論文の概要: Learning to Leverage Compliance: A Policy-Admittance Learning Framework for Robotic Insertion

• arxiv url: http://arxiv.org/abs/2609.31439v1
• Date: Fri, 25 Sep 2026 15:58:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.479779
• Title: Learning to Leverage Compliance: A Policy-Admittance Learning Framework for Robotic Insertion
• Title（参考訳）: コンプライアンスを活用するための学習: ロボット導入のためのポリシー適応学習フレームワーク
• Abstract要約: 本研究では,一定条件下での実行時インタラクションを通じて視覚ポリシーをガイドする政策適応学習フレームワークを提案する。 マルチレートフィードバック機構は、ハイレートなコンタクト・インタラクション記録をポリシ・トランジション・報酬に集約する。 コンフリクト形成を行うことで, 心房中隔膜接触条件のコンフリクト密度の中央値が約53%減少することを示す。
• 参考スコア（独自算出の注目度）: 2.3732579195955665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Policy learning and compliant control offer a promising route to reliable autonomous assembly under pose errors and contact uncertainty. However, combining them does not ensure coordination: the policy may continue pushing against contact while the controller yields, producing sustained loading with limited progress. To address this problem, we propose LeCo (Leverage Compliance), a policy-admittance learning framework that guides a visual policy through execution-time interaction under fixed admittance. A multirate feedback mechanism aggregates high-rate contact-interaction records into policy-transition rewards. An integrated conflict cost then characterizes sustained policy-loading/controller-unloading opposition, while a directional high-force tail cost captures continued-loading events within a transition. Together with task completion, these costs encourage the policy to leverage compliance with less unproductive loading. We evaluate LeCo on four real connector-assembly tasks, obtaining an aggregate success rate of 94%. Across tasks, mean successful-trial resultant-force and torque peaks decrease by approximately 30% and 64% relative to the comparison baseline. Reward ablation further shows that adding conflict shaping reduces median successful-trial contact-conditioned conflict density by approximately 53%. These results support learning to leverage fixed compliance by turning multirate policy-admittance interaction into complementary reward signals for effective, lower-load insertion.
• Abstract（参考訳）: 政策学習とコンプライアンス・コントロールは、エラーや接触の不確実性による信頼性の高い自律的なアセンブリへの有望なルートを提供する。 しかし、それらを組み合わせることは調整を確実にするものではない: 制御器が降伏する間、ポリシーは接触を抑え続け、持続的な負荷を限定的に発生させる。 この問題に対処するため、我々は、一定条件下での実行時インタラクションを通じて視覚ポリシーをガイドするポリシー適応学習フレームワークであるLeCo(Leverage Compliance)を提案する。 マルチレートフィードバック機構は、ハイレートなコンタクト・インタラクション記録をポリシ・トランジション・報酬に集約する。 統合されたコンフリクトコストは、持続的なポリシローディング/コントローラアンロードの反対を特徴付ける一方で、方向性の高いテールコストは、トランジション内の継続的なロードイベントをキャプチャする。 タスク完了とともに、これらのコストは、非生産的なローディングの少ないコンプライアンスを活用するポリシーを奨励します。 また,4つの実コネクタ集合タスク上でLeCoを評価し,総成功率94%を得た。 作業全体では, 成功率, トルクピークは, 比較基準値に対して約30%, 64%減少する。 Reward ablationは、コンフリクト・シェーピングを追加することで、心房中隔膜接触条件のコンフリクト密度が約53%減少することを示している。 これらの結果は,マルチレートポリシ・アドミタンス相互作用を補完的な報酬信号に変換して,効率的な低負荷挿入を行うことによって,一定のコンプライアンスを活用する学習を支援する。

関連論文リスト

• Stable and Efficient Real-World Online VLA Post-Training via Asynchronous Replay-Anchored Policy Improvement [60.83624556700821]
  本稿では,リプレイ動作における批評家とアクターの更新の両方を基盤として,ロールアウトと学習を同時に行うフレームワークを提案する。 RAPolicyを4つのシングルタスク設定と1つのジョイント5タスク設定で実世界で評価し,オンライントレーニングの予算は1～2時間に過ぎなかった。
  論文  参考訳（メタデータ） (2026-09-19T08:45:18Z)
• On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment [54.30690671490447]
  既存の安全アライメント信号は、主に応答レベルまたは政治外である。 FATEは、検証済みの失敗を専門家のデモンストレーションなしで修復管理に変換する。 FATEは攻撃成功率を33.5%、有害なコンプライアンスを82.6%削減し、外的軌道安全診断を6.5%改善する。
  論文  参考訳（メタデータ） (2026-05-12T09:56:28Z)
• The Reciprocity Gradient [52.35929743862925]
  コミュニケーションは、戦略的相互作用における相互性と協力を維持するための基本である。 学習エージェントに特有の集中的最適化の難しさとして,影響帰属問題を同定し,定式化する。 これを解決するために、公衆の観察から訓練された相手の政策の個人推定器を通して、報酬勾配を明示的に逆伝搬する相互性勾配を導入する。
  論文  参考訳（メタデータ） (2026-05-08T16:29:52Z)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)
• Self-Regulation and Requesting Interventions [63.5863047447313]
  介入要求のための"helper"ポリシーをトレーニングするオフラインフレームワークを提案する。 PRMによる最適介入タイミングを判定し,これらのラベル付き軌道上でヘルパーモデルを訓練する。 このオフラインアプローチは、トレーニング中のコストのかかる介入コールを大幅に削減する。
  論文  参考訳（メタデータ） (2025-02-07T00:06:17Z)
• Score and Distribution Matching Policy: Advanced Accelerated Visuomotor Policies via Matched Distillation [29.90613565503628]
  視覚的モビリティ学習のためのスコア・アンド・ディストリビューション・マッチング・ポリシー(SDM Policy)を提案する。 SDMポリシーは拡散ベースのポリシーを2段階最適化プロセスを通じて単一ステップジェネレータに変換する。 最先端のアクション品質を持ちながら、6倍の推論スピードアップを達成する。
  論文  参考訳（メタデータ） (2024-12-12T13:22:02Z)
• Handling Cost and Constraints with Off-Policy Deep Reinforcement Learning [2.793095554369282]
  政治外学習の最も一般的な方法は、学習された状態アクション(Q$)値関数が選択されたデータのバッチに対して最大化されるポリシー改善ステップである。 我々は、この戦略を「混合符号」報酬関数を持つ環境で再考する。 この2つ目のアプローチは、混合符号の報酬を持つ連続的な行動空間に適用した場合、リセットによって拡張された最先端の手法よりも一貫して、著しく優れる。
  論文  参考訳（メタデータ） (2023-11-30T16:31:04Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Balancing policy constraint and ensemble size in uncertainty-based offline reinforcement learning [7.462336024223669]
  不確実性を規制するメカニズムとして,政策制約の役割について検討する。 行動クローンをポリシー更新に組み込むことで、より小さなアンサンブルサイズで十分な罰則を実現できることを示す。 このような手法がオンラインの微調整を安定させ、厳格な性能低下を回避しつつ、継続的な政策改善を可能にしていることを示す。
  論文  参考訳（メタデータ） (2023-03-26T13:03:11Z)
• Planning Not to Talk: Multiagent Systems that are Robust to Communication Loss [29.620011020142726]
  我々は,コミュニケーションにおける潜在的な損失に対して堅牢な協調型マルチエージェントシステムのための共同政策を開発する。 より具体的には、到達不能な目的を持つマルコフゲームのための共同ポリシーを開発する。
  論文  参考訳（メタデータ） (2022-01-17T20:29:22Z)

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。