論文の概要: Learning Beyond What Humans Can Demonstrate

• arxiv url: http://arxiv.org/abs/2609.24996v1
• Date: Mon, 21 Sep 2026 17:58:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 15:18:32.974235
• Title: Learning Beyond What Humans Can Demonstrate
• Title（参考訳）: 人類が実証できるものを超えて学ぶ
• Abstract要約: 実用不可能な実証から学ぶためのガードレールを効果的に提案する。 タスク固有の障害モードを推論し、データ収集とポリシデプロイメントのために実行可能なガードレールに変換する。 直接演示が不可能な場合,GLIDEは政策学習を支援することができることを示す。
• 参考スコア（独自算出の注目度）: 8.298443289167041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Behavior cloning for robot manipulation relies on expert demonstrations. However, for tasks that require dynamic stability, precise contact timing, or dexterous coordination, human operators may find it hard or even impossible to collect data. We study this infeasible-demonstration regime and propose GLIDE: Guardrails for Learning from Infeasible Demonstrations Efficiently, a framework that infers task-specific failure modes and converts them into executable guardrails for data collection and policy deployment. Given a task description and the conditioning teleoperation code, GLIDE writes guardrails that use system states to filter teleoperation and policy commands, constrain failure-prone actions, and iteratively improve from trajectory feedback. Across three tasks, GLIDE discovers emergent guardrails that go beyond domain-expert hardcoded ones, improving data collection over naive VR teleoperation and domain-expert hardcoded guardrails. After refinement, GLIDE raises data-collection success from 0-10 percent to 70-90 percent across the three tasks. During policy execution, mixed-data guarded policies reach 70 percent, 60 percent, and 60 percent success on Tomato plate transfer, Marker handover and stand, and Wine serving tasks. These results show that GLIDE can support policy learning when direct demonstrations are infeasible. Project website: http://guardrail-policy.github.io/
• Abstract（参考訳）: ロボット操作のための行動クローニングは、専門家によるデモンストレーションに依存している。 しかし、動的安定性、正確な接触タイミング、あるいは厳密な調整を必要とするタスクの場合、人間のオペレーターはデータを集めるのが難しく、あるいは不可能であるかもしれない。 タスク固有の障害モードを推論し,データ収集やポリシ展開のために実行可能なガードレールに変換するフレームワークである。 タスク記述と条件付き遠隔操作コードを与えられたGLIDEは、システム状態を使用して遠隔操作とポリシーコマンドをフィルタリングし、障害を起こしやすい動作を制限し、軌道からのフィードバックから反復的に改善するガードレールを記述する。 3つのタスクにわたって、GLIDEは、ドメインに精通したハードコードされたものを超えた創発的なガードレールを発見し、単純なVR遠隔操作とドメインに精通したハードコードされたガードレールよりもデータ収集を改善した。 改良後、GLIDEは3つのタスクで0～10パーセントから70～90%にデータ収集の成功を上げている。 政策実行中、混合データ保護ポリシーは70%、60%、トマトプレート転送、マーカーハンドオーバとスタンド、ワインのサービスタスクで60%の成功を収めた。 これらの結果から,GLIDEは直接演示が不可能な場合の政策学習を支援することができることがわかった。 プロジェクトウェブサイト: http://guardrail-policy.github.io/

関連論文リスト

• Missing Bridges: Composition-Aware Active Imitation Learning [30.957721433554653]
  本稿では,アダプティブエージェントを遅延トポロジ(AALT)経由で導入する。 AALTは既存のデモを学習行動によって接続された潜在ハブ状態のトポロジに整理し、一度に多くのタスクを実行できる可能性のある高価値ブリッジのデモを特定し、それぞれをエキスパートクエリにグラウンドする。
  論文  参考訳（メタデータ） (2026-09-16T01:48:13Z)
• HarnessVLN: Unifying Training-Free Embodied Navigation through an Agent Harness [30.61739879302674]
  身体的ナビゲーションでは、エージェントは空間観測において指示や目標を下ろす必要がある。 本稿では,ゼロショットでトレーニング不要なフレームワークであるHarnessVLNを紹介した。
  論文  参考訳（メタデータ） (2026-09-14T08:15:56Z)
• Mastermind: Strategy-grounded Learning for Repository-Scale Vulnerability Reproduction [62.42945715963878]
  リポジトリレベルの脆弱性の再現は、要求の多いソフトウェアエンジニアリング(SE)タスクである。 最近のLLMエージェントは、アプローチが正しい場合、しばしばこれらのステップを実行するが、間違った戦略を選択することで失敗する。 本論では, アクションの完全な軌跡ではなく, 戦略がSEエージェントの適切な学習単位であることを論じる。
  論文  参考訳（メタデータ） (2026-07-02T06:27:27Z)
• Beyond the Majority: Long-tail Imitation Learning for Robotic Manipulation [121.31598641762251]
  訓練デモンストレーションの長期分布は、政策学習を妨げる。 Approaching-Phase Augmentation (APA)は、デモを必要とせずに、データリッチなヘッドタスクからデータシャースなテールタスクに知識を転送する。
  論文  参考訳（メタデータ） (2026-02-06T09:10:02Z)
• 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)
• AnyPos: Automated Task-Agnostic Actions for Bimanual Manipulation [24.199522837278128]
  本稿では,タスク固有の条件からアクション実行を分離するタスク非依存のアクションパラダイムを提案する。 ATARAはスケーラブルなセルフ教師付きフレームワークで、人間の遠隔操作と比較して30倍以上のコレクションを高速化する。 我々はArm-Decoupled EstimationとDirection-Aware Decoderを備えた逆動的モデルであるAnyPosを提案する。
  論文  参考訳（メタデータ） (2025-07-17T03:48:57Z)
• Error-Aware Imitation Learning from Teleoperation Data for Mobile Manipulation [54.31414116478024]
  移動操作(MM)では、ロボットは環境内を移動して操作することができる。 本研究では,MMタスクに対する連続的なビジュオモダポリシの学習に模倣学習(IL)を適用する方法について検討する。
  論文  参考訳（メタデータ） (2021-12-09T23:54:59Z)
• Human-in-the-Loop Imitation Learning using Remote Teleoperation [72.2847988686463]
  6-DoF操作設定に合わせたデータ収集システムを構築します。 システムによって収集された新しいデータに基づいて,ポリシーを反復的にトレーニングするアルゴリズムを開発した。 介入型システムで収集したデータに基づいて訓練されたエージェントと、非介入型デモ参加者が収集した同等数のサンプルで訓練されたアルゴリズムを上回るエージェントを実証する。
  論文  参考訳（メタデータ） (2020-12-12T05:30:35Z)
• 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。