論文の概要: Screw Attention: Rigid-Body Algebra Inside a Transformer

• arxiv url: http://arxiv.org/abs/2610.00904v1
• Date: Thu, 01 Oct 2026 01:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.840712
• Title: Screw Attention: Rigid-Body Algebra Inside a Transformer
• Title（参考訳）: 変圧器の内側にリジッド・ボディーのアルジェブラ
• Abstract要約: 学習された操作ポリシーは、剛体力学が閉じた形で供給する空間関係をデータから再発見する。 本稿では,2つの物体間の関係をグラフエッジではなく空間変換とする変換器層であるScrew Attentionを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned manipulation policies rediscover from data the spatial relations that rigid-body mechanics supplies in closed form. This costs data, and it leaves the policies fragile to geometric changes in the scene. We present Screw Attention, a transformer layer in which the relation between two bodies is a spatial transform rather than a graph edge. Every token is a body with a pose. Each pair of tokens carries the relative pose and, for robot joints, the joint screw. Messages are transported along this relation into the receiver's frame, while the attention scores see only frame-invariant quantities. By construction, the messages are equivariant to an independent change of frame at every token, and a single layer can express the velocity recursion of rigid-body mechanics. On simulated manipulation tasks, Screw Attention matches or outperforms controls of the same size, including graph, transformer and flat networks on LIBERO-Spatial. With 16,162 parameters it reaches 97.3% on LIBERO-Spatial from object poses (without images or language), above a flat network with 27x more parameters. Under a change of per-link frame convention its success is unchanged, while every other learned network falls below 3%. Placed on an analytic controller as a gated residual, it raises insertion success by 17.3 points. It is unaffected by pose noise up to 10,mm and by joint offsets within the factory calibration of a Franka arm. These results suggest a criterion: geometry is decisive when the task requires relations between frames that no other part of the system supplies. Code and trained policies will be released.
• Abstract（参考訳）: 学習された操作ポリシーは、剛体力学が閉じた形で供給する空間関係をデータから再発見する。 これはデータコストがかかるため、状況の幾何学的変化に対するポリシーの脆弱さを損なうことになる。 本稿では,2つの物体間の関係をグラフエッジではなく空間変換とする変換器層であるScrew Attentionを提案する。 すべてのトークンはポーズ付きのボディです。 それぞれのトークンは相対的なポーズを持ち、ロボットのジョイントにはジョイントネジがある。 この関係に沿ってメッセージは受信者のフレームに転送され、アテンションスコアはフレーム不変量のみを表示する。 構成により、メッセージは各トークンにおけるフレームの独立な変化と等価であり、単一の層は剛体力学の速度再帰を表現することができる。 シミュレーション操作タスクでは、Screw Attention は LIBERO-Spatial 上のグラフ、トランスフォーマー、フラットネットワークを含む同じサイズの制御にマッチする。 16,162のパラメータで、オブジェクトのポーズ(画像や言語なしで)からLIBERO-Spatialで97.3%に達し、27倍のパラメータを持つフラットネットワークの上にある。 リンク単位のフレーム規約の変更では、その成功は変わらないが、他の学習ネットワークは3%以下である。 分析コントローラにゲート残差として配置され、挿入成功を17.3ポイント上げる。 10mmまでのポーズノイズとフランカアームの工場キャリブレーション内の関節オフセットの影響を受けない。 これらの結果は、システム内の他の部分が供給しないフレーム間の関係を必要とする場合、幾何は決定的であることを示唆している。 コードとトレーニングされたポリシーがリリースされる。

関連論文リスト

• Retargeting Motions to Diverse Skeletons via Learnable Flattening [5.105943854910561]
  クロス構造運動は、異なる骨格トポロジー間での動きを伝達することを目的としている。 既存の最先端モデルはゼロショット設定で信頼性に苦慮している。 トランスフォーマーをベースとした最近の試みは、特殊な幾何学的手法よりも優れていなかった。
  論文  参考訳（メタデータ） (2026-09-29T21:35:57Z)
• TacGooseBumps (TacGB): Retrofitting Normal-Only Tactile Sensors with Shear Encoding for Learning Contact-Rich Manipulation [54.86974994302033]
  接触に富んだ政策はしばしば失敗する。なぜなら、異なる物理的状態は似ているが異なる行動を必要とするからである。 本稿では,既存のセンサの圧力マップのパターン変化として,タンジデンシャルローディングを機械的にエンコードするパッシブドームフィルムであるTacGooseBumpsを紹介する。 4つの模倣学習タスクと2つのデータ収集パイプラインで、TacGBは目標達成、効率、接触品質を改善している。
  論文  参考訳（メタデータ） (2026-09-27T23:04:32Z)
• ArticulateArena: A Metric for Articulated Kinematics [56.23391152623764]
  ArticulateArenaは、調音のためのチャンファー距離の表現不変である。 これは、それを符号化するパラメータではなく、1-DOF関節の運動を比較する。 ArticulateArena-20Kは19,977個の調音されたオブジェクトからなる新しいスイートで、キネマティクスを検証する。
  論文  参考訳（メタデータ） (2026-09-27T21:19:22Z)
• MemCorr-DP: Counterfactual Correspondence Conditioning for a Diffusion Policy Guided by a Reference [6.8087753393731125]
  凍結したRoMa v2を持ち上げる拡散ポリシであるMemCorr-DPを,現在のシーンと参照軌道との明示的な3次元関係に整合する。 この組み合わせにより、MemCorr-DPは96.67%のクローズドループ成功を達成し、同じアクションアーキテクチャを持つビジュアルトランスフォーマーでは88.90%となった。
  論文  参考訳（メタデータ） (2026-09-06T14:03:20Z)
• Relational Rank Geometry in Transformers: Detecting and Steering Hidden-State Relation Frames [0.0]
  トークンコンストラクタ間の関係のランク付き幾何について検討した。 32以上のプロンプトを洗浄・腐食介入法で測定する。 クリーンターゲット関係フレームパスは、クリーン・アンサー動作と残差関係幾何を回復する。
  論文  参考訳（メタデータ） (2026-05-28T09:06:13Z)
• Structural Action Transformer for 3D Dexterous Manipulation [80.07649565189035]
  クロス・エボディメント・スキル・トランスファーは、ハイDoFロボットハンドの課題である。 既存の手法は、しばしば2次元の観測と時間中心の行動表現に依存し、3次元の空間的関係を捉えるのに苦労する。 本稿では、構造中心の視点を導入することで、このパラダイムに挑戦する新しい3Dデクスタラスな操作ポリシーを提案する。
  論文  参考訳（メタデータ） (2026-03-04T11:38:12Z)
• GeoTransformer: Fast and Robust Point Cloud Registration with Geometric Transformer [63.85771838683657]
  点雲登録のための正確な対応を抽出する問題について検討する。 最近のキーポイントフリー法は、繰り返し可能なキーポイントの検出をバイパスすることで大きなポテンシャルを示している。 そこで我々は,Geometric Transformer (Geo Transformer) を略して提案し,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習する。
  論文  参考訳（メタデータ） (2023-07-25T02:36:04Z)
• Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
  点雲登録のための正確な対応を抽出する問題について検討する。 最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。 本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
  論文  参考訳（メタデータ） (2022-02-14T13:26:09Z)

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。