論文の概要: Contact-Implicit Stein Projected ADMM for Discovery of Diverse Contact-Rich Manipulation Strategies

• arxiv url: http://arxiv.org/abs/2609.28299v1
• Date: Wed, 23 Sep 2026 15:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.100199
• Title: Contact-Implicit Stein Projected ADMM for Discovery of Diverse Contact-Rich Manipulation Strategies
• Title（参考訳）: ADMMを用いたコンタクトインプリンシブ・スタイン投影による異種接触リッチマニピュレーション手法の探索
• Abstract要約: 接触-単純軌道最適化は、単一の制約付きプログラムとして接触-リッチな操作を定式化する。 本稿では,コンタクトインシプリタが多種多様なコンタクトリッチ戦略をいかに発見できるかを考察する。
• 参考スコア（独自算出の注目度）: 3.5194000962809757
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Contact-implicit trajectory optimization formulates contact-rich manipulation as a single constrained program; however, that single program run collapses onto one local optimum out of many equally valid contact modes, grasps, or push directions. As a consequence, the resulting manipulation strategy is reluctant to change and sensitive to initialization. In order to promote robust manipulation, this paper investigates how contact-implicit solvers can discover diverse contact-rich strategies. Our approach derives a variation of Consensus Alternating Direction Method of Multipliers (ADMM) combined with Stein variational inference methods to output a set of distinct contact-rich solutions. We find that applying the Stein repulsive force to ADMM's split variable (rather than its primal form) allows for effective coverage over the set of feasible contact strategies without prematurely stalling the solver. We demonstrate the effectiveness of our approach on a variety of contact-rich manipulation tasks, including pushing, grasping, and multi-robot handover. Last, we find the proposed solver is simpler in form and capable of discovering unique contact modes when compared with existing solvers. Videos and code with examples are found in https://anon-website-submission.github.io/stein-admm-website/.
• Abstract（参考訳）: 接触目的軌道最適化は、接触豊富な操作を単一の制約付きプログラムとして定式化するが、単一のプログラムは、多くの等価な接触モード、把握、またはプッシュ方向のうち、一つの局所的な最適値に崩壊する。 結果として、結果の操作戦略は変更に消極的であり、初期化に敏感である。 堅牢な操作を促進するために,本論文では,接触型解法が多種多様な接触型戦略をいかに発見できるかを考察する。 提案手法は,マルチプライヤのコンセンサス交互方向法(ADMM)とスタイン変分推定法を組み合わせて,接触リッチな解の集合を出力する。 我々は,ADMMの分割変数(原形ではなく)にスタイン反発力を適用することで,早期に解法を停止させることなく,実現可能な接触戦略のセットを効果的にカバーできることを見出した。 我々は,プッシュ,グリップ,マルチロボットハンドオーバなど,コンタクトリッチな操作タスクに対するアプローチの有効性を実証する。 最後に,提案した解法は形状が単純で,既存の解法と比較して特異な接触モードを発見することができる。 例のあるビデオやコードはhttps://anon-website-submission.github.io/stein-admm-website/.comで公開されている。

関連論文リスト

• Multi-Modal Manipulation via Multi-Modal Policy Consensus [62.49978559936122]
  本稿では,ロボット操作のための多様な感覚モダリティを統合するための新しいアプローチを提案する。 提案手法は,それぞれが単一の表現に特化している拡散モデルの集合にポリシーを分解する。 我々は、RLBenchにおけるシミュレーション操作タスクと、隠蔽対象のピック、手作業のスプーン再配向、パズル挿入といった実世界のタスクについて評価した。
  論文  参考訳（メタデータ） (2025-09-27T19:43:04Z)
• iEBAKER: Improved Remote Sensing Image-Text Retrieval Framework via Eliminate Before Align and Keyword Explicit Reasoning [80.44805667907612]
  iEBAKERは、弱い相関のサンプルペアをフィルタリングする革新的な戦略である。 SAR(Sort After Reversed Retrieval)戦略の代替として,SAR(Sort After Retrieval)戦略を導入する。 キーワード明示型推論(KER)モジュールを組み込んで、微妙なキー概念の区別による有益な影響を促進する。
  論文  参考訳（メタデータ） (2025-04-08T03:40:19Z)
• Imitation Learning of Correlated Policies in Stackelberg Games [17.026813111994443]
  Stackelbergゲームは、リーダーの戦略がフォロワーの反応を駆動する非対称な相互作用を含む。 多エージェントシステムではエージェントの動作は相互依存的であり、従来のマルチエージェント・イミテーション・ラーニング(MAIL)手法は複雑な相互作用を捉えるのに失敗することが多い。 そこで本稿では,Stackelbergゲーム用に特別に設計されたポリシ占有率の相関式を提案し,それに対応するためにLatent Stackelberg Differential Network (LSDN)を提案する。
  論文  参考訳（メタデータ） (2025-03-11T20:52:56Z)
• One-Shot Manipulation Strategy Learning by Making Contact Analogies [43.378561955780214]
  本稿では,新しい物体への高速かつ広範囲な一般化による操作戦略のワンショット学習のための新しいアプローチMAGICを提案する。 リファレンスアクショントラジェクトリを活用することで、MAGICは、新しいオブジェクト上の類似した接触点とアクションのシーケンスを効果的に識別する。 MAGICは既存の手法よりも優れた性能を示し、実行速度を大幅に向上し、異なるオブジェクトカテゴリへの一般化を実現している。
  論文  参考訳（メタデータ） (2024-11-14T17:54:43Z)
• ReconBoost: Boosting Can Achieve Modality Reconcilement [89.4377895465204]
  我々は、調和を達成するために、モダリティ代替学習パラダイムについて研究する。 固定モードを毎回更新するReconBoostと呼ばれる新しい手法を提案する。 提案手法はFriedman's Gradient-Boosting (GB) アルゴリズムに似ており,更新された学習者が他者による誤りを訂正できることを示す。
  論文  参考訳（メタデータ） (2024-05-15T13:22:39Z)
• Merging Multi-Task Models via Weight-Ensembling Mixture of Experts [64.94129594112557]
  異なるタスクでトレーニングされたTransformerベースのモデルを単一の統一モデルにマージすることで、すべてのタスクを同時に実行できる。 従来の手法は、タスク演算によって例示され、効率的かつスケーラブルであることが証明されている。 本稿では,Transformer層をMoEモジュールにアップスケーリングしながら,ほとんどのパラメータをマージすることを提案する。
  論文  参考訳（メタデータ） (2024-02-01T08:58:57Z)

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。