論文の概要: POIL: Point-based One-Shot Imitation Learning with Stable Dynamical Systems

• arxiv url: http://arxiv.org/abs/2609.30404v1
• Date: Thu, 24 Sep 2026 18:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.094851
• Title: POIL: Point-based One-Shot Imitation Learning with Stable Dynamical Systems
• Title（参考訳）: POIL:安定な動的システムによるポイントベースワンショット模倣学習
• Abstract要約: POILは、安定な動的システムを備えたポイントベースのワンショット模倣学習フレームワークである。 オブジェクトの機能部分の3Dポイントのセットは、軌道伝達と閉ループ実行に共同で使用される。 実行中、マルチビュートラッキングはオンラインで同じポイントを観測し、ポイントセットのBCSDMは、ポイント毎の速度を1つの剛体ねじれに投影することで、それらをクローズドループで駆動する。
• 参考スコア（独自算出の注目度）: 25.232763485081808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present POIL, a point-based one-shot imitation learning framework with stable dynamical systems. While one-shot imitation avoids collecting extensive demonstrations, successful one-shot manipulation requires not only transferring a demonstrated trajectory to a novel object but also executing it robustly under changing scene conditions, grasp configurations, and external disturbances. POIL addresses both problems through a shared representation: a set of 3D points on the object's functional part, used jointly for trajectory transfer and closed-loop execution. The one-shot transfer from the demonstrated trajectory is enabled with point correspondences. POIL grounds the shared functional part with a multi-modal large language model, and transfers the trajectory across viewpoint, pose, and object category changes. During execution, multi-view tracking observes the same points online, and Point-set BCSDM drives them in closed loop by projecting per-point velocities onto a single rigid-body twist computed from the tracked points alone. This extends stable dynamical models from an SE(3) pose to a point set without requiring a known 3D model or pose estimator. We show that at the goal the controller becomes a gradient flow on the classical SO(3) potential, so its terminal phase inherits the almost-global convergence of that potential under a rigid-object assumption. Across simulation and real-robot experiments, POIL transfers a single demonstration across object category, grasp pose, and goal geometry, while recovering from external disturbances during execution. Project page: https://sangminkim-99.github.io/poil
• Abstract（参考訳）: 安定な動的システムを備えたポイントベースワンショット模倣学習フレームワークであるPOILを提案する。 ワンショットの模倣は広範囲なデモンストレーションの収集を避けるが、成功したワンショット操作は、デモされた軌道を新しい物体に転送するだけでなく、シーン条件の変化、構成の把握、外乱を確実に実行する必要がある。 POILは、オブジェクトの機能部分の3Dポイントのセットで、軌道移動と閉ループ実行に共同で使用される。 示される軌道からのワンショット転送は、ポイント対応で可能となる。 POILは、共有機能部分をマルチモーダルな大規模言語モデルで基礎付け、視点、ポーズ、オブジェクトカテゴリの変化をまたいで軌道を転送する。 実行中、マルチビュートラッキングはオンラインで同じ点を観察し、ポイントセットのBCSDMは、トラックされた点だけから計算された1つの剛体ツイストにポイント毎の速度を投影することで、それらをクローズドループで駆動する。 これは、SE(3)のポーズから既知の3Dモデルやポーズ推定器を必要とせずに、安定な動的モデルを点集合に拡張する。 ゴールにおいて、コントローラは古典的なSO(3)ポテンシャルの勾配流となるので、その終端位相は剛体オブジェクトの仮定の下でそのポテンシャルのほぼ球面収束を継承する。 シミュレーションと実ロボット実験を通して、POILは、実行中の外部の障害から回復しながら、オブジェクトカテゴリ、グリップポーズ、ゴールジオメトリの1つのデモを転送する。 プロジェクトページ:https://sangminkim-99.github.io/poil

関連論文リスト

• KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
  エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです 既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。 IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
  論文  参考訳（メタデータ） (2026-07-22T08:04:17Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• Point2Pose: Occlusion-Recovering 6D Pose Tracking and 3D Reconstruction for Multiple Unknown Objects Via 2D Point Trackers [17.68066197994233]
  Point2Poseは、モノクロRGB-Dビデオからの剛体物体の因果6Dポーズトラッキングのためのモデルレス手法である。 アプローチでは、オブジェクトCADモデルやカテゴリ先行を必要とせずに、複数の未確認オブジェクトを追跡できる。 実験により、Point2Poseは、厳密な閉塞ベンチマークで最先端の手法に匹敵する性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-12T02:17:49Z)
• Exploring Category-level Articulated Object Pose Tracking on SE(3) Manifolds [46.859932208933735]
  人工物は日常生活やロボット操作のタスクで広く使われている。 調音された物体のポーズ追跡は 固有のキネマティックな制約のために 未発見の問題のままです 本研究は,textbfPPF-Tracker と呼ばれる新しいポイントペア型ポーズトラッキングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-08T12:56:21Z)
• Degrees of Freedom Matter: Inferring Dynamics from Point Trajectories [28.701879490459675]
  ニューラルネットワークによってパラメータ化された暗黙の運動場を学習し、同一領域内の新規点の動きを予測することを目的とする。 我々は、SIRENが提供する固有正則化を活用し、入力層を変更して時間的に滑らかな運動場を生成する。 実験では, 未知点軌道の予測におけるモデルの性能評価と, 変形を伴う時間メッシュアライメントへの応用について検討した。
  論文  参考訳（メタデータ） (2024-06-05T21:02:10Z)
• Multi-Model 3D Registration: Finding Multiple Moving Objects in Cluttered Point Clouds [23.923838486208524]
  マルチモデル3D登録問題(Multi-model 3D registration)のバリエーションについて検討する。 マルチモデル登録問題では、異なるポーズでオブジェクトの集合を撮影する2点の雲が与えられる。 私たちは、すべてのオブジェクトが2点の雲の間を移動する様子を同時に再構築したいと考えています。
  論文  参考訳（メタデータ） (2024-02-16T18:01:43Z)
• ROAM: Robust and Object-Aware Motion Generation Using Neural Pose Descriptors [73.26004792375556]
  本稿では,3次元オブジェクト認識キャラクタ合成における新しいシーンオブジェクトへのロバストさと一般化が,参照オブジェクトを1つも持たないモーションモデルをトレーニングすることで実現可能であることを示す。 我々は、オブジェクト専用のデータセットに基づいて訓練された暗黙的な特徴表現を活用し、オブジェクトの周りのSE(3)-同変記述体フィールドをエンコードする。 本研究では,3次元仮想キャラクタの動作と相互作用の質,および未知のオブジェクトを持つシナリオに対するロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-08-24T17:59:51Z)

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。