論文の概要: EgoSpeedUp: Transferring Human Manipulation Tempo to Robot Policies
- arxiv url: http://arxiv.org/abs/2609.29310v1
- Date: Thu, 24 Sep 2026 09:44:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.822187
- Title: EgoSpeedUp: Transferring Human Manipulation Tempo to Robot Policies
- Title（参考訳）: EgoSpeedUp:人間操作のテンポをロボットポリシーに移行
- Abstract要約: EgoSpeedUpは、ロボット模倣学習の時間的監視として人間の操作を利用するフレームワークである。
EgoSpeedUpはタスク成功率を平均25ポイント(pp)改善し,実行時間を36.5%削減した。
- 参考スコア（独自算出の注目度）: 2.8878716309166372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot manipulation policies trained through imitation learning inherit not only the demonstrated behavior but also the conservative execution tempo of robot demonstrations. Existing acceleration approaches can execute faster than the original demonstrations, but determine the appropriate acceleration primarily from robot-side information or a predefined set of tempo factors, leaving open how to obtain a task-appropriate reference for how fast each manipulation phase should progress. We introduce EgoSpeedUp, a framework that uses human manipulation as temporal supervision for robot imitation learning. Our key insight is that human demonstrations naturally reveal task-appropriate, phase-wise manipulation tempo. Given slow robot demonstrations and human demonstrations of the same task, EgoSpeedUp aligns corresponding manipulation phases, estimates their relative execution tempos from multiple human demonstrations, and transfers the resulting phase-wise tempo by retiming the robot demonstrations. The retimed demonstrations are then used for standard behavior cloning, allowing the robot to retain its executable manipulation behavior while learning to perform it at a human-informed tempo. Across two real-world manipulation tasks, EgoSpeedUp improves the task success rate by an average of 25 percentage points (pp) while reducing successful execution time by 36.5%. These results demonstrate that human manipulation tempo provides an effective temporal reference for learning faster and more reliable robot policies.
- Abstract（参考訳）: 模倣学習を通じて訓練されたロボット操作ポリシーは、実証された行動だけでなく、ロボットのデモンストレーションの保守的な実行テンポも継承する。
既存のアクセラレーションアプローチは、元のデモよりも高速に実行することができるが、ロボット側情報や予め定義されたテンポ要因のセットから、各操作フェーズの進行速度について、タスクに適した参照を得る方法をオープンにしておくことで、適切なアクセラレーションを決定することができる。
本稿では,ロボット模倣学習のための時間的監視として人間の操作を利用するフレームワークであるEgoSpeedUpを紹介する。
私たちの重要な洞察は、人間のデモが自然にタスクに適したフェーズワイドな操作のテンポを明らかにしていることです。
遅いロボットのデモと、同じタスクの人間のデモが与えられたら、EgoSpeedUpは、対応する操作フェーズを調整し、複数の人間のデモから相対的な実行テンポを推定し、その結果のフェーズワイズテンポをロボットのデモをリモートすることで転送する。
再現されたデモは、標準的な行動クローニングに使用され、ロボットは人間にインフォームドされたテンポでそれを実行しながら、実行可能な操作動作を維持することができる。
2つの実世界の操作タスクの中で、EgoSpeedUpはタスク成功率を平均25ポイント(pp)改善し、実行時間も36.5%削減した。
これらの結果は、人間の操作テンポが、より高速で信頼性の高いロボットポリシーを学習するための効果的な時間的基準を提供することを示している。
関連論文リスト
- Robot Self-Improvement via Human-Video Dynamics Models [52.14862052988773]
人間のビデオは、ロボットのエンボディメント間で伝達されるエンボディメントに依存しない動作、ダイナミクス、および値表現を学ぶのに利用できることを示す。
DGAC(Dynamics-Guided Action Correction)は,これらの適応モデルを用いて故障状態の修復を行うトレーニングフリーアプローチである。
以上の結果から,人間の先行とロボットの失敗が組み合わさって,スケーラブルな自律的政策改善を可能にすることが示唆された。
論文 参考訳（メタデータ） (2026-06-19T13:17:27Z) - GazeVLA: Learning Human Intention for Robotic Manipulation [22.106797717672293]
エボディード・ファンデーション・モデルは、ロボット操作において大きなブレークスルーを達成したが、それでも大規模なロボットのデモンストレーションに大きく依存している。
人間の行動の根底にある意図は、このギャップを埋めるための強力な中間表現として役立つと我々は主張する。
本稿では,ロボット操作を容易にするための人間の意図を明示的に学習し,伝達する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-24T14:46:03Z) - When a Robot is More Capable than a Human: Learning from Constrained Demonstrators [4.015444385806047]
デモンストレーションから学んだ専門家は、審美的な教育、ジョイスティックコントロール、シム・トゥ・リアル・トランスファーといったインターフェースを使って、ロボットに複雑なタスクを教えることができる。
これらのインターフェースは、間接的な制御、セットアップの制限、ハードウェアの安全性による最適な動作を示す専門家の能力をしばしば制限する。
ロボットは、制約のある専門家が示したものよりも優れたポリシーを学べるだろうか?
我々は、エージェントが専門家の行動の直接の模倣を越えて、より短くより効率的な軌道を探索できるようにすることで、この問題に対処する。
論文 参考訳（メタデータ） (2025-10-10T07:48:12Z) - From Human Hands to Robot Arms: Manipulation Skills Transfer via Trajectory Alignment [36.08997778717271]
現実世界のロボットの多様な操作スキルを学ぶことは、高価でスケールの難しい遠隔操作によるデモンストレーションに依存することでボトルネックとなる。
本稿では,操作終端の3次元軌跡を統一中間表現として利用することにより,この実施ギャップを橋渡しする新しいフレームワークであるTraj2Actionを紹介する。
我々の方針はまず,人間とロボットの両方のデータを活用することで,高レベルの運動計画を形成する粗い軌道を生成することを学習する。
論文 参考訳（メタデータ） (2025-10-01T04:21:12Z) - AnyDexGrasp: General Dexterous Grasping for Different Hands with Human-level Learning Efficiency [49.868970174484204]
我々は,最小限のデータを用いてきめ細やかな把握を学習するための効率的なアプローチを提案する。
提案手法は,40個の訓練対象に対して数百のグリップ試行を行うだけで,人間レベルの学習効率で高い性能を達成できる。
この方法は、ヒューマノイドロボット、人工装具、その他頑丈で汎用的なロボット操作を必要とする領域に対する有望な応用を実証する。
論文 参考訳（メタデータ） (2025-02-23T03:26:06Z) - One-Shot Imitation under Mismatched Execution [7.060120660671016]
人間のデモは、ロボットに長距離操作のタスクをプログラムするための強力な方法だ。
これらのデモをロボット実行可能なアクションに変換することは、運動スタイルや身体能力のミスマッチの実行による重大な課題を呈する。
シーケンスレベルの最適輸送コスト関数を用いて,人間とロボットの軌道を自動的にペアリングする新しいフレームワークRHyMEを提案する。
論文 参考訳（メタデータ） (2024-09-10T16:11:57Z) - Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement
Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。
本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。
ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文 参考訳（メタデータ） (2023-03-02T18:51:38Z) - HERD: Continuous Human-to-Robot Evolution for Learning from Human
Demonstration [57.045140028275036]
本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。
本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-08T15:56:13Z) - Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。
学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文 参考訳（メタデータ） (2022-11-16T16:26:48Z) - Bottom-Up Skill Discovery from Unsegmented Demonstrations for
Long-Horizon Robot Manipulation [55.31301153979621]
我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。
未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。
提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-09-28T16:18:54Z)
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。