論文の概要: Expert-Play Contouring Control: Faster-than-Demonstration Planning from Slow Expert and Fast Play

• arxiv url: http://arxiv.org/abs/2609.22798v1
• Date: Sat, 19 Sep 2026 06:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:26:57.638541
• Title: Expert-Play Contouring Control: Faster-than-Demonstration Planning from Slow Expert and Fast Play
• Title（参考訳）: エキスパートプレイのコントゥーリング制御: スローエキスパートとファストプレイによるデモプランニングの高速化
• Abstract要約: 専門家によるデモでは、ロボットが何をすべきかを規定することが多いが、どれくらいの速さでできるのかは定かではない。 動的に認識する制御問題として,より高速な実演実行について検討する。 本稿では,エキスパートによる遅いデモンストレーションと,高速で非エキスパートなプレイを組み合わせたEPCC(Expert-Play Contouring Control)を紹介する。
• 参考スコア（独自算出の注目度）: 1.976593469820817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Expert demonstrations often specify what a robot should do, but not how fast it can do it. Imitation Learning (IL) inherits demonstration timing, while directly accelerating the learned motion can fail when faster execution changes the robot-object dynamics. We study faster-than-demonstration execution as a dynamics-aware control problem and introduce Expert-Play Contouring Control (EPCC), which combines slow expert demonstrations with fast, non-expert play. Expert demonstrations train a latent trajectory generator whose predictions are reparameterized into a time-independent contour of successful task progression, while play trains a world model (WM) of fast-action outcomes. At deployment, our proposed planner uses the WM to optimize actions that makes maximize progress along the expert-derived contour while penalizing deviation from the intended task evolution. Averaged across three visuomotor manipulation tasks, EPCC achieves a $2.0\times$ the throughput of the IL baseline, including $2.2\times$ that of the throughput of the strongest acceleration baseline on a task with interaction-sensitive object dynamics. Our analysis shows that the gains concentrate where faster execution changes robot-object evolution. Together, our results highlight a simple yet effective principle: demonstrations provide task intent, while play data provides the dynamic coverage needed to execute that intent faster.
• Abstract（参考訳）: 専門家によるデモでは、ロボットが何をすべきかを規定することが多いが、どれくらいの速さでできるのかは定かではない。 イミテーション・ラーニング(IL)はデモのタイミングを継承するが、ロボット・オブジェクトの動作がより速く変化すると、直接学習動作が失敗する。 本研究では,動的に認識される制御問題として,より高速な実演実行について検討し,高速で非専門的な演奏と遅い専門家による実演を組み合わせたエキスパート・プレイ・コントゥアリング・コントロール(EPCC)を導入する。 専門家によるデモンストレーションでは、予測が成功したタスク進行の時間非依存の輪郭に再パラメータ化される潜在軌道生成装置を訓練し、一方、プレイは迅速な結果のワールドモデル(WM)を訓練する。 提案するプランナーは,WMを用いて,目的とするタスクの進化から逸脱を罰しつつ,専門家由来の輪郭に沿って進行を最大化する動作を最適化する。 3つのビジュモータ操作タスクで平均化され、EPCCはILベースラインのスループットに対して$2.0\times$を達成し、相互作用に敏感なオブジェクトダイナミクスを持つタスクにおいて最強の加速度ベースラインのスループットの$2.2\times$を達成している。 解析の結果,ロボット・オブジェクトの進化の速さに注目が集まることがわかった。 デモはタスクインテントを提供するが、プレイデータはそのインテントを高速に実行するために必要な動的カバレッジを提供する。

関連論文リスト

• Reinforcement Learning for Real-Time Vision-Language-Action Policies [71.61893237919794]
  Real-Time EXPO-FTはリアルタイムVLAポリシーを微調整するためのRLフレームワークである。 Kinetixベンチマークでは、Real-Time EXPO-FTにより、遅延ポリシーが最高のパフォーマンスを達成することができる。 4つの動的な実世界のタスクにおいて、Real-Time EXPO-FTは平均的なポリシー性能を42%から97%に改善する。
  論文  参考訳（メタデータ） (2026-09-16T06:38:36Z)
• VOLT: Vision and Language Trajectory Segmentation for Faster-than-Demonstration Policies [7.210982964205077]
  人間は、ロボットが実行するために必要なタスクよりも、タスクを示すのに時間がかかります。 本稿では,視覚・言語トラジェクトリセグメンテーション手法VOLTを紹介する。 VOLTは遅い故意運動が必要なセグメントを特定し、残りのセグメントを選択的にダウンサンプリングする。
  論文  参考訳（メタデータ） (2026-06-04T15:57:29Z)
• ESPADA: Execution Speedup via Semantics Aware Demonstration Data Downsampling for Imitation Learning [18.435889278351297]
  ESPADAは3Dグリップ・オブジェクト関係を持つVLM-LLMパイプラインを使用して、デモをセグメント化するセマンティックなフレームワークである。 1つの注釈付きエピソードからフルデータセットにスケールするために、ESPADAはDynamic Time Warpingを通じてセグメントラベルを伝搬する。 ESPADAは成功率を維持しながら約2倍のスピードアップを実現し、人間のデモと効率的なロボット制御のギャップを狭める。
  論文  参考訳（メタデータ） (2025-12-08T10:08:33Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)
• SAIL: Faster-than-Demonstration Execution of Imitation Learning Policies [20.52085846080824]
  オフライン・イミテーション・ラーニング(IL)法は複雑なロボット操作技術を得るのに効果的である。 既存のILトレーニングされたポリシーは、デモデータに示すように、タスクを同じ速度で実行することに限定される。 本稿では,ビジュモータポリシーの高速化を実現するための新しい問題を紹介し,定式化する。
  論文  参考訳（メタデータ） (2025-06-13T16:58:20Z)
• SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
  Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。 我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
  論文  参考訳（メタデータ） (2024-05-30T00:32:51Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)

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。