文  参考訳（メタデータ） (2025-12-19T17:55:48Z)
• DEFT: Decompositional Efficient Fine-Tuning for Text-to-Image Models [103.18486625853099]
  DEFT(Decompositional Efficient Fine-Tuning)は、事前トレーニングされた重み行列を2つのコンポーネントに分解することで適応する。 パーソナライズのためのDreamboothおよびDreambench Plusデータセット、オブジェクトおよびシーン適応のためのInsDetデータセット、ユニバーサル画像生成フレームワークのためのVisualClozeデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2025-09-26T18:01:15Z)
• DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
  シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。 本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。 本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
  論文  参考訳（メタデータ） (2024-06-04T04:53:05Z)
• Learn to Teach: Sample-Efficient Privileged Learning for Humanoid Locomotion over Diverse Terrains [6.967583364984562]
  本研究は,教師と学生の政策学習を統合したワンステージ・トレーニング・フレームワーク,Learn to Teach (L2T)を提案する。 提案手法は, サンプルをリサイクルし, 共有力学を用いて学習軌跡を同期させ, サンプルの複雑さと学習時間を著しく低減する。 深度推定モジュールを使わずに12以上の困難な地形上で, ゼロショットのシミュレートとロバストな性能を実証し, シミュレーションとハードウェアテストによりRL変種(L2T-RL)を検証した。
  論文  参考訳（メタデータ） (2024-02-09T21:16:43Z)
• AutoDistil: Few-shot Task-agnostic Neural Architecture Search for Distilling Large Language Models [121.22644352431199]
  ニューラルアーキテクチャサーチ (NAS) を用いて、大容量モデルから可変コストで複数の圧縮された学生を自動的に抽出する。 現在の作業では、ウェイトシェアリングを備えた数百万の作業からなる1つのSuperLMをトレーニングしています。 最先端のKDおよびNAS手法に対するGLUEベンチマーク実験は、AutoDistilが先行圧縮技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T06:13:04Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)
• RL-CycleGAN: Reinforcement Learning Aware Simulation-To-Real [74.45688231140689]
  本稿では、画像翻訳におけるRL-scene整合性損失を導入し、画像に関連付けられたQ値に対して変換操作が不変であることを保証する。 RL-CycleGANは実世界のシミュレーションから実世界への変換による強化学習のための新しい手法である。
  論文  参考訳（メタデータ） (2020-06-16T08:58:07Z)

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。