論文の概要: Learning Geometry-Aware Virtual Fixtures From Sparse Demonstrations

• arxiv url: http://arxiv.org/abs/2609.32958v1
• Date: Sat, 26 Sep 2026 21:42:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 11:39:27.458267
• Title: Learning Geometry-Aware Virtual Fixtures From Sparse Demonstrations
• Title（参考訳）: 幾何学の学習 : スパースデモによる仮想フィクスチャの認識
• Abstract要約: 遠隔操作アプリケーションにおいて,仮想固定器(VF)としてトラジェクトリを作成する前に,動作を活用することを提案する。 特に、LQT(Linear Quadratic Tracking)を使用することで、わずか数ポイントのデモからガイドトラジェクトリを定義することができる。 ダ・ヴィンチ・リサーチ・キット(dVRK)を用いた低侵襲手術における切削作業におけるLQTの定式化と全枠組みについて検討した。
• 参考スコア（独自算出の注目度）: 17.08139357269115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many teleoperation applications, collecting a large number of demonstrations as required for traditional probabilistic learning from demonstration (LfD) approaches may not be feasible. To still give operators the ability to intuitively create trajectories as Virtual Fixtures (VFs), we propose to leverage a motion prior in the learning process. Particularly, by using Linear Quadratic Tracking (LQT), users are able to define guiding trajectories from the demonstration of just a few via points. To account for orientation guidance, we further reformulate classical LQT on Riemannian manifolds, introducing an additional geometric prior. Through a probabilistic interpretation of the LQT solution, we derive a covariance estimate at each trajectory point which we use to modulate the stiffness of the resulting fixture, resulting in strong guidance around the via points and softer guidance when far away. The covariance information is also used to define a validity region of the fixture, allowing the operator to leave its influence area and conduct unmodeled tasks. We evaluate the proposed Riemannian LQT formulation in a set of toy examples and the full framework on a cutting task requiring high precision in a minimally invasive surgery setting on the da Vinci Research Kit (dVRK).
• Abstract（参考訳）: 多くの遠隔操作アプリケーションでは、従来の確率論的学習(LfD)アプローチに必要な多数のデモンストレーションを収集することは不可能である。 オペレータにVF(Virtual Fixtures)としてトラジェクトリを直感的に生成する能力を与えるため,学習プロセスに先立って動作を活用することを提案する。 特に、LQT(Linear Quadratic Tracking)を使用することで、わずか数ポイントのデモからガイドトラジェクトリを定義することができる。 配向誘導を説明するため、リーマン多様体上の古典的 LQT をさらに再構成し、さらに幾何学的事前を導入する。 LQT 解の確率論的解釈を通じて、得られたフィクスチャの剛性を変調するために使用する各軌跡点における共分散推定を導出する。 共分散情報は、フィクスチャの妥当性領域を定義するためにも使用され、オペレータはその影響領域を離れ、未モデル化のタスクを実行することができる。 ダ・ヴィンチ・リサーチキット (dVRK) を用いた最小侵襲手術において, 精密切削作業において, トイの具体例と全フレームワークを用いて, 提案したリーマン式LQTの定式化について検討した。

関連論文リスト

• Where and What Matters: Sensitivity-Aware Task Vectors for Many-Shot Multimodal In-Context Learning [57.082554323521464]
  そこで我々は,STV(Sensitivity-aware Task Vector insert framework)を提案する。 キーとなる洞察は、クエリとコンテキストのペア間でのアクティベーションデルタは一貫した構造パターンを示し、挿入のための信頼できるキューを提供します。 識別されたセンシティブ・アウェア・ロケーションに基づいて、アクティベーション値をクラスタリングし、各ロケーションに対して事前クラスタリングされたアクティベーションバンクを構築し、次に強化学習を適用し、最も適したアクティベーション・バンクを選択する。
  論文  参考訳（メタデータ） (2025-11-11T13:42:13Z)
• Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
  大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。 効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。 下流タスクへのLLM。 我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T10:48:20Z)
• Directed Exploration in Reinforcement Learning from Linear Temporal Logic [59.707408697394534]
  リニア時間論理(LTL)は強化学習におけるタスク仕様のための強力な言語である。 合成された報酬信号は基本的に疎結合であり,探索が困難であることを示す。 我々は、仕様をさらに活用し、それに対応するリミット決定性B"uchi Automaton(LDBA)をマルコフ報酬プロセスとしてキャストすることで、よりよい探索を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-08-18T14:25:44Z)
• Nonparametric Control Koopman Operators [5.041003515004196]
  本稿では,制御システムのための新しいクープマン合成演算子表現フレームワークを提案する。 異なるモデル表現の基本的な等価性を確立することにより、制御系演算子学習と無限次元回帰のギャップを埋めることができる。
  論文  参考訳（メタデータ） (2024-05-12T15:46:52Z)
• Conditional Neural Expert Processes for Learning Movement Primitives from Demonstration [1.9336815376402723]
  条件付きニューラルネットワークプロセス(CNEP)は、異なるモードから異なる専門家ネットワークにデモを割り当てることを学ぶ。 CNEPは、軌道がどのモードに属するかの監督を必要としない。 本システムは,オンラインコンディショニング機構を用いて,環境変化へのオンザフライ適応が可能なシステムである。
  論文  参考訳（メタデータ） (2024-02-13T12:52:02Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Towards Unified Token Learning for Vision-Language Tracking [65.96561538356315]
  本稿では,VL追跡をトークン生成タスクとして用いた「textbfMMTrack」という,視覚言語(VL)追跡パイプラインを提案する。 提案フレームワークは,言語記述と境界ボックスを離散トークン列にシリアライズする。 この新しい設計パラダイムでは、全てのトークンクエリが望ましいターゲットを認識し、ターゲットの空間座標を直接予測するために必要となる。
  論文  参考訳（メタデータ） (2023-08-27T13:17:34Z)
• Nonparametric Linear Feature Learning in Regression Through Regularisation [0.0]
  連立線形特徴学習と非パラメトリック関数推定のための新しい手法を提案する。 代替最小化を用いることで、データを反復的に回転させ、先頭方向との整合性を改善する。 提案手法の予測リスクは,最小限の仮定と明示的なレートで最小限のリスクに収束することを確認した。
  論文  参考訳（メタデータ） (2023-07-24T12:52:55Z)

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。