論文の概要: An Empirical Study on What Matters for Viewpoint-Generalizable Policies in Visual Imitation Learning

• arxiv url: http://arxiv.org/abs/2609.32762v1
• Date: Sat, 26 Sep 2026 16:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:39:03.636524
• Title: An Empirical Study on What Matters for Viewpoint-Generalizable Policies in Visual Imitation Learning
• Title（参考訳）: 視覚模倣学習における視点一般化型政策の意義に関する実証的研究
• Abstract要約: 本稿では,視覚的政策が視点をまたいだ一般化を実現するための設計選択に関する実証的研究について述べる。 視覚的トークンが密に保持され、アクションヘッドが幾何学的推論に参加すると、視点は改善する。 現実的な結果として、これらの設計選択で訓練されたポリシーは、ランダムなカメラ構成の下で、シミュレーションから実世界へゼロショットを転送する。
• 参考スコア（独自算出の注目度）: 40.40849296380193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual imitation learning is a promising approach to training robot manipulation policies capable of completing a wide variety of tasks. However, policies today remain brittle to viewpoint perturbations, making deployment in diverse environments a challenge. We present a controlled empirical study of which design choices allow visuomotor policies to generalize across viewpoints. We find that viewpoint generalization improves when dense visual tokens are retained and the action head participates in geometric reasoning. On a suite of simulated tasks that span a wide range of camera poses, we show that these design choices yield a policy that remains performant across viewpoints. As a practical consequence, a policy trained with these design choices also transfers zero-shot from simulation to the real world under random camera configurations.
• Abstract（参考訳）: 視覚模倣学習は、様々なタスクを完了できるロボット操作ポリシーをトレーニングするための有望なアプローチである。 しかし、今日の政策は、視点の混乱に対して脆弱なままであり、多様な環境への展開が困難である。 本稿では,視覚的政策が視点をまたいだ一般化を実現するための設計選択に関する実証的研究について述べる。 視点一般化は、濃密な視覚トークンが保持され、アクションヘッドが幾何学的推論に参加すると改善される。 広い範囲のカメラポーズにまたがる一連のシミュレーションタスクにおいて、これらの設計選択が視点をまたいだパフォーマンスを維持したポリシーを導出することを示す。 現実的な結果として、これらの設計選択で訓練されたポリシーは、ランダムなカメラ構成の下で、シミュレーションから実世界へゼロショットを転送する。

関連論文リスト

• Beyond Pixels: Learning Invariant Rewards for Real-World Robotics From a Few Demonstrations [15.30585150107243]
  オープンワールド操作問題では、異なるオブジェクトインスタンス、位置、カメラ視点を通じて、多数の変種に単一のタスクが現れる。 最近の視覚に基づく報酬モデルでは、特定の画素分布を記憶し、訓練条件を超えて一般化することができない傾向にある。 本稿では,5つの実演から不変なシンボル報酬関数を学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-21T07:55:35Z)
• Multi-Camera View Scaling for Data-Efficient Robot Imitation Learning [57.88781687419521]
  複数の同期カメラパースペクティブを使用して、各専門家軌跡から擬似演示を生成する。 シミュレーションと実世界の操作タスクの実験は、データ効率と一般化の著しい向上を示している。 以上の結果から,カメラビューのスケーリングは,模倣学習のための実用的でスケーラブルなソリューションであることが示唆された。
  論文  参考訳（メタデータ） (2026-04-01T07:00:44Z)
• Capturing Visual Environment Structure Correlates with Control Performance [62.69063991419694]
  既存のプロキシメトリクスは、ビジュアル世界の狭い側面をキャプチャする表現能力に重点を置いている。 事前学習された視覚エンコーダが環境状態の復号化を支援するかを測定する。 この推定精度は、下流の政策性能と強く相関していることを示す。
  論文  参考訳（メタデータ） (2026-02-04T18:59:12Z)
• Learning to Act Robustly with View-Invariant Latent Actions [8.446887947386559]
  視覚に基づくロボットポリシーは、視界不変の視覚表現の必要性を強調し、小さな視点の変化に苦しむことが多い。 本研究では,ビュー不変遅延行動 (VILA) を提案する。これは,物理力学に基づくビュー不変表現を学習するために,トラジェクトリ間で遷移パターンをキャプチャする潜在動作をモデル化する。 シミュレーションと実世界の双方の実験から、VILAベースのポリシーは見当たらない視点に効果的に一般化し、新しいタスクにうまく移行することが示された。
  論文  参考訳（メタデータ） (2026-01-06T13:14:01Z)
• Attentive Feature Aggregation or: How Policies Learn to Stop Worrying about Robustness and Attend to Task-Relevant Visual Cues [69.24378760740171]
  本稿では,乱れたシーンにおけるロバスト性の欠如に対する解決策として,ビジュモータ・ポリシー・プールについて考察する。 AFA(Attentive Feature Aggregation)は、タスク関連視覚的キューに自然に出席することを学ぶ軽量でトレーニング可能なプール機構である。 以上の結果から,視覚情報を無視することは,堅牢で汎用的な視覚運動ポリシーの展開に向けた重要なステップであることが示唆された。
  論文  参考訳（メタデータ） (2025-11-13T19:31:05Z)
• Zero-Shot Visual Generalization in Robot Manipulation [0.13280779791485384]
  現在のアプローチは、しばしば点雲や深さのような不変表現に頼ることで問題を横取りする。 ディアングル型表現学習は、視覚的分布シフトに対して、視覚に基づく強化学習ポリシーを堅牢化できることを最近示した。 シミュレーションおよび実ハードウェア上での視覚摂動に対するゼロショット適応性を示す。
  論文  参考訳（メタデータ） (2025-05-16T22:01:46Z)
• Dreamitate: Real-World Visuomotor Policy Learning via Video Generation [49.03287909942888]
  本研究では,与えられたタスクの人間による実演の映像拡散モデルを微調整するビジュモータポリシー学習フレームワークを提案する。 我々は,新しいシーンの画像に条件付きタスクの実行例を生成し,この合成された実行を直接使用してロボットを制御する。
  論文  参考訳（メタデータ） (2024-06-24T17:59:45Z)
• Learning Generalizable Manipulation Policies with Object-Centric 3D Representations [65.55352131167213]
  GROOTは、オブジェクト中心と3D事前の堅牢なポリシーを学ぶための模倣学習手法である。 ビジョンベースの操作のための初期訓練条件を超えて一般化するポリシーを構築する。 GROOTのパフォーマンスは、バックグラウンドの変更、カメラの視点シフト、新しいオブジェクトインスタンスの存在に関する一般化に優れています。
  論文  参考訳（メタデータ） (2023-10-22T18:51:45Z)
• Visual-Policy Learning through Multi-Camera View to Single-Camera View Knowledge Distillation for Robot Manipulation Tasks [4.820787231200527]
  本稿では,ロボット操作タスクのための視覚に基づく強化学習(RL)アルゴリズムの一般化性能を高めるための新しい手法を提案する。 提案手法は,複数のカメラ視点で訓練された教師の政策が,一台のカメラ視点から学習する際の生徒の方針を導出する知識蒸留と呼ばれる手法を活用することである。 その結果、単一視点の視覚的学生政策は、単一視点の政策だけでは不可能な課題を把握し、持ち上げることをうまく学べることを示した。
  論文  参考訳（メタデータ） (2023-03-13T11:42:38Z)

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。