論文の概要: Experience-Based Feasibility-Aware Generative Adversarial Imitation from Observation under Embodiment Mismatch
- arxiv url: http://arxiv.org/abs/2610.01171v1
- Date: Thu, 01 Oct 2026 06:45:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.949552
- Title: Experience-Based Feasibility-Aware Generative Adversarial Imitation from Observation under Embodiment Mismatch
- Title（参考訳）: 身体的ミスマッチの観察から得られた経験的可能性に基づく対向的模倣
- Abstract要約: 経験に基づくフェーザビリティに基づく観測からの生成的逆効果(EF-GAIfO)を提案する。
EF-GAIfOは、明示的なダイナミックスモデルや大規模な事前探索データセットに頼るのではなく、ロボット自身の経験から、状態のみのデモンストレーションの実現可能性を推定する。
本研究では,EF-GAIfO のシミュレーションおよび実四足歩行作業における有効性を検証する。
- 参考スコア（独自算出の注目度）: 8.484283839605382
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing use of robot-free demonstration interfaces that provide state trajectories without action labels, imitation from observation has become a promising approach for learning robot behaviors from human demonstrations. However, due to differences in embodiment and dynamics between humans and robots, demonstrated human motions may not be feasible for the robot, potentially degrading policy performance. In this study, we propose Experience-Based Feasibility-Aware Generative Adversarial Imitation from Observation (EF-GAIfO), which estimates the feasibility of state-only demonstrations from the robot's own experience rather than relying on explicit dynamics models or large prior exploration datasets. A key feature of EF-GAIfO is that the notion of feasibility evolves with policy learning: as the policy improves and the robot experiences a broader range of state transitions, the feasible region is progressively expanded, allowing additional demonstrations to be incorporated into learning. This enables feasibility-aware imitation that adapts to the current stage of policy learning, rather than relying on a pre-designed feasibility criterion. We validate the effectiveness of EF-GAIfO on a locomotion task in simulation and on a real quadruped robot performing a object-reaching-and-grasping task.
- Abstract（参考訳）: 動作ラベルのない状態トラジェクトリを提供するロボットフリーなデモインタフェースの利用が増加し、人間のデモからロボットの動作を学ぶための、観察からの模倣が有望なアプローチとなっている。
しかしながら、人間とロボットの体格や力学の違いにより、人間の動きはロボットにとって実現不可能であり、政策性能を低下させる可能性がある。
本研究では,経験型フィージビリティ・アウェア・ジェネラル・イミテーション・オブ・オブ・オブ・オブ・観察(EF-GAIfO)を提案する。これは,明示的なダイナミックスモデルや大規模な事前探索データセットに頼るのではなく,ロボット自身の経験から,状態のみのデモンストレーションの有効性を推定するものである。
EF-GAIfOの重要な特徴は、実現可能性の概念が政策学習によって進化していくことである。政策が改善し、ロボットが幅広い状態遷移を経験するにつれて、実現可能な領域は徐々に拡大され、さらなる実証が学習に取り入れられるようになる。
これにより、事前設計された実現可能性基準に頼るのではなく、政策学習の現在の段階に適応するフィージビリティ対応の模倣が可能になる。
本研究は,EF-GAIfOの移動課題に対する効果と,物体認識作業を行う実四足歩行ロボットに対する効果を検証した。
関連論文リスト
- In-Context Robot Learning with VLM Agents [45.801127106171016]
本稿では,テキスト内ロボット学習のための汎用フレームワークであるGPT-Policyを紹介する。
タスクの成功と効率の指標を通じて信頼性と限界を評価します。
実際のロボット実験では、人間のビデオデモはロボットアクションラベルなしでもタスク完了を改善する。
論文 参考訳（メタデータ） (2026-09-16T17:58:35Z) - Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。
VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。
静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
論文 参考訳（メタデータ） (2026-09-01T07:42:45Z) - Feasibility-aware Imitation Learning from Observation with Multimodal Feedback [4.374284509621931]
FABCO(Feasibility-Aware Behavior Cloning from Observation)を提案する。
FABCOは、ロボット力学モデルを用いたロボット動作を補完する観察からの行動クローニングと、実現可能性の推定を統合する。
2つの課題について15人の被験者を対象に実験を行い、FABCOが3.2倍以上の模倣学習性能を向上させることを確認した。
論文 参考訳（メタデータ） (2026-02-17T04:34:29Z) - MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。
MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
論文 参考訳（メタデータ） (2025-12-17T12:59:41Z) - UniBYD: A Unified Framework for Learning Robotic Manipulation Across Embodiments Beyond Imitation of Human Demonstrations [35.77665515297785]
インボディードインテリジェンスでは、ロボットと人間の手の間のエンボディーメントギャップは、人間のデモンストレーションから学ぶ上で大きな課題をもたらします。
動的強化学習アルゴリズムを用いて,ロボットの物理的特性に適合した操作ポリシーを検出する統一フレームワークUniBYDを提案する。
UniBYDを評価するために,多種多様なロボット形態にまたがるクロスボデーメント操作のための最初のベンチマークであるUniManipを提案する。
論文 参考訳（メタデータ） (2025-12-12T14:48:06Z) - Mechanistic Finetuning of Vision-Language-Action Models via Few-Shot Demonstrations [76.79742393097358]
Vision-Language Action (VLA)モデルは、視覚言語モデル(VLM)をロボット工学に拡張することを約束している。
既存の微調整手法には特異性がなく、タスクの視覚的、言語的、物理的特性に関わらず、同じパラメータセットを適用する。
神経科学における機能的特異性に触発されて、与えられたタスクに特有のスパースモデル表現を微調整することがより効果的である、という仮説を立てる。
論文 参考訳（メタデータ） (2025-11-27T18:50:21Z) - Self-Augmented Robot Trajectory: Efficient Imitation Learning via Safe Self-augmentation with Demonstrator-annotated Precision [2.3548641190233264]
自己拡張型ロボット軌道(Self-Augmented Robot Trajectory, SART)は、一つの人間のデモンストレーションからポリシー学習を可能にするフレームワークである。
SARTは、人間による実証にのみ訓練されたポリシーよりも、はるかに高い成功率を達成する。
論文 参考訳（メタデータ） (2025-09-11T23:10:56Z) - Situationally-Aware Dynamics Learning [57.698553219660376]
隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。
提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。
シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
論文 参考訳（メタデータ） (2025-05-26T06:40:11Z) - Feasibility-aware Imitation Learning from Observations through a Hand-mounted Demonstration Interface [10.808201018448274]
FABCO(Fasibility-Aware Behavior Cloning from Observation)を提案する。
FABCOフレームワークでは、ロボットの事前訓練された前方および逆ダイナミクスモデルを用いて、各デモンストレーションの実現可能性を評価する。
我々はFABCOの有効性を,パイプとバイエルを含むピペット挿入作業に適用して実験的に検証した。
論文 参考訳（メタデータ） (2025-03-12T03:14:04Z) - DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。
言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。
実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
論文 参考訳（メタデータ） (2024-05-12T15:38:17Z)
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。