論文の概要: Faster Visuomotor Policy Learning on Action Manifolds via Riemannian MeanFlow

• arxiv url: http://arxiv.org/abs/2609.30127v1
• Date: Thu, 24 Sep 2026 17:00:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.135898
• Title: Faster Visuomotor Policy Learning on Action Manifolds via Riemannian MeanFlow
• Title（参考訳）: Riemannian MeanFlowによる行動マニフォールドの高速ビジュモータ政策学習
• Abstract要約: Visuomotor Policyは、生の感覚観察からロボットアクションシーケンスへの直接マップを学習する。 本稿では,ロボット行動多様体上の確率経路の条件付きフローマップを学習するポリシーを提案する。 球面LASAおよびPush-Tベンチマーク、ロブミミックスイートのツールハングおよびトランスポートタスク、および多様体制約されたアクション生成を伴うフランカキッチンタスクについて結果を示す。
• 参考スコア（独自算出の注目度）: 17.543629768567026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visuomotor policies learn a direct map from raw sensory observations to robot action sequences. Policies based on Diffusion and Flow Matching capture the multimodal distribution over action sequences in an end-to-end manner. This expressivity comes at the cost of multi-step numerical integration of the learned vector field for action generation, which can be expensive and time-consuming, impeding fast control rates required in robotics applications. Furthermore, robot action sequences are usually defined on a smooth, differentiable manifold, requiring that the learned policy respects the intrinsic geometry of the robot's action space. Here, we present Riemannian MeanFlow Policy (RMFP), which learns the conditioned flow map of the probability path on the robot action manifold. Our formulation employs a flow map consistency objective grounded in the data by a Riemannian Conditional Flow Matching anchor. The flow map consistency condition is stable to train and constrains the learned model to finite-time transport, which yields on-manifold action sequence generation with as few as one network function evaluation. We present results on the spherical LASA and Push-T benchmarks, on the Tool Hang and Transport tasks of the Robomimic suite, and on the Franka Kitchen task with manifold-constrained action generation, and demonstrate that RMFP attains performance competitive with prior work at a lower sampling cost. We also employ RMFP on a real-world robotic manipulation task to demonstrate fast action generation under imperfect sensor measurements in the physical world.
• Abstract（参考訳）: Visuomotor Policyは、生の感覚観察からロボットアクションシーケンスへの直接マップを学習する。 Diffusion and Flow Matchingに基づくポリシは、アクションシーケンス上のマルチモーダル分布をエンドツーエンドにキャプチャする。 この表現力は、学習した行動生成ベクトル場の多段階的な数値積分のコストが伴う。 さらに、ロボットのアクションシーケンスは通常、滑らかで微分可能な多様体上で定義され、学習方針はロボットのアクション空間の固有の幾何学を尊重する必要がある。 本稿では,ロボット行動多様体上の確率経路の条件付きフローマップを学習するRiemannian MeanFlow Policy(RMFP)を提案する。 我々の定式化は、リーマン方程式フローマッチングアンカーによってデータに基礎を置き、フローマップの一貫性を目標とする。 フローマップの整合性条件は訓練に安定であり、学習したモデルを有限時間輸送に制約する。 我々は,球面LASAとPush-Tベンチマーク,ロブミミックスイートのツールハングとトランスポートタスク,および多様体制約されたアクション生成を伴うフランカキッチンタスクについて,RMFPが先行作業と低いサンプリングコストで競合することを示す。 また、実世界のロボット操作作業にRMFPを用いて、不完全なセンサ測定の下での高速な動作生成を実世界で実証する。

関連論文リスト

• ContextFlow: In-Context Flow Matching for Robot Manipulation [91.60992853468242]
  本研究では,コンテキスト内模倣学習のための連続的な動作分布を学習する条件付きフローマッチングモデルであるContextFlowを紹介する。 LIBEROでは、ContextFlowがICRTを35パーセント上回っている。 実際のロボットでは、シングルアームとバイマニュアルの両方のタスクの見当たらない構成に一般化し、新しいペンアンカッピング構成で40%の成功を達成している。
  論文  参考訳（メタデータ） (2026-09-06T21:53:58Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-12T14:36:53Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• ActionSink: Toward Precise Robot Manipulation with Dynamic Integration of Action Flow [93.00917887667234]
  本稿では,アクション推定のための新しいロボット操作フレームワークであるActionSinkを紹介する。 その名前が示すように、ActionSinkは、アクションフローと呼ばれるビデオからのアクション起因の光学フローとして、ロボットのアクションを再構成する。 我々のフレームワークは,LIBEROベンチマークのSOTAよりも7.9%向上し,長軸視覚課題LIBERO-Longの精度は8%近く向上した。
  論文  参考訳（メタデータ） (2025-08-05T08:46:17Z)
• Affordance-based Robot Manipulation with Flow Matching [7.51335919610328]
  本稿では,ロボット操作支援のためのフレームワークを提案する。 第1に,大規模モデルを下流シーンの空き時間理解タスクに効果的に適用し,第2に,視覚的空き時間モデルに基づいて,効果的にロボット行動軌跡を学習する。 我々は,教師付きフローマッチング手法を用いて,ロボットの行動軌跡を空き時間で案内する。
  論文  参考訳（メタデータ） (2024-09-02T09:11:28Z)
• Riemannian Flow Matching Policy for Robot Motion Learning [5.724027955589408]
  本稿では,ロボットビジュモータポリシーの学習と合成のための新しいモデルを提案する。 RFMPはよりスムーズな行動軌跡を提供し,推論時間を大幅に短縮することを示した。
  論文  参考訳（メタデータ） (2024-03-15T20:48:41Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。