論文の概要: EMPIRIC: Experiment-Driven Learning of Residual World Models for Robot Planning

• arxiv url: http://arxiv.org/abs/2609.35047v1
• Date: Mon, 28 Sep 2026 12:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 17:27:04.601222
• Title: EMPIRIC: Experiment-Driven Learning of Residual World Models for Robot Planning
• Title（参考訳）: EMPIRIC:ロボット計画のための残留世界モデルの実験駆動学習
• Abstract要約: ロボットは、不慣れな物体の振る舞いや相互作用を実験を通して学習し、その知識で計画しなければなりません。 残余世界モデルを学習するエージェントであるEMPIRICについて述べる。 5つのシミュレートされたドメインにわたって、EMPIRICは解釈可能で再利用可能なモデルを学び、3つのベースラインよりも環境相互作用が少なく多くのタスクを解決する。
• 参考スコア（独自算出の注目度）: 65.9530679634286
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A robot should be able to learn through experiments how unfamiliar objects behave and interact, then plan with that knowledge. It need not start from scratch: physics engines supply knowledge of motion and contact, but can omit entire mechanisms, such as glue curing, water heating, or wind. We present EMPIRIC, an agent that learns a residual world model: a physics engine extended with code for the missing mechanisms. The learned programs can introduce new forces, constraints, and hidden state, and Bayesian inference estimates their parameters and states from noisy observations. The resulting model lets the agent predict the outcomes of actions, choose informative experiments, and revise its hypotheses when predictions fail. Across five simulated domains, EMPIRIC learns interpretable, reusable models, and solves more tasks with fewer environment interactions than all three baselines. On a physical robot, it learns wind forces and domino masses to solve a manipulation task. Website and code: https://yichao-liang.github.io/empiric
• Abstract（参考訳）: ロボットは、不慣れな物体の振る舞いや相互作用を実験を通して学習し、その知識で計画しなければなりません。 物理エンジンは動きや接触に関する知識を提供するが、接着剤の硬化や水温、風などのメカニズム全体を省くことができる。 残余世界モデルを学習するエージェントであるEMPIRICについて述べる。 学習プログラムは、新しい力、制約、隠れた状態を導入することができ、ベイズ推定はノイズの多い観測からそれらのパラメータと状態を推定する。 結果のモデルにより、エージェントは行動の結果を予測し、情報的実験を選択し、予測が失敗すると仮説を修正できる。 5つのシミュレートされたドメインにわたって、EMPIRICは解釈可能で再利用可能なモデルを学び、3つのベースラインよりも環境相互作用が少なく多くのタスクを解決する。 物理的なロボットでは、風力とドミノ質量を学習し、操作タスクを解決する。 Webサイトとコード:https://yichao-liang.github.io/empiric

関連論文リスト

• Dream to Manipulate: Compositional World Models Empowering Robot Imitation Learning with Imagination [25.62602420895531]
  DreMaは、実世界の学習された明示的な表現とそのダイナミクスを使って、デジタル双生児を構築するための新しいアプローチである。 DreMaはタスク毎の1つの例から新しい物理タスクを学べることを示す。
  論文  参考訳（メタデータ） (2024-12-19T15:38:15Z)
• Surfer: Progressive Reasoning with World Models for Robotic Manipulation [51.26109827779267]
  本稿では,新しいシンプルなロボット操作フレームワークであるSurferを紹介する。 Surferは、ロボット操作を視覚シーンの状態伝達として扱い、それをアクションとシーンという2つの部分に分割する。 これは世界モデルに基づいており、ロボット操作を視覚シーンの状態伝達として扱い、アクションとシーンの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2023-06-20T07:06:04Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Full-Body Visual Self-Modeling of Robot Morphologies [29.76701883250049]
  身体の内部計算モデルは、ロボットや動物が行動の計画と制御を行う能力の基礎である。 完全データ駆動型自己モデリングの最近の進歩により、マシンはタスク非依存の相互作用データから直接フォワードキネマティクスを学習できるようになった。 ここでは、フォワードキネマティクスを直接モデル化するのではなく、空間占有クエリに答えることのできる、より有用な自己モデリング形式を提案する。
  論文  参考訳（メタデータ） (2021-11-11T18:58:07Z)
• A Differentiable Recipe for Learning Visual Non-Prehensile Planar Manipulation [63.1610540170754]
  視覚的非包括的平面操作の問題に焦点をあてる。 本稿では,ビデオデコードニューラルモデルと接触力学の先行情報を組み合わせた新しいアーキテクチャを提案する。 モジュラーで完全に差別化可能なアーキテクチャは、目に見えないオブジェクトやモーションの学習専用手法よりも優れていることが分かりました。
  論文  参考訳（メタデータ） (2021-11-09T18:39:45Z)
• OPEn: An Open-ended Physics Environment for Learning Without a Task [132.6062618135179]
  オープンエンドな物理環境で学んだ世界のモデルが、特定のタスクを伴わずに、下流の物理推論タスクに再利用できるかどうかについて検討する。 我々は,OPEn(Open-ended Physics ENvironment)のベンチマークを構築し,この環境における学習表現をテストするためのいくつかのタスクを明示的に設計する。 その結果、教師なしのコントラスト学習を表現学習に用いたエージェントと、探索のためのインパクト駆動学習が最良の結果となった。
  論文  参考訳（メタデータ） (2021-10-13T17:48:23Z)
• Learning Transferable Push Manipulation Skills in Novel Contexts [3.1981440103815717]
  我々は、ロボットが新しい状況であっても物理的相互作用の結果を予測することができるプッシュインタラクションのためのパラメトリック内部モデルを学ぶ。 様々な条件下で合計24,000回のプッシュで2つのオブジェクトをトレーニングし、合計14,400回のプッシュ結果で6つのオブジェクトをテストします。 その結果,偏りや偏りのない予測器は,慎重に調整された物理シミュレータの結果と一致して,確実に予測を生成できることがわかった。
  論文  参考訳（メタデータ） (2020-07-29T11:48:56Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。